広告
ミニPC
Mac mini M4 16GB
Apple M4（無印）・ユニファイドメモリ16GB・帯域120GB/s。AI性能38 TOPSはNeural Engine値だがLLM推論はGPU(Metal)を使用。最大消費電力65W・アイドル4W（出典 Apple support 103253 / apple.com）。当サイトで実測。
スペック
| ベンダー | Apple |
|---|---|
| カテゴリ | ミニPC |
| メモリ | 16 GB |
| メモリ帯域 | 120 GB/s |
| AI性能 | 38 TOPS |
| 最大消費電力 | 65 W |
この機材を入手する
価格・在庫は変動します。最新はリンク先でご確認ください。広告
この機材で計測したモデル
- Falcon3 7B Instruct7.5B ／ TII Falcon License 2.0
- Gemma 3 1B1B ／ Gemma Terms of Use
- Gemma 3 4B4.3B ／ Gemma Terms of Use
- Gemma 4 E2B (有効2B / 実5.1B)5.1B ／ Apache-2.0
- Gemma 4 E4B (有効4B / 実8.0B)8B ／ Apache-2.0
- gpt-oss 20B (MoE)20.9B ／ Apache-2.0
- Granite 3.3 8B Instruct8.2B ／ Apache-2.0
- LFM2.5 1.2B JP1.17B ／ LFM Open License v1.0
- LFM2.5 230M0.23B ／ LFM Open License v1.0
- LFM2.5 8B A1B8.5B ／ LFM Open License v1.0
- Llama-3-ELYZA-JP-8B8.03B ／ Llama 3 Community License
- Llama 3.1 8B Instruct8B ／ Llama 3.1 Community License
- Llama 3.1 Swallow 8B Instruct v0.58.03B ／ Llama 3.1 Community License + Gemma Terms of Use
- Llama 3.2 1B Instruct1.2B ／ Llama 3.2 Community License
- Llama 3.2 3B Instruct3.2B ／ Llama 3.2 Community License
- LLM-jp-4 8B (thinking)8.59B ／ Apache-2.0
- Ministral 3 14B13.9B ／ Apache-2.0
- Ministral 3 3B3.8B ／ Apache-2.0
- Ministral 3 8B8.9B ／ Apache-2.0
- Mistral 7B Instruct v0.37.2B ／ Apache-2.0
- Mistral Nemo (12B)12.2B ／ Apache-2.0
- Phi-414.7B ／ MIT
- Phi-4-mini Instruct3.8B ／ MIT
- Qwen2.5 0.5B0.5B ／ Apache-2.0
- Qwen2.5 1.5B Instruct1.5B ／ Apache-2.0
- Qwen2.5 14B14.8B ／ Apache-2.0
- Qwen2.5 3B Instruct3.1B ／ Qwen Research License
- Qwen2.5 7B Instruct7.6B ／ Apache-2.0
- Qwen3 1.7B1.7B ／ Apache-2.0
- Qwen3-VL 2B2.1B ／ Apache-2.0
- Qwen3.5 0.8B0.8B ／ Apache-2.0
- Qwen3.5 2B2.3B ／ Apache-2.0
- Qwen3.5 4B4.7B ／ Apache-2.0
- Sarashina 2.2 3B Instruct3.36B ／ MIT
- SmolLM2 1.7B Instruct1.7B ／ Apache-2.0
全計測データ
| モデル | 量子化 | ランタイム | tok/s | TTFT(ms) | 温度(℃) | 計測日 |
|---|---|---|---|---|---|---|
| gpt-oss 20B (MoE) | MXFP4 | ollama 0.30.8 | 24.7 | 274 | — | 2026-07-15 |
| LLM-jp-4 8B (thinking) | Q4_K_M | ollama 0.30.8 | 20.2 | 145 | — | 2026-07-15 |
| Ministral 3 14B | Q4_K_M | ollama 0.30.8 | 12.4 | 211 | — | 2026-07-15 |
| Ministral 3 8B | Q4_K_M | ollama 0.30.8 | 19.4 | 182 | — | 2026-07-15 |
| Mistral Nemo (12B) | Q4_0 | ollama 0.30.8 | 14.9 | 182 | — | 2026-07-15 |
| Phi-4 | Q4_K_M | ollama 0.30.8 | 11.4 | 155 | — | 2026-07-15 |
| Qwen2.5 14B | Q4_K_M | ollama 0.30.8 | 11.6 | 185 | — | 2026-07-15 |
| Llama-3-ELYZA-JP-8B | Q4_K_M | ollama 0.30.8 | 20.9 | 168 | — | 2026-07-14 |
| Falcon3 7B Instruct | Q4_K_M | ollama 0.30.8 | 22.4 | 128 | — | 2026-07-14 |
| Gemma 3 1B | Q4_K_M | ollama 0.30.8 | 92.6 | 272 | — | 2026-07-14 |
| Gemma 3 4B | Q4_K_M | ollama 0.30.8 | 36.2 | 342 | — | 2026-07-14 |
| Granite 3.3 8B Instruct | Q4_K_M | ollama 0.30.8 | 19.4 | 88 | — | 2026-07-14 |
| LFM2.5 1.2B JP | Q4_K_M | ollama 0.30.8 | 120.3 | 66 | — | 2026-07-14 |
| LFM2.5 230M | Q8_0 | ollama 0.30.8 | 284.3 | 57 | — | 2026-07-14 |
| Llama 3.1 8B Instruct | Q4_K_M | ollama 0.30.8 | 21.0 | 168 | — | 2026-07-14 |
| Llama 3.1 8B Instruct | Q8_0 | ollama 0.30.8 | 12.8 | 213 | — | 2026-07-14 |
| Ministral 3 3B | Q4_K_M | ollama 0.30.8 | 40.9 | 154 | — | 2026-07-14 |
| Mistral 7B Instruct v0.3 | Q4_K_M | ollama 0.30.8 | 22.6 | 66 | — | 2026-07-14 |
| Mistral 7B Instruct v0.3 | Q8_0 | ollama 0.30.8 | 13.6 | 96 | — | 2026-07-14 |
| Qwen2.5 0.5B | Q4_K_M | ollama 0.30.8 | 156.2 | 105 | — | 2026-07-14 |
| Qwen2.5 1.5B Instruct | Q4_K_M | ollama 0.30.8 | 84.3 | 128 | — | 2026-07-14 |
| Qwen2.5 7B Instruct | Q8_0 | ollama 0.30.8 | 13.7 | 169 | — | 2026-07-14 |
| Qwen3 1.7B | Q4_K_M | ollama 0.30.8 | 74.0 | 106 | — | 2026-07-14 |
| Qwen3.5 0.8B | Q8_0 | ollama 0.30.8 | 81.5 | 215 | — | 2026-07-14 |
| Qwen3-VL 2B | Q4_K_M | ollama 0.30.8 | 75.8 | 123 | — | 2026-07-14 |
| Sarashina 2.2 3B Instruct | Q4_K_M | ollama 0.30.8 | 37.9 | 78 | — | 2026-07-14 |
| Llama 3.1 Swallow 8B Instruct v0.5 | Q4_K_M | ollama 0.30.8 | 21.0 | 168 | — | 2026-07-14 |
| Gemma 4 E2B (有効2B / 実5.1B) | Q4_K_M | ollama 0.30.8 | 55.1 | 309 | — | 2026-06-16 |
| Gemma 4 E4B (有効4B / 実8.0B) | Q4_K_M | ollama 0.30.8 | 29.9 | 362 | — | 2026-06-16 |
| Llama 3.2 1B Instruct | Q8_0 | ollama 0.30.8 | 70.8 | 133 | — | 2026-06-16 |
| Llama 3.2 3B Instruct | Q4_K_M | ollama 0.30.8 | 45.4 | 141 | — | 2026-06-16 |
| Phi-4-mini Instruct | Q4_K_M | ollama 0.30.8 | 37.0 | 156 | — | 2026-06-16 |
| Qwen2.5 3B Instruct | Q4_K_M | ollama 0.30.8 | 46.8 | 121 | — | 2026-06-16 |
| SmolLM2 1.7B Instruct | Q8_0 | ollama 0.30.8 | 50.9 | 57 | — | 2026-06-16 |
| LFM2.5 8B A1B | Q4_K_M | ollama 0.30.8 | 80.2 | 167 | — | 2026-06-15 |
| Qwen2.5 7B Instruct | Q4_K_M | ollama 0.30.8 | 22.2 | 140 | — | 2026-06-15 |
| Qwen3.5 2B | Q8_0 | ollama 0.30.8 | 42.1 | 224 | — | 2026-06-15 |
| Qwen3.5 4B | Q4_K_M | ollama 0.30.8 | 29.3 | 269 | — | 2026-06-15 |
※ 数値はすべて自前機材での実測です（ollama API・2回平均・num_predict=256）。
TTFT は同一プロンプトを繰り返す計測でプロンプトキャッシュが効いた状態の値です。機材をまたぐ TTFT の比較は、キャッシュを無効化した再計測（cache-busted-v2）が揃うまで保留しています。
次にできること
実測 38 件・最新 2026-07-15
この機材を使った記事
- ollamaを更新すると速くなる？5機種で実測した答え「ollamaを最新にすると速くなる」は本当か。Jetson・A6000・Mac mini M4・RTX 4060ノート・Raspberry Pi 5の5機種で、旧版0.18.2と新版0.34.0を同一条件で実測。GPU/Metalは4機ともほぼ不変、CPUだけ小幅改善という結果でした。
- 巨大MoEはローカルで動くか【「収まる」と「使える」を実測で線引き】数百B級の巨大オープンMoE（Hy3・MiMo-V2.5）が話題ですが、「動く」論の中身はMoE・GGUF・量子化の3要素。当サイト178件・5機材の自前実測DBで検証し、「メモリに収まる」と「実用速度で使える」の境界を正直に線引きします。
- 士業のローカルAI活用【守秘義務と両立する文書AI】弁護士・税理士・司法書士など守秘義務を負う士業では、依頼者情報をクラウドAIに送る運用が悩みどころです。依頼者情報を事務所の外に出さないローカルLLMの構成と使いどころを、日本語FC・過剰拒否の自前実測を基に整理します。
- AIのグラウンディングをローカルで実践【幻覚を抑える3つの接地】ローカルAIの幻覚を抑える「グラウンディング（接地）」を実践解説。RAG・ツール接地・出典付けの3手法を、ローカル埋め込み＋オフラインで自分のデータに接地する方法・必要スペック・限界までまとめます。
- ローカルLLMの生成速度は「メモリ帯域」で決まる【TOPS神話】ローカルLLMの生成速度は演算性能(TOPS)ではなくメモリ帯域でほぼ決まる。自前の機種横断実測と、1000 TOPSのDGX Sparkが70Bで遅い理由を、帯域律速のroofline「載る・動く・使える」で解説します。
- 通信が途絶しても動く 災害・現場のローカルAIキット通信も電力も限られる災害現場・僻地で、手元だけで動くローカルAIキットの構成と選び方。オフライン速度は検証DBの実測、バッテリ駆動時間は実測電力からの理論推定（実機実測は手順付きでこれから）。南極・測量現場の経験から。
- ローカルAIでループエンジニアリング【3機種で総実時間を実測】エージェントの「ループ＝足場」をローカルで設計・運用する実践ガイド。同じ多段ループをA6000・RTX4060ノート・Mac mini M4で実測。成否は機材非依存でも総実時間は機材で激変——暴走ガード・文脈管理・VRAM適合などループ設計の勘所を一次データで示します。
- ローカルAI PoCを成功させる完全ガイド【段階導入・実測・業種別】ローカルAIのPoCは段階的に小さく始め、用途で族を選び、機材に合わせるのが成功の核。自前実測56件（A6000〜Mac〜Jetson〜Pi5）と段階導入・業種別・PoC事例で、投資を最小化しつつ失敗を避ける進め方を示します。
- 低スペック機でデジタル格差を埋めるローカルAI通信や電力が不安定でも、月額課金がなくても使えるAIを。Raspberry Piや中古PCで動く小型AI(SLM)の実測から、教育・医療過疎・オフライン環境でローカルAIが格差是正に果たせる役割を考えます。
- AIの電力問題とローカルAIという答え【tok/s/Wで考える】生成AIのデータセンター電力は2026年に世界の約2%へ急増。ローカルAIは万能ではないが『用途に最小十分なモデル×電力効率の良い機材』で消費を抑える選択肢。tok/s/Wの実測で環境視点の選び方を示します。
- エッジで動かす小型AI(SLM)実測ランキング【tok/s/W】Jetson・Raspberry Pi 5・Mac mini M4・A6000で小型AI(SLM)を実測。速度(tok/s)だけでなく電力効率(tok/s/W)で並べると、オフライン・低電力で常時稼働させる最適解が見えます。商用可否つきモデル表・再現手順・機材の選び方まで。
- ローカルAI機材の選び方【実測でわかる買うべき1台】ローカルAIを始めるならどの機材を買うべきか。Raspberry Pi 5・Jetson・Mac mini M4・RTX A6000を、自前の実測（生成速度・電力効率・動くモデル範囲）で比較し、予算と用途別に最適な1台を示します。
- ローカルAIの電力効率（tok/s/W）実測【MoEが省エネ王】ローカルAIの「省電力」は総消費電力だけでは語れない。1トークンあたりのエネルギー効率（tok/s/W）を自前で実測すると、MoEモデルが効率的（実測で約3倍差）で、絶対消費電力の小ささと効率は別物だと分かります。
- 巨大モデルをローカルで動かす【Kimi K2.7級・大規模AIの現実】Kimi K2.7のような1兆パラメータ級の巨大モデルは、自宅やワークステーションで動くのか。VRAMの壁・量子化の限界・MoEの効きを、必要メモリの現実と自前の実測で正直に整理します。
- ローカルAIでできるデモ【自分の機材で動かす本格7選】ブラウザやクラウドではできない、ローカルAIならではのデモを7つ厳選。大型モデルとの対話・自分の資料へのRAG・自前Copilot・画像生成・無人自動化まで、最小手順と必要スペックを実測ベースで解説します。
- ローカルAIでできること【用途別の必要スペックと機材選び】自宅のPCやエッジ機材でローカルAIは何ができるのか。チャット・コード補助・文字起こし・画像生成など用途別に、必要なメモリ目安とおすすめ機材帯を自前の実測データで整理します。