楽天、「GENIACプロジェクト」の一環として開発された国内最大規模の高性能AIモデル「Rakuten AI 3.0」を提供開始

- 複数の日本語ベンチマークで優れたスコアを達成し、国内におけるAI開発の加速を目指す -

　楽天グループ株式会社（以下「楽天」）は、経済産業省および国立研究開発法人新エネルギー・産業技術総合開発機構（以下「NEDO」）が推進する日本の生成AIの開発力強化を目的としたプロジェクト「GENIAC（Generative AI Accelerator Challenge）プロジェクト」（以下「GENIAC」）の一環として開発した国内最大規模（注1）の最新AIモデル「Rakuten AI 3.0」（以下「本モデル」）を本日提供開始しました。

　2025年12月の発表以降、ファインチューニングして改良された本モデルは、複数の日本語ベンチマークで優れたスコアを達成しました。楽天は、本モデルの公開により、国内のAIアプリケーションを開発する企業や技術者を支援することを目指します。なお、本モデルはApache 2.0ライセンス（注2）で提供され、楽天の公式リポジトリ（注3）から無償でダウンロードすることができます。

■「Rakuten AI 3.0」の日本語性能

　本モデルについて、日本固有の文化的知識や歴史、大学院レベルの推論、競技数学、指示遵守能力などに関する複数の日本語ベンチマークを用いた評価を行いました（注4、注5、注6、注7）。本モデルおよび他の主要なモデルとの比較スコアは、以下の図の通りです。

Rakuten AI 3.0 (LLM) と主要なモデルの比較

■「Rakuten AI 3.0」について

　本モデルは、日本語に最適化された約7,000億パラメータのMixture of Experts（MoE）アーキテクチャ（注8）を採用したモデルです。オープンソースコミュニティ上の最良なモデルを基に、楽天独自の高品質なバイリンガルデータ、技術力および研究成果によって開発しているため、日本の独特な言語のニュアンスや文化、慣習をより深く理解することができます。文章作成やコード生成、文書解析や抽出に至るまで、幅広い用途でのテキスト処理に優れており、これまでに楽天で開発したモデルと比較して、特に複雑なタスクに対する精度が大幅に向上しています。

　楽天グループのChief AI & Data Officer（CAIDO）であるティン・ツァイは次のようにコメントしています。「楽天は、企業とユーザーをエンパワーメントする高品質で費用対効果の高いLLMモデルの開発に注力しています。本モデルは競争力のあるモデルであり、大規模なデータに加え、エンジニアリング、革新的なアーキテクチャの組み合わせを実現しました。また、オープンモデルを共有することで、国内におけるAI開発を加速化するとともに、経済産業省とも連携し、日本全国の人々に変革をもたらす協調的なAI開発コミュニティを構築することを目指します」

 
　なお、楽天は、次世代LLMの研究開発のため、2025年7月にGENIACの第3期公募に採択されました。本モデルの学習費用の一部は、生成AI開発に必要な計算資源として、「GENIAC」の補助を受けています。

　楽天は現在、LLMを研究目的で開発しており、お客様に快適なサービスを提供するため、今後も様々な選択肢を評価・検討していきます。さらに、オープンソースコミュニティへの貢献を目指し、本モデルを公開することで、AIアプリケーションやLLMのさらなる開発を後押しします。

　楽天は、AI化を意味する造語「AI-nization（エーアイナイゼーション）」をテーマに掲げ、さらなる成長に向けてビジネスのあらゆる面でAIの活用を推進する取り組みをしています。今後も豊富なデータと最先端のAI技術の活用を通じて、世界中の人々へ新たな価値創出を目指してまいります。

（注1）2026年3月17日時点の開示情報に基づく自社調べ。これまでに楽天で開発した「Rakuten AI 7B」は約70億パラメータ、「Rakuten AI 2.0」は約470億パラメータです。

（注2）Apache 2.0ライセンスについて： https://www.apache.org/licenses/LICENSE-2.0

（注3）楽天グループの公式「Hugging Face」リポジトリ： https://huggingface.co/Rakuten

（注4） JamC-QA 日本固有の文化・歴史知識QA（Oka et al., 2025）： https://www.anlp.jp/proceedings/annual_meeting/2025/pdf_dir/Q2-18.pdf

（注5）MMLU-ProX 大学院レベルの推論（Xuan et al., 2025）： https://arxiv.org/abs/2503.10497

（注6）MCLM MATH-100 競技レベルの数学（Son et al., 2025）： https://arxiv.org/html/2502.17407v2

（注7）M-IFEval 指示追従能力（Dussolle et al., 2025）： https://arxiv.org/abs/2502.04688

（注8）Mixture of Expertsアーキテクチャは、モデルが複数のサブモデル（エキスパート）に分割されているAIモデルアーキテクチャです。推論および学習中は、最も適したエキスパートのサブセットのみがアクティブ化され、入力処理に使用されることで、より汎用的で高度な推論を行うことができます。

以 上