はじめに

※この記事はMac OS向けに作成しています。

前回「Ollamaで月額0円のローカルLLM環境を構築してみた」を公開しましたが、実際に使ってみると「他のツールでも試してみたいな」という気持ちが出てきました。

そこで今回は、別のローカルLLM実行環境であるLM Studioを試してみることにしました。Ollamaとは異なるアプローチで、UIが充実しているのが特徴です。同じゴール（ローカルマシンでLLMを動かす）に向かっても、ツールによってアプローチが違うんだなーと感じたので、その経験を共有します。

この記事は「Ollama記事の次のステップ」として読んでいただけるよう構成しています。

LM Studioって何？

LM Studioは、GUIベースのローカルLLM実行環境です。

Ollamaはターミナルコマンドをメインに操作していましたが、LM Studioはブラウザで動作するWebUIが用意されているため、クリック中心で操作できます。機械学習の専門知識がなくても、モデルをダウンロードして、チャット形式で質問を投げかけられます。

LM Studioの特徴

Webベースの使いやすいUI：ダッシュボード、チャット、モデル管理が統一インターフェースで操作できる
複数モデルの同時管理：異なるモデルを簡単に切り替えられる
OpenAI互換API：ローカルに立てたLLMをOpenAI APIのように扱える
プリセット機能：システムプロンプトやトークン数などを事前設定できる

Ollamaよりも「視覚的に理解しやすい」という点が、初心者にとっての大きなメリットです。

インストール方法

必要な環境

インストール前に、以下の環境を確認してください：

macOS（Apple Silicon）またはWindows、Linux
メモリ：最低8GB、できれば16GB以上
ストレージ：モデルファイル用に50GB以上の空き容量
GPU：オプション（あると速度が向上）

今回はmacOS環境を想定して進めます。

ステップ1：公式サイトからダウンロード

LM Studioの公式サイトにアクセス
「Download」ボタンをクリック
ご自身のOSに合わせたバージョンを選択

macOS版の場合、Apple Silicon版しかないのでご注意ください。

ステップ2：インストール

ダウンロードされた.dmgファイルをダブルクリック
LM StudioのアイコンをApplicationsフォルダにドラッグ&ドロップ
インストール完了後、Applicationsフォルダから「LM Studio」を起動

ステップ3：初回起動時の設定

LM Studioを起動すると、セットアップウィザードが表示されます。

言語選択（Englishを選択）※日本語にしたい方はBeta版があります。
リソース設定（GPUの利用有無などを確認）
利用規約への同意

すべて進めると、チャット画面が表示されます。

ここまでで、インストールは完了です。

モデルのダウンロード方法

次に、実際のLLMモデルをダウンロードします。

ステップ1：モデル検索画面を開く

ダッシュボードの左側メニューから「Model Search」をクリック。モデル一覧が表示されます。

ステップ2：モデルを選ぶ

LM Studioでは、以下の人気モデルが簡単にダウンロードできます：

Mistral 7B：軽量で高速。初心者向け
Llama 2 7B：安定性が高い
Gemma 7B：日本語対応が比較的良い
Neural Chat 7B：会話に特化している

今回は、Mistral 7Bをダウンロードしてみます。理由は、メモリ効率が良いからです。

ステップ3：ダウンロード開始

Mistral 7Bを検索バーで探す（または「Search models」で「mistral 7B」と入力）
検索結果から「Mistral 7B Instruct」を選択
「Download」ボタンをクリック

ステップ4：ダウンロード進捗を確認

ダウンロードが開始されます。モデルサイズは約4GB程度です。

環境によって異なりますが、10分〜30分程度でダウンロード完了です。

ステップ5：ダウンロード完了

ダウンロードが終わると、「My Models」タブを開いてLLMsを選択するとダウンロード済みモデルが表示されます。

これで、モデルの準備ができました。

ローカルLLMを実際に動かす

いよいよ、ダウンロードしたモデルを動かしてみます。

ステップ1：サーバーを起動

左側メニューから「Developer」をクリックし、Local Serverを選択してください。

ステップ2：モデルを選択してロード

「+ Load Model」ボタンを押し、先ほどダウンロードした「Mistral 7B Instruct」を選択します。

※Modelの設定が出てきますが今回はそのままで大丈夫です。
「Load Model」ボタンをクリック。

ステップ3：サーバー起動を待つ

モデルをメモリに読み込む処理が始まります。

ステップ4：チャット画面を開く

左側メニューの「Chat」を選択し、「New chat」をクリック。

チャット画面が開きます。

ステップ5：チャット画面でモデルを選択する

「Select a model to load」をクリックしMistral 7B Instructを選択します。
Load Modelをクリックします。

ステップ6：実際に質問してみる

テキストボックスに質問を入力して、Enterキーを押します。

試しに「日本の首都は？」と聞いてみます。

ユーザー：日本の首都は？

少し待つと、AIの回答が表示されます。

AI：Tokyo (東京) が日本の首都です。

回答が表示されました！ローカルマシン上で、完全にプライベートな環境でLLMが動いています。

ステップ7：続けて会話をしてみる

LM Studioの優れた点として、会話履歴が自動的に保持されることが挙げられます。

続けて別の質問をすると、前の文脈を踏まえた回答が返ってきます。

ユーザー：日本語で答えてもらえますか？

AI：もちろんです。日本の首都は東京です。東京は日本最大の都市であり、政治、経済、文化の中心地となっています。

「日本語で答えてもらえますか？」と聞くと、ちゃんと日本語で回答するようになります。※最初から日本語で回答する場合もあります。

Ollamaとの違い（軽く触れる）

前回試したOllamaとの主な違いを、簡単に整理しておきます。

UI/UX の違い

項目	Ollama	LM Studio
操作方法	ターミナルコマンド	ブラウザGUI
学習曲線	やや急	緩やか
ビジュアル情報	少ない	豊富
リソース監視	外部ツール連携	組み込み

リソース効率の違い

Ollamaは軽量を重視した設計なのに対して、LM Studioは機能性を重視しています。その分、メモリ使用量はLM Studioの方が多い傾向にあります。

実際に、同じMistral 7Bモデルを動かした場合：

Ollama：6GB程度のメモリ使用
LM Studio：7-8GB程度のメモリ使用

わずかな差ですが、メモリ容量が限られた環境ではこの差が重要になることもあります。

使い分けのコツ

Ollama向き：自動化、API連携、複数の軽量タスクを並行実行
LM Studio向き：対話的な実験、GUIでの操作、ダッシュボードでの管理

どちらが「良い」というわけではなく、用途に応じた選択が大切です。

使ってみた感想

良かった点

1. UIが直感的で親切

ターミナルが苦手な人でも、ブラウザのUIなら操作しやすいです。ダッシュボードにはサーバーの状態、リソース使用率、ダウンロード済みモデルが一覧で表示されるため、全体像を把握しやすい。

2. モデルの切り替えが簡単

複数モデルをダウンロードしておくと、ドロップダウンから瞬時に切り替えられます。Ollamaではコマンドラインで操作していたので、この手軽さは大きな改善に感じました。

3. 設定機能が充実している

プリセット機能で、システムプロンプト、トークン数、温度（creativity）などを事前設定できます。毎回同じ設定を手入力する必要がないのは便利です。

4. OpenAI互換APIで他のアプリと連携できる

ローカルに立てたLLMを、OpenAI APIのように外部アプリから呼び出せるのは便利です。既存のツールとの連携がしやすくなります。

気になった点

1. 起動時間が少し長い

Ollamaと比べると、UIの描画や初期化に若干時間がかかります。サクッと質問したいときは、多少のストレスを感じるかもしれません。

2. メモリ使用量がやや多め

Webアプリケーション本体が常駐するため、Ollamaより若干多くのメモリを消費します。8GBメモリのマシンでは、他のアプリとの兼ね合いに注意が必要。

3. ターミナルでの自動化が限定的

Ollamaはターミナルコマンドで簡単に自動化できますが、LM Studioはブラウザ操作が中心なため、スクリプト化しにくい面があります。

4. ドキュメントは日本語にも対応しているが、まだ完全ではない

日本語対応はBeta版で、一部は日本語になっていますが、英語の部分も混在しています。詳しく調べたいときは、英語の部分を読む必要がある場合があります。

実際に使う上でのコツ

コツ1：モデル選びは慎重に

最初は軽量モデル（7Bパラメータ）から始めることをお勧めします。13B以上のモデルは品質が高い反面、メモリ要件が跳ね上がります。

コツ2：System Promptを活用しよう

チャット画面上部の「System Prompt」欄で、AIの役割や振る舞いを指示できます。例えば：

You are a helpful assistant that explains programming concepts in simple Japanese.

このようなプロンプトを設定すると、以降の回答が一貫した性格になります。

コツ3：Temperature（温度）の調整

右側のパネルに「Temperature」スライダーがあります。

低い値（0.1-0.3）：一貫性のある、予測可能な回答
高い値（0.7-1.0）：創造的でバリエーション豊かな回答

文章生成なら高め、ファクトチェックなら低めがおすすめです。

コツ4：Context Lengthを確認

モデルによって、一度に処理できるテキスト長が異なります。長い文章を要約させたい場合は、モデル選びの際にContext Lengthをチェックしましょう。

まとめ

LM Studioを試してみて、ローカルLLM環境を構築するアプローチにもいろいろあるんだなーと改めて感じました。

Ollama記事では「シンプルさ」を重視した環境構築の流れを紹介しましたが、LM Studioは「使いやすさ」を優先した設計になっています。

次のステップ

この経験を踏まえて、今後考えていることは：

OllamaとLM Studioの両方を並行して使い、それぞれの使い分けについて深掘りする記事
ローカルLLMを実務的に活用する例（ドキュメント要約、コード補完など）

皆さんも、「こんな使い方してみた」という体験があれば、ぜひコメント欄で教えていただきたいです。同じローカルLLM環境でも、工夫次第で可能性は無限大だと思います。

ローカルLLMの世界は、まだまだ発展途中。Ollamaからのステップアップとして、LM Studioも選択肢の一つに加えてみてはいかがでしょう。

参考リンク