この記事の対象読者

ローカルでLLMを動かしたいが、どのツールを選べばいいかわからない方
llama.cpp、Ollama、LM Studioの違いを知りたい方
自分の用途に最適なツールを見つけたいエンジニア・非エンジニア
プライバシーを重視してAIを使いたい方

この記事で得られること

3大ローカルLLMツールの特徴と違いの完全理解
用途別の最適ツール選択の指針
それぞれの長所・短所の把握
各ツールの詳細記事への導線

この記事で扱わないこと

各ツールの詳細な使い方（個別記事を参照）
クラウドLLMサービスとの比較
モデルのファインチューニング

1. ローカルLLMとの出会い

「ChatGPTは便利だけど、会社のデータを入力するのはちょっと...」

この悩みを持つ人は多い。クラウドAIは便利だが、プライバシー、コスト、オフライン利用など、様々な理由でローカル実行を選ぶ人が増えている。

2025年現在、ローカルLLMを動かすための3大ツールが存在する。

ツール	一言でいうと
llama.cpp	ローカルLLMの「エンジン」
Ollama	ローカルLLMの「Homebrew」
LM Studio	ローカルLLMの「iTunes」

実は、この3つは競合ではなくレイヤーが異なる。

┌─────────────────────────────────────┐
│  LM Studio（GUIアプリケーション）    │ ← ユーザー向け
├─────────────────────────────────────┤
│  Ollama（モデル管理 + API）          │ ← 開発者向け
├─────────────────────────────────────┤
│  llama.cpp（推論エンジン）           │ ← 低レイヤー
└─────────────────────────────────────┘

OllamaもLM Studioも、内部ではllama.cppを使っている。つまり、llama.cppは「心臓部」であり、OllamaとLM Studioは「ラッパー」なのだ。

ここまでで、3つのツールの関係性がイメージできたでしょうか。次は、それぞれの特徴を詳しく見ていきましょう。

2. 前提知識の確認

本題に入る前に、この記事で登場する用語を確認します。

2.1 GGUF（GPT-Generated Unified Format）とは

llama.cppが使用するモデルファイル形式。量子化されたモデルの重み、トークナイザー、設定情報をひとつのファイルにまとめた規格。3つのツールすべてで使用される。

2.2 量子化（Quantization）とは

モデルの精度を落として、ファイルサイズとメモリ使用量を削減する技術。例えば、Q4_K_Mは4bit量子化で、元の1/4以下のサイズになる。

2.3 OpenAI互換APIとは

OpenAIのAPIと同じエンドポイント・フォーマットで動作するAPI。OllamaとLM Studioはこれを提供しており、既存のOpenAI向けアプリをローカルLLMに切り替えられる。

これらの用語が押さえられたら、各ツールの詳細を見ていきましょう。

3. 3大ツール徹底比較

3.1 llama.cpp

「全ての始まり、ローカルLLMの心臓部」

項目	内容
開発者	Georgi Gerganov
ライセンス	MIT
言語	C/C++
インターフェース	CLI、API、ライブラリ
対応OS	Windows、macOS、Linux、Android、iOS

特徴:

依存関係ゼロの純粋なC/C++実装
最も多くのハードウェアバックエンドをサポート
常に最新の最適化が入る
他のツールの基盤

こんな人向け:

最大のパフォーマンスを追求したい
カスタムアプリケーションに組み込みたい
最新のモデルや機能をいち早く試したい

→ 詳細: llama.cppってなんだ？

3.2 Ollama

「開発者のための最短経路」

項目	内容
開発元	Ollama, Inc.
ライセンス	MIT
基盤	llama.cpp
インターフェース	CLI、REST API、デスクトップアプリ
対応OS	Windows、macOS、Linux

特徴:

ollama run llama3.2だけで即座に実行
モデル管理が楽（Dockerイメージのように扱える）
OpenAI互換APIが標準搭載
Modelfileでカスタマイズ可能

こんな人向け:

コマンドラインが好き
素早くプロトタイプを作りたい
既存アプリにローカルLLMを組み込みたい

→ 詳細: Ollamaってなんだ？

3.3 LM Studio

「誰でも使える美しいGUI」

項目	内容
開発元	Element Labs
ライセンス	プロプライエタリ（CLI/SDKはMIT）
基盤	llama.cpp、MLX
インターフェース	GUI、CLI、REST API
対応OS	Windows、macOS、Linux

特徴:

美麗なGUIでモデル管理・チャット
ドラッグ＆ドロップでRAG（ドキュメント対話）
モデルの比較・切り替えが簡単
非エンジニアでも使える

こんな人向け:

コマンドラインが苦手
複数モデルを比較したい
まずはローカルLLMを体験してみたい

→ 詳細: LM Studioってなんだ？

基本的な違いがわかったところで、機能を詳しく比較しましょう。

4. 機能別比較表

4.1 基本機能

機能	llama.cpp	Ollama	LM Studio
GUI	×	△（デスクトップアプリ）	◎
CLI	◎	◎	○
モデル管理	△（手動）	◎	◎
インストール難易度	難	易	易
OpenAI互換API	○	◎	◎

4.2 ハードウェアサポート

ハードウェア	llama.cpp	Ollama	LM Studio
CPU（AVX2）	◎	◎	◎
NVIDIA CUDA	◎	◎	◎
Apple Metal	◎	◎	◎
AMD ROCm	◎	○	△
Intel SYCL	◎	×	×
Vulkan	◎	×	△
Android/iOS	◎	×	×

4.3 開発者向け機能

機能	llama.cpp	Ollama	LM Studio
Python SDK	○（サードパーティ）	◎	◎
JavaScript SDK	○（サードパーティ）	◎	◎
Docker対応	○	◎	×
ストリーミング	◎	◎	◎
関数呼び出し	○	△	△
RAG（ドキュメント対話）	×（自作必要）	×（自作必要）	◎
MCP対応	×	△	○

4.4 運用面

項目	llama.cpp	Ollama	LM Studio
本番運用	◎	◎	△
メモリ効率	◎	○	○
起動速度	◎	○	△
アップデート頻度	非常に高い	高い	高い
コミュニティ	巨大	大	中

各機能を比較できたところで、具体的なユースケース別の推奨を見ていきましょう。

5. ユースケース別おすすめ

5.1 「とりあえずローカルLLMを体験したい」

→ LM Studio

理由:

インストールが最も簡単
GUIで直感的に操作可能
モデルの検索・ダウンロードが楽

5.2 「アプリ開発にローカルLLMを組み込みたい」

→ Ollama

理由:

OpenAI互換APIですぐに統合可能
公式Python/JavaScript SDKが充実
Docker対応で本番運用も楽

5.3 「最高のパフォーマンスを追求したい」

→ llama.cpp（直接使用）

理由:

最新の最適化が真っ先に入る
細かいパラメータ調整が可能
メモリ効率が最も高い

5.4 「社内ドキュメントと対話したい」

→ LM Studio

理由:

RAG機能が標準搭載
ドラッグ＆ドロップでドキュメント追加
追加のセットアップ不要

5.5 「Dockerで運用したい」

→ Ollama

理由:

公式Dockerイメージが充実
Docker Composeでの運用が楽
環境変数で柔軟に設定可能

5.6 「複数モデルを比較評価したい」

→ LM Studio

理由:

モデル切り替えがワンクリック
パラメータをスライダーで調整
同じプロンプトで比較しやすい

5.7 「AndroidやiOSで動かしたい」

→ llama.cpp

理由:

モバイルネイティブサポート
2025年12月にフルアクセラレーション対応
他のツールはモバイル非対応

ユースケースを把握できたところで、環境別の設定例を見ていきましょう。

6. 環境別クイックスタート

6.1 開発環境（ローカルPC）

# 最も簡単な方法: Ollama
curl -fsSL https://ollama.com/install.sh | sh
ollama run llama3.2

# GUIが欲しい場合: LM Studio
# https://lmstudio.ai/ からダウンロード

6.2 本番環境（サーバー）

# docker-compose.yml（Ollama推奨）
version: '3.8'
services:
  ollama:
    image: ollama/ollama:latest
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

volumes:
  ollama_data:

6.3 CI/CD環境

# GitHub Actions（llama.cpp直接使用を推奨）
- name: Setup llama.cpp
  run: |
    git clone https://github.com/ggml-org/llama.cpp.git
    cd llama.cpp
    cmake -B build
    cmake --build build --config Release
    
- name: Run inference test
  run: |
    ./llama.cpp/build/bin/llama-cli \
      -m model.gguf \
      -p "Test prompt" \
      -n 100

7. よくある質問（FAQ）

Q1: どれを選べばいいかわからない

A: 迷ったらOllamaから始めよう

Ollamaは「CLI派」と「GUI派」の中間に位置し、バランスが良い。後からllama.cpp直接使用やLM Studioに移行することも容易だ。

Q2: パフォーマンスの差はどれくらい？

A: 実用上はほぼ同じ

すべてllama.cppベースなので、推論速度の差は5%以下。起動時間やメモリ使用量に若干の差がある程度。

Q3: 複数のツールを併用できる？

A: できるが、モデルの重複に注意

それぞれが独自のモデルディレクトリを持つため、同じモデルをダウンロードするとストレージを圧迫する。

Q4: 企業で使う場合のおすすめは？

A: 用途による

開発チーム向け: Ollama（API統合が楽）
非エンジニア向け: LM Studio（GUIで使える）
高負荷運用: llama.cpp直接またはvLLM

Q5: 無料で使える？

A: すべて無料

llama.cpp: MIT License、完全無料
Ollama: MIT License、完全無料（Turboは有料）
LM Studio: 無料（アプリ自体はプロプライエタリ）

8. 学習ロードマップ

この記事を読んだ後、次のステップとして以下をおすすめする。

初級者向け（まずはここから）

LM Studioをダウンロードして体験
Llama 3.2やGemmaなど軽量モデルで対話
各ツールの詳細記事を読む

中級者向け（実践に進む）

Ollamaで既存アプリとの統合を試す
Docker Composeで本番環境を構築
RAGアプリケーションを作成

上級者向け（さらに深く）

llama.cppのソースを読んで最適化を理解
独自のモデルをGGUFに変換
MCPサーバーを開発してツール連携

9. まとめ

この記事では、3大ローカルLLMツールについて以下を解説した。

ツール	ポジション	向いている人
llama.cpp	心臓部（エンジン）	パフォーマンス追求、カスタム開発
Ollama	Homebrew的ラッパー	開発者、API統合、Docker運用
LM Studio	GUIアプリ	初心者、非エンジニア、モデル比較

私の所感

正直、「どれがベスト」という答えはない。それぞれが異なるレイヤーで異なるニーズを満たしている。

私個人は、以下のように使い分けている:

普段使い: Ollama（CLIでサクッと）
モデル比較: LM Studio（GUIで切り替え楽）
本番運用: Ollama on Docker
パフォーマンスチューニング: llama.cpp直接

大事なのは、「自分の用途に合ったツールを選ぶ」こと。

まずはどれかひとつを試してみて、ローカルLLMの世界に飛び込んでほしい。「AIが手元で動く」感動は、クラウドAPIでは味わえない。

この記事の対象読者

この記事で得られること

この記事で扱わないこと

1. ローカルLLMとの出会い

2. 前提知識の確認

2.1 GGUF（GPT-Generated Unified Format）とは

2.2 量子化（Quantization）とは

2.3 OpenAI互換APIとは

3. 3大ツール徹底比較

3.1 llama.cpp

3.2 Ollama

3.3 LM Studio

4. 機能別比較表

4.1 基本機能

4.2 ハードウェアサポート

4.3 開発者向け機能

4.4 運用面

5. ユースケース別おすすめ

5.1 「とりあえずローカルLLMを体験したい」

5.2 「アプリ開発にローカルLLMを組み込みたい」

5.3 「最高のパフォーマンスを追求したい」

5.4 「社内ドキュメントと対話したい」

5.5 「Dockerで運用したい」

5.6 「複数モデルを比較評価したい」

5.7 「AndroidやiOSで動かしたい」

6. 環境別クイックスタート

6.1 開発環境（ローカルPC）

6.2 本番環境（サーバー）

6.3 CI/CD環境

7. よくある質問（FAQ）

Q1: どれを選べばいいかわからない

Q2: パフォーマンスの差はどれくらい？

Q3: 複数のツールを併用できる？

Q4: 企業で使う場合のおすすめは？

Q5: 無料で使える？

8. 学習ロードマップ

初級者向け（まずはここから）

中級者向け（実践に進む）

上級者向け（さらに深く）

9. まとめ

私の所感

参考文献

関連記事（詳細解説）