Apple Silicon Mac で vllm-mlx と Open WebUI を構築する

概要

Apple Silicon Mac 上でローカル LLM 環境を構築し、ブラウザ UI から利用するまでの手順を整理した。vllm-mlx を推論サーバとして起動し、Open WebUI でChatUIを提供する。また、MacStudio (Apple M3 Ultra 256GB) 環境で複数モデルの動作確認とベンチマーク結果を示す。256GBの環境では 397B クラスのモデルも動作した。

はじめに

これまで Apple Silicon Mac 上でのローカル LLM 実行には llama.cpp を利用してきたが、最近は vllm-mlx の実装が進み、MLX ベースでより効率的に動作するようになっている。

実際にどの程度実用になるのか確認するため、vllm-mlx を使ったローカル LLM 環境を構築し、複数モデルでベンチマークを取得した。また、推論速度や使用感をすぐ確認できるように、チャット UI として Open WebUI も合わせて構築した。

検証環境は以下の通り

項目	内容
SoC	Apple M3 Ultra
Unified Memory	256 GB
Memory Bandwidth	800 GB/s
GPU Cores	80

セットアップ

Homebrew のインストール

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
echo >> /Users/raiko/.zprofile
echo 'eval "$(/opt/homebrew/bin/brew shellenv zsh)"' >> /Users/raiko/.zprofile
eval "$(/opt/homebrew/bin/brew shellenv zsh)"

uv のインストール

curl -LsSf https://astral.sh/uv/install.sh | sh

vllm-mlx のインストール

uv tool install vllm-mlx

Zed Editor のインストール

brew install --cask zed

vllm-mlx の起動

まずは軽量なモデルで起動確認を行う。

vllm-mlx serve mlx-community/Llama-3.2-3B-Instruct-4bit --port 8000 --continuous-batching

利用したオプション。

オプション名	説明
--host 0.0.0.0	外部PCから利用する場合
--served-model-name "default"	サンプルコードを model="default" のまま利用する場合

起動後、OpenAI API 互換エンドポイントを確認する。

curl -s http://127.0.0.1:8000/v1/models | jq .

出力例。

{
  "object": "list",
  "data": [
    {
      "id": "mlx-community/Llama-3.2-3B-Instruct-4bit",
      "object": "model",
      "created": 1778727377,
      "owned_by": "vllm-mlx"
    }
  ]
}

Docker と Colima のセットアップ

Open WebUI は Docker コンテナとして起動する。

brew install docker
brew install colima
colima start

Open WebUI の起動

docker run -d \
--name open-webui \
-p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
--restart always \
ghcr.io/open-webui/open-webui:main

コンテナの状態を確認する。

docker ps

CONTAINER ID   IMAGE                                COMMAND           CREATED         STATUS                   PORTS                                         NAMES
380509e25170   ghcr.io/open-webui/open-webui:main   "bash start.sh"   5 minutes ago   Up 5 minutes (healthy)   0.0.0.0:3000->8080/tcp, [::]:3000->8080/tcp   open-webui

ブラウザで以下へアクセスする。

http://localhost:3000

初回アクセス時は管理者アカウント作成画面が表示される。

OpenAI API の接続設定で以下を指定する。

http://host.docker.internal:8000/v1

Docker コンテナ内からホスト側の vllm-mlx に接続するため、localhost ではなく host.docker.internal を利用する。

テキスト生成の確認

以下のプロンプトで動作確認を行った。

Rust言語でHello, Worldプログラムを作成せよ

画像入力の確認

画像入力も確認した。

プロンプト。

添付画像を解析して

添付画像。

添付画像

実行結果。

ベンチマーク

ベンチマークは以下を利用した。

ベンチマーク対象モデル

モデル	量子化精度	サイズ
mlx-community/Llama-3.2-1B-Instruct-4bit	4bit	680 MB
mlx-community/Qwen3.6-35B-A3B-nvfp4	NVFP4	19 GB
mlx-community/Qwen3.5-122B-A10B-mxfp4	MXFP4	61 GB
mlx-community/Qwen3.5-397B-A17B-4bit	4bit	209 GB

結果

Model	Quantization	Size	Gen Speed	TTFT	MLX Peak Mem	Notes
mlx-community/Llama-3.2-1B-Instruct-4bit	4bit	680 MB	516.7 tok/s	63.6 ms	0.69 GB	Extremely fast, tiny model
mlx-community/Qwen3.6-35B-A3B-nvfp4	NVFP4	19 GB	101.9 tok/s	136.6 ms	18.28 GB	Best balance of speed vs intelligence
mlx-community/Qwen3.5-122B-A10B-mxfp4	MXFP4	61 GB	61.0 tok/s	176.3 ms	60.65 GB	Large MoE model, very strong reasoning
mlx-community/Qwen3.5-397B-A17B-4bit	4bit	209 GB	40.7 tok/s	221.2 ms	207.89 GB	Massive model, near memory limit

詳細指標

Model	Output tok/s	TPOT	Latency	Requests/s	System Memory Usage
Llama-3.2-1B-Instruct-4bit	516.7 tok/s	1.94 ms	0.50 s	2.00 req/s	20.2 / 256 GB (8%)
Qwen3.6-35B-A3B-nvfp4	101.9 tok/s	9.82 ms	2.16 s	0.46 req/s	42.0 / 256 GB (16%)
Qwen3.5-122B-A10B-mxfp4	61.0 tok/s	16.39 ms	3.51 s	0.28 req/s	81.5 / 256 GB (32%)
Qwen3.5-397B-A17B-4bit	40.7 tok/s	24.59 ms	4.25 s	0.24 req/s	230.7 / 256 GB (90%)

Qwen3.5-397B-A17B-4bit は動作したが、モデルロード時間が長い。

Fetching 56 files: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 56/56 [1:31:45<00:00, 98.31s/it]

メモリ使用量も高く、ほぼ上限に近い。

System Memory          230.7 / 256 GB (90%)

まとめ

一般的なチャット用途で「実用的」と感じやすいラインは、おおよそ以下になることが多いようだ。

指標	体感
20 tok/s 未満	明確に遅い
30〜50 tok/s	十分実用
60〜100 tok/s	快適
100 tok/s 超	かなり速い
TTFT 100〜300ms	ほぼ待ち感なし
TTFT 500ms 超	若干待つ感覚
メモリ使用率 80% 超	常用では不安定要素になりやすい

この前提で見ると、実用性は下記のように整理できる。

Model	実用性	理由
Llama-3.2-1B-Instruct-4bit	△	速度は極端に速いが、1B は知能面が厳しい。用途は軽量補助向け
Qwen3.6-35B-A3B-nvfp4	◎	速度・TTFT・メモリ使用量のバランスが良い。常用ライン
Qwen3.5-122B-A10B-mxfp4	○	十分実用。推論品質重視なら有力。ただし応答待ちは少し増える
Qwen3.5-397B-A17B-4bit	△	動作はするが、メモリ使用率 90% が重い。常用には余裕が少ない

ベンチマーク実行コマンド

Llama-3.2-1B-Instruct-4bit

vllm-mlx-bench --model mlx-community/Llama-3.2-1B-Instruct-4bit --prompts 5 --max-tokens 256

Qwen3.6-35B-A3B-nvfp4

vllm-mlx-bench --model mlx-community/Qwen3.6-35B-A3B-nvfp4 --prompts 5 --max-tokens 256 2>&1 | tee benchmark_Qwen3.6-35B-A3B-nvfp4.log

Qwen3.5-122B-A10B-mxfp4

vllm-mlx-bench --model mlx-community/Qwen3.5-122B-A10B-mxfp4 --prompts 5 --max-tokens 256

Qwen3.5-397B-A17B-4bit

vllm-mlx-bench --model mlx-community/Qwen3.5-397B-A17B-4bit  --prompts 5 --max-tokens 256

vllm-mlx で利用可能なモデル

MLX Community のモデル一覧。

リファレンス

• vllm-mlx official site: https://github.com/waybarrios/vllm-mlx
• Open WebUI: https://github.com/open-webui/open-webui