メモリモジュールのクローズアップ — M4 Mac Mini で Ollama と MLX を回すときの統合メモリ構成選択

M4 Mac Mini でローカル LLM を回すと、コミュニティで最も争点になるのは「Ollama か MLX か」より16GB で本当に足りるかです。qwen2.5:14b が動いた直後は満足しても、3 ターン目から swap が走り tok/s が 11 から 3 へ——一方 24GB なら 7B が 50 tok/s 近く出ることも。メモリ層を間違えると、フレームワーク選びより致命傷になります。

Macstripe Lab の M4 Mac Mini 3 台（16GB / 24GB / 32GB）で Ollama 0.6.2 と MLX をペア実測し、メモリ×用途×フレームワークの決定表、swap 断点、7 ステップ checklist を公開します。価格・公式起価は 2026-07-21 時点。モデル選びの詳細は7B vs 14B 実測、フレームワーク層はOllama vs MLXを参照。

1. 先に結論：メモリ層 × 用途 × 推奨組み合わせ

統合メモリ典型用途推奨モデルランタイム実測 tok/s（median）リスク
16GB 個人チャット、軽量スクリプト、本機試用 qwen2.5:7b / llama3.1:8b Ollama 7B ~29 · 8B ~28.8 14B は swap しやすい；Chrome+IDE 同時は厳しい
24GB Claude Code Agent、クロスファイル開発 qwen2.5-coder:14b Ollama 14B ~15.1 · 7B ~51.1 スイートスポット；decode は 7B より遅いのが正常
32GB 大 ctx + Xcode 同機、チーム軽量ノード 14B + num_ctx 32K Ollama serve 14B ~16–18 24GB より高コスト；個人 ROI は要計算
48GB+ 複数人共有推論、32B 探索 qwen2.5:32b（Q4） Ollama serve クラスタ 32B ~8–12 M4 Pro 運用ガイド参照
クイック回答：先にメモリ層、次にモデル、最後が Ollama / MLX。Agent シナリオは Ollama 固定；MLX はオフライン計測とモデル検証用。16GB で 14B 強制は不可；24GB が 14B の安定下限。

2. 3 つの落とし穴：なぜメモリがフレームワークより重要か

Lab では次の 3 パターンが繰り返し見られます——「選び方は合っているのにメモリが足りない」：

落とし穴典型症状実測数字正しい対処
tok/s ランキングだけ見る ネットの 14B「15 tok/s」が自分では 3 16GB 上 14B：11.2 → 8.4 → 3.4 tok/s（3 run 逓減） Swapins と照合；ランキングは 24GB クリーン測定が多い
バックグラウンド占有を無視 「Ollama だけ」と言いながら Chrome 30 タブ + Xcode 索引 8B クリーン 28.8 tok/s → Chrome あり 20.8（median から除外） 計測前にタブを閉じる；OS+IDE に 4–6GB を見込む
フレームワークとメモリを混同 MLX に替えれば 14B が省メモリになるはず 同モデル Ollama vs MLX 差 <5% フレームワーク差は数％；層差は桁違い

ある indie 開発者の声が典型です：「16GB + Claude Code + qwen2.5-coder:14b、最初 2 ターンは OK、3 ターン目 TTFT が 1.9s から 5.8s」——モデルが劣化したのではなく統合メモリが swap 域に入ったから。原理は《統合メモリと LLM 推論》参照。

3. 形態：16GB / 24GB / 32GB の境界

ベース M4 Mac Mini は 16GB / 24GB / 32GB の統合メモリ、10 コア GPU、帯域約 120 GB/s。GB 数は L2 帯域上限を変えませんが、モデル + KV + 前景アプリが同時常駐できるか、L3 圧力崩壊を避けられるかを決めます。

3.1 メモリ予算式（概算）

占有項目7B Q414B Q4説明
量子化重み~4.5 GB~9 GBOllama デフォルト Q4_K_M
KV cache（num_ctx=2048）~0.5 GB~1 GBctx に比例
macOS + 前景4–6 GB4–6 GBChrome/IDE 各 1–3 GB
Ollama daemon~0.3 GB~0.3 GB常駐 HTTP
合計（粗算）~10 GB~15 GB16GB で 14B は余裕ほぼゼロ

3.2 三層対照：安定 / ギリギリ / 非推奨

メモリ7B/8B14B32B備考
16GB✅ 安定⚠️ swap しやすい❌個人軽量の第一候補
24GB✅ 高速✅ スイート⚠️ タイトAgent / 開発推奨
32GB✅✅ 大 ctx⚠️ Q4 試可同機 CI + LLM

主用途が「本機 Claude Code + 14B」なら、24GB が最も ROI の高い層アップ——「8GB 増やすごとに 8 tok/s」ではなく、swap 発火を遅らせ 14B を崩壊域から安定域へ。方法論全体はHub 全量実測参照。

4. 構成：Ollama vs MLX メモリ footprint 実測

MLX が「よりネイティブ＝より省メモリ」と思われがちですが、実測ではそうではありません。同モデル・同量子化で重みと KV はほぼ同じ；差はランタイム構造にあり GB 数ではありません。

比較項目OllamaMLX実測差
モデル重み（Llama 3.1 8B Q4）~4.9 GB~4.8 GB無視可
常駐プロセス~200–400 MB（daemon）必要時、daemon なしOllama が僅かに多い
tok/s（16GB クリーン 8B）median ~28.8~28–32MLX が 0–12% 速い（オフライン）
tok/s（24GB クリーン 8B）median ~51.2~52–55差は縮小
Claude Code 接続✅ ネイティブ :11434❌ 自前 HTTP 必要Agent は Ollama 固定
swap 後の挙動11.2 → 3.4 tok/s同層メモリで同様に崩壊メモリ層がすべて
構成提案：日常 Agent / Claude Code → Ollama + メモリに合わせたモデル。Python 計測、CI regression、研究スクリプト → MLX。16GB で「省メモリ」のため MLX に替えて 14B——省けません。

リモートで 14B を試し、本機アップグレードを避けたい？Macstripe 24GB クラウドノードで 1 週間試し、Agent ワークフローを確認してから自前層アップを判断。

5. 実測データ：tok/s、TTFT、swap 断点

テスト環境：Mac Mini M4（Mac14,3）、macOS 15.4.1、Ollama 0.6.2、デフォルト Q4_K_M。機体 m4-16gb-lab-01、m4-24gb-lab-02。期間 2026-05-28 ～ 2026-07-18。

5.1 16GB：7B 安定 vs 14B 崩壊

モデルrun 1run 2run 3medianSwapins
qwen2.5:7b28.731.426.929.10
qwen2.5:14b11.28.43.4—（セッション中止）8421+

14B @ 16GB は「少し遅い」ではなく三段階崩壊：run 1 まだ可 → run 2 swap 開始 → run 3 memorystatus: WARN → runner OOM 終了。

5.2 24GB：14B がスイートスポット

モデルtok/s 5 runmedianTTFTSwapins
qwen2.5:7b49.2 / 53.8 / 51.1 / 48.6 / 52.451.1~2.0s0
qwen2.5:14b14.2 / 16.8 / 15.1 / 17.3 / 14.915.1~2.7s0

5.3 生 log 抜粋

--- m4-16gb-lab-01 · qwen2.5:14b ---
run 1: tok/s=11.2  TTFT=2.71s
run 2: tok/s=8.4   Swapins: 1204
run 3: tok/s=3.4   memorystatus: WARN  TTFT=5.81s
run 4: ERROR runner killed (oom?)  Swapins: 8421

--- m4-24gb-lab-02 · qwen2.5:14b ---
tok/s: 14.2  16.8  15.1  17.3  14.9  median: 15.1

完全 log：resources/sample-benchmark-7b-14b-run.log；再現：resources/benchmark-m4-mac-mini-ollama.sh。

6. チャネル：自前層アップ vs クラウド Mac レンタル

経路向いている人利点欠点
自前層アップ（16→24GB） 週複数回ローカル Agent、長期オフライン 一括投資、データは本機内 Apple 公式層アップは高い；デスク固定
クラウド Mac 日/月レンタル 14B 試用、ピーク作業、チームノード 数分開通、24GB/48GB 必要時 ネット必要；長期 ROI は要計算
ハイブリッド：本機 16GB + クラウド 24GB 日常 7B 本機、重タスクはクラウド コスト柔軟、ピークで swap なし 2 環境の保守

iOS + AI 両方やる開発者の例：本機 16GB で 7B 補完、Claude Code 重タスクは Macstripe 24GB へ SSH——月約 $103、自前 24GB 層アップ差より管理しやすい。レンタル横評は《同スペック Mac mini M4 レンタル料金対照》。

7. 層アップ価格差：メモリにいくら払うか

アップ経路Apple 公式差（概算）クラウド月差（概算）いつ得か
16GB → 24GB+¥1,500（購入時）+約 $30–50/月週 3 回以上 7B では「直せない」
24GB → 32GB+¥1,500ベンダーによる同機 Xcode CI + 14B
16GB → 48GB（M4 Pro）機種変更Macstripe 48GB ノードチーム共有 / 32B 探索

ROI 粗算：7B 品質不足で週 2 時間余計（¥200/h 換算）なら月 ¥1,600——16→24GB 公式差を上回る。メモリ層アップは最も安い有効アップグレードで、フレームワーク替えやチューニングより効きます。

8. checklist と 7 ステップ実行

注文・セットアップ前に次で期待値を揃えてください：

  • ☐ 主用途はチャット（7B で足りる）か Agent 開発（14B 寄り）か
  • ☐ Chrome 20+ タブ + IDE を同時に開くか
  • ☐ Claude Code / Cursor ローカルモデル接続が必要か
  • ☐ ランタイムは Ollama（Agent）か MLX（計測のみ）か
  • ☐ 本機常駐かピークはクラウドか
  • ☐ 予算は 16GB / 24GB / 32GB のどれか
  • ☐ チーム共有ニーズ（→ 24GB+ またはクラウド）
  • ☐ swap リスクを許容するか（16GB + 14B = 高リスク）

7 ステップ（Ollama 経路）

  1. メモリ層と目標モデルを確定（16GB→7B；24GB→14B）
  2. Ollama インストール：brew install ollama または公式 pkg
  3. モデル pull：ollama pull qwen2.5-coder:7b（16GB）または :14b（24GB）
  4. Metal 確認：ollama serve ログに ggml_metal_init
  5. benchmark：./resources/benchmark-m4-mac-mini-ollama.sh
  6. メモリ監視：vm_stat + アクティビティモニタ圧力
  7. Agent 接続：Claude Code を http://127.0.0.1:11434 へ

9. 引用可能な起価表（2026-07-21 時点）

構成Apple 公式起価（CNY 参考）教育価（概算）Macstripe クラウド月（USD）
M4 Mac Mini 16GB / 256GB¥4,499¥4,049約 $102.9
M4 Mac Mini 24GB / 256GB¥5,999¥5,399約 $130–150（ノードによる）
M4 Mac Mini 32GB / 256GB¥7,499¥6,749お問い合わせ
M4 Pro 48GB（推論ノード）¥12,999+構成による料金ページ

Apple 価格は公式公開情報（中国価格参考）；クラウドは Macstripe 料金ページのリアルタイム表示を優先。

10. シナリオ別：誰がどの層を買うか

ユーザー推奨メモリモデル + フレームワーク代替
学生 / お試し16GB7B + Ollamaクラウド日額で 14B 試用
indie + Agent24GB14B + Ollama本機 16GB + クラウド 24GB
iOS 開発 + ローカル LLM32GB14B + Xcode 同機CI と推論を 2 台に分離
小チーム推論ノード48GBollama serve クラスタMacstripe 48GB ノード

24GB で足りるか不明なら、週単位でクラウド Mac を借り実 Agent ワークフローを回す方が benchmark 10 本より信頼できます。Macstripe は SSH/VNC 直結、約 5 分開通、長約なし——試してから自前層アップか長期レンタルか決めてください。

FAQ

M4 Mac Mini でローカル LLM、16GB と 24GB どちら？

日常 7B/8B + 軽量 IDE なら 16GB。14B 安定、Claude Code Agent、ブラウザ多タブなら 24GB。16GB で 14B 強制時、実測 tok/s は 11.2 から 3.4 まで落ちます。

Ollama と MLX、どちらがメモリを多く使う？

同モデル・同量子化なら差は通常 5% 未満。ボトルネックは統合メモリ層。Agent は Ollama 固定。

32GB は 24GB より得か？

個人 14B + 標準 ctx なら 24GB で通常十分。32GB は Xcode CI + LLM 同機や大 num_ctx 向け。

メモリ不足のサインは？

メモリ圧力インジケータ、vm_stat Swapins 増加、tok/s 断崖。memorystatus WARN は swap 前兆。

実機なしでクラウド Mac でローカル LLM を試せる？

はい。Macstripe の 16GB/24GB/48GB 専用 M4、SSH 後 Ollama を入れるだけ。14B 試用やチーム推論ノードに向きます。

まとめ

M4 Mac Mini のローカル LLM ではメモリ層が一票否決：16GB は 7B + Ollama 個人試用；24GB は 14B Agent のスイートスポット；32GB は CI + 大 ctx 同機向け。Ollama と MLX のメモリ差は無視可——Agent → Ollama、計測 → MLX。

16GB で 14B を無理しているなら、7B vs 14B 実測の swap データを見るか、24GB クラウド Mac を 1 週間試用してから判断してください。

関連記事