ローカル環境で LLM を動かす、という選択肢が現実的になってきました。
これまでは ChatGPT のようなクラウド AI を使うのが前提でしたが、最近では、自分の PC 上でモデルを動かす構成も普通に選択肢に入ってきています。
その中でも、
- Ollama（ローカルLLM 実行環境）
- OpenClaw / Claude Code（ AI エージェント）
などを組み合わせることで、「ローカルで AI に作業をさせる」環境が作れるようになりました。
この記事では、
Mac mini M4 32GB / 1TB という環境で
- 実際にどこまで動くのか
- どこが限界なのか
を、実際の検証ベースで整理していきます。
Mac mini M4 でローカル LLM は実際に動くのか
結論から言うと、「普通に動く」です。
今回の環境は以下の通りです。
- Mac mini M4
- メモリ：32GB（ユニファイドメモリ）
- ストレージ：1TB
この構成で、以下のモデルを実際に動かしています。
- gpt-oss:20b
- qwen3.5:9b
- glm-ocr
- qwen3.5:35b-a3b-coding-nvfp4
特に印象が変わったのは、「35B クラスが普通に動いたこと」です。
少し前までは、35B = ハイスペック環境前提という感覚でしたが、今はギリギリではあるが実用ラインまで降りてきています。
もちろん余裕があるわけではありませんが、
- 起動できる
- 応答が返る
- エージェントとも連携できる
この時点で、実用としては十分成立しています。
なぜ 32GB メモリを選んだのか（予算とのバランス）
今回の構成を決める上で、一番大きかったのは「予算」です。
想定していたラインは、おおよそ 20万円前後。
この条件の中で考えたときに、
- M4 Pro（24GB）
- 無印 M4（32GB）
という選択肢になります。
ここで重視したのは「メモリ容量」です。
結果として、CPU / GPU性能よりもメモリの余裕を優先という判断になりました。
理由はシンプルで、ローカルLLM はメモリ依存が大きいからです。
実際に使ってみると、
- モデルをロードできるかどうか
- 長い文脈を保持できるか
- エージェントが安定するか
このあたりは、ほぼメモリで決まります。
ストレージも同時にカスタマイズした（512GB → 1TB）
もう一つ、同じくらい重要だったのがストレージです。
最初は 512GB で考えていましたが、検討の途中で 1TB に変更しました。
理由はシンプルで、モデルを複数試す前提だと、512GBでは足りなくなる可能性が高いと判断したためです。
実際、LLM は1つあたり数GB〜数十GBあるため、
- 複数モデルを並行して検証する
- 用途ごとにモデルを使い分ける
といった使い方をしていくと、ストレージは想像以上に消費されます。
外付け SSD ではなく内蔵を選んだ理由
当初は、「512GB + 外付けSSD」という構成も検討していました。
ただ、ここで一度整理すると、
- 高速な外付けSSD（40Gbps）＋ケース → 約3万円
- 内蔵 512GB → 1TB アップグレード → 約3万円
と、コストがほぼ同じでした。
この条件であれば、
- 配線不要
- 速度も安定
- 管理もシンプル
という理由から、内蔵ストレージを増やす方が合理的と判断しました。
購入を検討していた 外付け SSD ケースは UGREEN の製品でした。
見た目がオシャレで、Mac mini にも合いそうでした。
ただ、外付けは発熱面が気になりますけどね。
UGREENのは外付けケース。
「ケースだけかよ！」と突っ込みたくなりましたが、よく考えたらSSDとケースを別々に選べるので、これはこれでいいのかもしれません。
SSD は色々みて、以下は一例です。
SSD と外付けケースを組み合わせる場合は、SSD 側が外付けケースでの利用を保証しているかどうかなども確認しておいたほうがよさそうです。
僕自身は最終的に内蔵 SSD を 1TB にしましたが、Mac mini のストレージ容量を抑えて、外付け SSD を追加するという構成も選択肢になると思います。
今回の構成の整理
最終的な判断は以下の通りです。
- 予算制約あり → M4 + 32GB + 1TB が現実解
- 予算に余裕あり → M4 Pro + メモリ増設で OK
- さらに余裕あり → Mac Studio も視野
ここは「どっちが上か」ではなく、どこにリソースを振るかという話になります。
今回のケースでは、
- メモリ → モデルを動かすための余裕
- ストレージ → 複数モデルをダウンロードするための余裕
この2つを優先した形です。
35B モデルはどこまで現実的か
今回一番検証したかったのがここです。
qwen3.5:35b-a3b-coding-nvfp4 を中心に使ってみた結果としては、「普通に使えるが、余裕はない」というラインです。
体感としては、
- 軽量モデルより明らかに精度が高い
- 指示の理解が深い
- 修正時のブレが少ない
一方で、
- 他アプリと同時使用は厳しい
- メモリは常にギリギリ
という制約があります。
ただ、それを踏まえても、「メインで使えるレベル」には入っています。
以前のような「試すだけの存在」ではなく、実際の作業に組み込めるラインです。
エージェント運用（OpenClaw / Claude Code）の実際
ローカルLLM の価値が一気に上がるのが、ここです。
単なるチャットではなく、
- コード生成
- ファイル操作
- 自動処理
といった「作業」を任せる使い方になります。
実際に使ってみた印象としては、
- OpenClaw → 動くが少し不安定
- Claude Code → 比較的安定
という感触です。
特に感じたのは、モデル性能がそのまま体験に直結するという点です。
軽量モデルだと、
- 途中で崩れる
- 指示がズレる
といった問題が出やすいですが、35B クラスになるとかなり安定します。
そのため、エージェント用途ならできるだけ重いモデルを使う、というのが現実的な運用になります。
実運用で気づいた制約と最適化
32GB あれば十分、とは言い切れません。
実際には、かなりシビアです。
そのため、いくつかの最適化はほぼ必須になります。
メモリ周り
- 状況に合わせて Docker コンテナを停止
- ブラウザタブを最小限に
- 不要アプリは閉じる
OS設定
- 通知オフ
- ウィジェット削除
- バックグラウンド削減
運用の考え方
- 「LLM を使う時間」を分ける
- 同時作業を減らす
このあたりをやるだけで、体感はかなり変わります。
逆に言うと、何も考えずに使うと普通にキツいです。
コスト感と構成の考え方
今回の構成は、Mac mini M4 32GB / 1TB 約 21万円でした。
ここにディスプレイ、キーボード、マウスなどを加えると、トータルで 23〜25万円程度になります。
この金額をどう見るかですが、
- API 課金を気にしなくていい
- ローカルで完結できる
- 試行回数を増やせる
という点を考えると、「投資としては成立する」という判断です。
特に、試行錯誤の回数が多い人ほどメリットが出ます。
実際に購入した周辺機器は以下の通りです。
ディスプレイについては、購入時した時のことを記録しています。
当初は OpenClaw にパソコンを使ってもらいたかったのでディスプレイもいらないかとも思っていましたが、設定や他ツールを使う際に欲しくなりました。
そういった部分も書いていますので、よかったら参考にご覧ください。
ブログ記事はこちら↓
キーボードは Mac 対応ですが古いモデルです。
付属のドライバーは使えなかったですが、キー入力には問題ありません。
純正とキー配列が若干異なりますが（コマンドキーの位置に戸惑う可能性あり）、慣れてしまえばそれも問題ありません。
まとめ
Mac mini M4 32GB でのローカルLLM は、「普通に使えるライン」に入っています。
特に印象が大きかったのは、
- 35B モデルが現実的に動く
- エージェント運用が成立する
- ローカルで完結できる
この3点です。
もちろん、
- メモリは常にギリギリ
- 速度や性能はクラウドに劣る
- 運用の工夫は必要
といった制約はあります。
それでも、
- API 課金を気にしなくていい
- 自分の環境で完結する
- モデルを自由に試せる
というメリットはかなり大きいです。
現時点の結論としては、
- 基本は 35B を軸にする
- 軽量モデルを補助的に使う
- メモリは 32GB 以上を前提にする
この形が一番しっくりきています。
ローカルLLM はまだ発展途中ですが、「実験」から「実用」に入ってきた段階だと感じています。
