2026 Mac ローカル LLM 設定ガイド：8GB・16GB・24GB・64GB でそれぞれ何が動く？

1. 四段階の答え：8GB / 16GB / 24GB / 64GB 早見表

同じモデルでも、8GB Mac では安定して読み込めず、16GB でチャットは可能、24GB になって初めてブラウザやメモアプリと併用しやすくなる、ということがよくあります。Mac ローカル LLM で最も多い誤りは、「起動できた」＝「毎日使える」と考えることです。

先に結論：8GB → 1B〜4B、16GB → 7B〜8B が主力、24GB → 12B〜14B、64GB → 30B〜32B。64GB では一部の 70B 量子化モデルを試せますが、長いコンテキスト・複数モデル同時・常時スムーズなマルチタスクを意味しません。

本ガイドはチップ世代の総合ランキングではなく、メモリ四段階ごとに何が動き、どこで詰まり、ローカル AI 用 Mac 購入時にどれだけ余白を残すべきかに直接答えます。

2. 読み込み可・日常使い・快適：三層の判断基準

記事全体で「動く」が体験差を隠さないよう、次の三層を使います。

本文の主力は日常使い〜快適を指し、境界試行は読み込み可だが長期の当たり外れにしない水準です。

3. よくある三つの誤判断

1. パラメータ数やダウンロード容量だけを見る。7B・14B・32B は規模ラベルであり、量子化（Q4、Q5、Q8）、アーキテクチャ、ビジョン部品で実際の占有は大きく変わります。Ollama のタグがあっても、あなたの Mac で日常主力とは限りません。
2. 「モデルが読み込めた」＝「毎日使う価値がある」と考える。メモリ逼迫時、macOS は SSD へ大量スワップし、推論は著しく遅くなり、ディスク書き込みも増えます。スワップはメモリ増設の代替になりません。
3. MoE の活性パラメータだけでメモリを見積もる。Mixture-of-Experts は活性パラメータが少なくても、推論時は重みの大部分または全体をメモリに載せることが多いです。活性数だけで RAM を計算しないでください。

4. なぜファイル容量≠実行時メモリか

Apple Silicon Mac はユニファイドメモリです。CPU・GPU・Neural Engine が同一プールを共有し、独立した VRAM はありません。ローカル LLM サイジングの第一関門は、搭載 RAM 総量がハード上限であることです。

4.1 区別すべき四つの概念

• パラメータ数：7B、14B、70B など—モデル規模の目安であり、ディスク容量ではない。
• 量子化レベル：Q4_K_M、Q5、Q8 など—ビット数と品質のトレードオフ。
• モデルファイル容量：GGUF／MLX のダウンロードサイズ。重み占有に近いが、実行時総コストではない。
• 実行時メモリ：重み＋KV キャッシュ＋フレームワーク＋macOS＋他アプリ—実際の圧力源。

4.2 実行時の追加占有

理論上「RAM に収まる」モデルでも、32K コンテキスト・大量の Chrome タブ・KV キャッシュで失敗します。目安としてローカル LLM では空きメモリ 20〜30%を残し、境界モデルほど多めに取ってください。

4.3 Ollama 代表容量（2026-06-08 時点）

境界理解のための参考値です。実行時総メモリと同一ではありません。

5. 8GB：小規模モデルと体験用途に限定

8GB はローカル LLM の体験段階であり、日常主力段階ではありません。macOS とバックグラウンドだけで大きな割合を占め、モデルに実質 3〜4GB 程度しか回らないことも珍しくありません。

• 快適な日常主力：1B〜4B 量子化（Gemma 3 1B/4B、Qwen3 1.7B/4B など）
• 境界試行：一部 7B Q4 以下—短いコンテキスト、ブラウザ等を終了
• 用途：軽いチャット、要約、ローカル AI が自分に合うか試す

既に 8GB をお持ちの方：Ollama や LM Studio で 1B〜4B を試し、コンテキストは 4K〜8K に制限。アクティビティモニタで空き 2GB 超を確認してから読み込み。これから購入：ローカル LLM 目的で 8GB を選ぶのはおすすめしません。

6. 16GB：ローカル LLM の入門ライン

16GB は Mac ローカル LLM で最も語られる入門ラインです。LM Studio 公式も 16GB 以上を推奨し、8GB では小さなモデルと適度なコンテキストに留める—という指針は、16GB を現実的な起点とみなす根拠になります。

• 快適な日常主力：7B〜8B 量子化（Qwen3 8B、DeepSeek-R1 Distill 7B/8B の Q4 など）
• 境界試行：一部 12B〜14B（Gemma 3 12B 約 8.1GB など）— IDE・重いタブを閉じ、コンテキスト ≤8K
• 7B と 14B の位置づけ：7B〜8B が日常使い、14B は多くの場合境界試行

カジュアルなチャット、軽いコーディング、簡単な文書 Q&A には足ります。RAG を頻繁に使う、14B を日常主力にしたいなら 24GB を検討してください。

7. 24GB：長期個人利用にバランスが良い

24GB は長期の個人ローカル LLM 利用にバランスが取れた選択です。12B〜14B を日常主力にしつつ、ブラウザ・IDE・メモに余白を残せます。

• 快適な日常主力：12B〜14B（Gemma 3 12B、Qwen3 14B Q4_K_M 約 9.3GB、DeepSeek-R1 Distill 14B など）
• 境界試行：一部 20B〜30B 低ビット／高効率量子化—コンテキストとバックグラウンドを制御
• 用途：安定した個人助手、コーディング支援、RAG 試作、モデル比較

24GB の隠れコストは長コンテキストとマルチタスクです。32K の RAG では KV キャッシュだけで数 GB 増えることもあります。上限に近いモデルほど、速度・コンテキスト余白・並行作業は悪化しやすいです。

8. 64GB：30B〜32B 主力、70B は境界

64GB は大規模モデルを日常主力にできる帯に入ります。30B〜32B 量子化を主モデルにし、開発や RAG にも余白を確保できます。

• 快適な日常主力：27B〜32B（Gemma 3 27B 約 17GB、Qwen3 30B/32B、DeepSeek-R1 Distill 32B など）
• 境界試行：一部 70B 低ビット／4-bit—Llama 3.3 70B デフォルト約 43GB は読み込み可能でも、長コンテキスト・高並行は理想とは限らない
• 70B の注意：重み約 43GB＋システム＋KV＋フレームワークで 64GB はタイト。コンテキスト ≤8K〜16K、大モデルは同時 1 本が無難

RAM 以外にも SSD 空き、メモリ帯域、放熱、持続負荷が効きます。大規模推論は帯域敏感で、ファンレス MacBook Air は長時間負荷でスロットルしやすいです。具体的な tokens/s はチップ世代・GPU コア・フレームワークでも変わるため、ここでは数値を約束しません。

9. Ollama・LM Studio・MLX の選び方

フレームワークはRAM の天井を外せませんが、使いやすさ・読み込み速度・Apple Silicon 効率は変わります。

ざっくり：API・自動化 → Ollama、GUI で試作・調整 → LM Studio、Apple Silicon 効率重視 → MLX 形式。いずれも、上の早見表でメモリ段階とモデル規模を先に合わせてください。

10. 新規購入時のメモリ選定

Apple のメモリは購入後に増設できません。足りないコストは、一度のメモリ増しより大きくなりがちです。

購入まとめ：今 8GB なら 1B〜4B から。新規購入は最低 16GB。長期個人利用は 24GB 優先。30B〜32B を主力にする、70B を試すなら 64GB 以上。重み用に SSD 空きも確保—70B 量子化はディスクだけで 40GB 超もあります。

11. 実行前チェックリスト（七ステップ）

新しいモデルを読み込む前に、次を確認すると「DL はできたが実用は厳しい」を減らせます。

1. 量子化タグを確認。Ollama／LM Studio で qwen3:14b-q4_K_M のように正確なラベルを見る。パラメータ数だけ見ない。
2. ファイル容量を確認。参考表と照合。段階 RAM の 50〜60% を超える重みは既にタイト。
3. コンテキスト上限を設定。まず 4K〜8K。安定してから延長。RAG は KV 分を多めに見積もる。
4. 空きメモリを確認。アクティビティモニタ → メモリ：圧力が緑、空き 20% 以上で読み込み。
5. 不要なバックグラウンドを終了。Chrome、Slack、シミュレータなど。
6. SSD 空きを確認。モデル＋スワップ用に最低約 20GB 空きを推奨。
7. ライセンスを確認。Hugging Face や第三者ミラーの GGUF は特に。

12. Mac mini でローカル LLM を回す

本ガイドの内容は Apple Silicon Mac 全般で使えますが、常時稼働のローカル AI ノードとしてはMac mini がコスパに優れることが多いです。同価格帯の Windows や NUC と比べ、M4 Mac mini のユニファイドメモリは帯域が高く、CPU・GPU・Neural Engine が同一の高速プールを共有するため、同額の従来型 CPU＋ディスクリート VRAM 構成よりローカル推論に有利なことが多いです。

長時間 AI ワークロードにも向きます。アイドル約 4W の低消費電力で 24 時間 Ollama バックエンドを回せ、macOS の安定性は無人 RAG・API ノードに適し、Gatekeeper と SIP はモデル実行環境の制御にも役立ちます。24GB や 64GB で常設ローカル AI を組むなら、筐体サイズ・静音・総所有コストの面でも多くのデスクトップタワーより有利です。

四段階早見表で RAM を決め、それに見合うハードを探しているなら、Mac mini M4 は特に 24GB・64GB 構成で 14B や 32B が「読み込み可」から本当の日常主力になる、費用対効果の高い入口の一つです。今すぐ手に入れて、ローカル LLM ワークフローの潜在能力を引き出してください。