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）。
この機材を使った記事
- 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。