重要なポイント
- GPU（NVIDIA RTX 5090）：8B モデルで 200 トークン/秒。最高性能、2,000 ドル。
- GPU（NVIDIA RTX 4090）：8B モデルで 150 トークン/秒。ベストバリュー：RTX 4070 Ti は 80 Tok/s で 600 ドル。
- Apple Silicon M2 Ultra：8B で 60 Tok/s、70B で 35 Tok/s *ネイティブ*（オフロード不要）。唯一の市販ハードウェア 70B モデル無損失実行可能。
- CPU（Intel i9）：5–6 トークン/秒。リアルタイムチャット用途では実用的でない（5–10秒レイテンシー）。
- 本格的な作業向け：GPU が速度で勝利（メモリ帯域幅で 30–40× 高速）。Apple M2 Ultra は大規模モデル向け（ネイティブ 70B 実行）。
📍 一文で説明
ローカルLLM向け：Apple M5 Pro 64GB（約2,399ドル）が30Bモデルで40〜60トークン/秒のオールラウンド最良；RTX 5090 32GB（約2,000ドル）は7B〜14Bで最速（150〜200トークン/秒）だが30B以上は不可；RTX 5070 12GB（約600ドル）が最高コスパGPU；CPU単独は7Bで10〜20トークン/秒。
💬 簡潔に説明
GPUは小型モデル（14B未満）で最速です。Apple Siliconはメモリと計算を一体化し低消費電力で大型モデル（30B+）に最適。CPU単独は最も遅いですがあらゆるノートPCで動作します。
パフォーマンス比較：速度とスループット
*RAM へのオフロード — 品質大幅低下
| ハードウェア | Llama 3.2 8B | Llama 3.3 70B | Qwen3 32B | コスト |
|---|---|---|---|---|
| RTX 5090（GPU、32GB） | 200 Tok/s | 50 Tok/s | 70 Tok/s | 2,000 ドル |
| RTX 4090（GPU、24GB） | 150 Tok/s | 10 Tok/s* | 50 Tok/s | 1,800 ドル |
| RTX 4070 Ti（GPU、12GB） | 80 Tok/s | 不可能 | 25 Tok/s | 600 ドル |
| Mac Studio M2 Ultra（192GB） | 60 Tok/s | 35 Tok/s | 45 Tok/s | 4,000 ドル |
| MacBook Pro M4 Max（128GB） | 35 Tok/s | 8 Tok/s* | 22 Tok/s | 4,000 ドル |
| MacBook Pro M5 Max（96GB） | 25 Tok/s | 5 Tok/s* | 15 Tok/s | 3,500 ドル |
| Intel i9 14900K（CPU のみ） | 5 Tok/s | 1 Tok/s | 2 Tok/s | 600 ドル |
| AMD Ryzen 9 7950X（CPU のみ） | 6 Tok/s | 1 Tok/s | 2 Tok/s | 650 ドル |
NVIDIA GPU：パフォーマンスの王者
NVIDIA GPU は専用 CUDA コア、テンソルコア、高バンド幅メモリで LLM インファレンスで圧倒的に高速です。
RTX 5090（2025年フラッグシップ）：8B モデルで 200 Tok/s、32GB VRAM、1,792 GB/s メモリ帯域幅。単一 GPU で 70B モデル実行可能（50 Tok/s）。
RTX 4090（前世代フラッグシップ）：8B で 150 Tok/s、24GB VRAM。本格的な現場で最も一般的。
RTX 4070 Ti（ベストバリュー）：8B で 80 Tok/s、12GB VRAM、600 ドル。チャット・コーディング補助向け実用的。
- GPU はメモリ帯域幅を通じて LLM インファレンス支配。CPU は 89 GB/s（DDR5）に対し、RTX 5090 は 1,792 GB/s。
- CUDA エコシステム（vLLM、llama.cpp、LM Studio）が GPU 利用を簡素化。
- 量子化なし 70B モデルは 40GB VRAM 必要。RTX 5090 のみ単一 GPU で対応。RTX 4090 は 70B を部分オフロード（品質低下）。
CPU のみ：予算重視だが実用的でない
CPU のみマシンは LLM インファレンスに適していません。メモリ帯域幅不足が原因です。
Intel i9 14900K / AMD Ryzen 9 7950X：8B モデルで 5–6 Tok/s。5–10 秒のレイテンシー = チャット実用的でない。
メモリ帯域幅：CPU RAM は 89 GB/s（DDR5）。GPU VRAM は 2,000+ GB/s（RTX 5090）。20–30× の差がスピードの差を説明します。
CPU インファレンスはバッチ処理（オフライン）ユースケースにのみ適しています。
- llama.cpp は CPU マルチスレッド活用。しかしボトルネックはメモリ帯域幅で、コア数では解決できません。
- GPU またはApple Silicon への投資が、CPU のみ システムより 30–40 倍価値があります（リアルタイム利用の場合）。
Apple Silicon：統合メモリの利点
Apple Silicon（M3/M4 シリーズ）は統合メモリを通じてユニークな価値を提供します。GPU と CPU が同じメモリプール共有 = データ転送オーバーヘッドなし。
M5 Max（96GB）：8B モデルで 25 Tok/s。ポータブル開発向け。
M4 Max（128GB）：8B で 35 Tok/s、70B で 8 Tok/s（オフロード、品質低下）。
Mac Studio M2 Ultra（192GB）：8B で 60 Tok/s、70B で 35 Tok/s *ネイティブ*（オフロード不要）。市販ハードウェア唯一 70B ネイティブ実行。リサーチ・ファインチューニング向け最高。
- 統合メモリ = GPU ↔ CPU データ転送ペナルティなし。Nvidia GPU は高速でも、システム RAM へのオフロード時に 80% 品質低下。
- Mac Studio M2 Ultra の 192GB で同時に 4 個の 40GB モデル保持可能。
メモリ帯域幅：実際のボトルネック
LLM インファレンスはメモリ制約で、計算制約ではありません。高いメモリ帯域幅 = 高速トークン生成。
- インファレンス速度 ≈ メモリ帯域幅 ÷ モデルサイズ（ロード済み重み）。
- Apple Silicon 統合メモリは CPU ↔ GPU 転送オーバーヘッド排除。
- Mac Studio M2 Ultra は 70B+ モデルをネイティブ保持、オフロード不要。
- DDR5 RAM 89 GB/s = CPU インファレンス GPU より 30–40× 遅い理由。
| プラットフォーム | メモリ帯域幅 | 実効速度（8B） |
|---|---|---|
| RTX 5090（GDDR7） | 1,792 GB/s | 200 Tok/s |
| RTX 4090（GDDR6X） | 1,008 GB/s | 150 Tok/s |
| RTX 4070 Ti（GDDR6X） | 504 GB/s | 80 Tok/s |
| Mac Studio M2 Ultra（統合） | 800 GB/s | 60 Tok/s |
| MacBook Pro M4 Max（統合） | 546 GB/s | 35 Tok/s |
| MacBook Pro M5 Max（統合） | 400 GB/s | 25 Tok/s |
| DDR5-5600 RAM（CPU） | 89 GB/s | 5 Tok/s |
トークンあたりのコスト：3年償却
各プラットフォーム 3 年使用でのコスト計算。ハードウェア投資は頻繁な API 呼び出しより安い場合があります。
*Mac は既にシステム電力に含まれる
| ハードウェア | 初期コスト | 3年コスト | 合計 | Tok/s |
|---|---|---|---|---|
| RTX 4090 | 1,800 ドル | 2,400 ドル | 4,200 ドル | 150 |
| RTX 4070 Ti | 600 ドル | 1,200 ドル | 1,800 ドル | 80 |
| M5 Max Mac | 3,500 ドル | 0 ドル* | 3,500 ドル | 25 |
| OpenAI API | 0 ドル | 10,000+ ドル | 10,000+ ドル | 無制限 |
どのプラットフォームを選ぶか
- GPU を選ぶ：本格的な作業。70B モデル。複数モデル同時実行。RTX 4070 Ti (600 ドル) が最高バリュー。
- Apple Silicon を選ぶ：Mac ユーザー向け。M2 Ultra は唯一市販 70B ネイティブ実行。研究・ファインチューニング向け最高。
- CPU のみ：避けるべき。バッチ処理のみ実用的。リアルタイムチャット向けは GPU/Apple Silicon が必須。
よくある誤解
- 1「より多くの CPU コア = 高速」 — 誤り。ボトルネックはメモリ帯域幅。CPU コア追加は限定的。
- 2**「70B モデルは RTX 4090 で実行可能」** — 部分的。オフロード時品質 80% 低下。Mac Studio M2 Ultra のみネイティブ可能。
- 3「Apple Silicon は GPU と同等」 — 誤り。M3/M4 は 8B には十分。70B はM2 Ultra のみ。
- 4「GPU は電気代が高い」 — RTX 4090 で月 200 ドル。API 費用より安い（月 500+ ドル）。
- 5「CPU インファレンスで llama.cpp は十分」 — 5 Tok/s は実用的でない。リアルタイム用途は不可。
- 6「量子化は常に品質低下」 — 誤り。Q5 は 95% 品質保持、スピード低下なし。
- 7「メモリ帯域幅は重要でない」 — 最も重要。GPU/CPU スピード差 30–40× の原因。
よくある質問
GPU か CPU か、ローカル LLM 実行にはどちらが良い？
GPU が圧倒的です。NVIDIA RTX 4090 は 7B モデルを 150 トークン/秒で実行。Intel i9 は同モデルを 3–5 トークン/秒で実行。CPU インファレンスは 5–10 秒レイテンシー、対話的チャット不可能。
Apple Silicon はローカル LLM 実行可能か？
はい。Apple M（M3、M4）シリーズは 7B モデルを 25–30 トークン/秒で実行（統合メモリ）。NVIDIA 離散 GPU より遅いが、x86 CPU のみシステムより大幅に高速。70B モデルは Apple Silicon メモリ制限で実行不可（M2 Ultra 除く）。
ローカル LLM に最低限必要な GPU VRAM は？
6GB VRAM は Q4 量子化で 7B モデル実行可能。8GB が 7B Q5 実用的最小値。16GB+ は 13B モデル必須。24GB は 30B 処理可能。
GPU はローカル LLM インファレンスで CPU より何倍高速か？
NVIDIA GPU は CPU より 30–100 倍高速。RTX 4090 は 7B モデル 150 トークン/秒生成。Intel i9 は 3–5 トークン/秒。CUDA 並列処理と専用テンソルコアが原因。
ローカル LLM のためだけに GPU 購入する価値あるか？
RTX 4070 Ti（600 ドル）は 3 年償却で OpenAI API 月 500+ ドル より安い（1 日 2 時間使用の場合）。80 トークン/秒でリアルタイムチャット、コーディング補助、ドキュメント要約可能。
複数 CPU コア使用して LLM インファレンス加速可能か？
わずか。llama.cpp はスレッド活用。ボトルネックはメモリ帯域幅（50–100 GB/s システム RAM 対 2,000+ GB/s GPU VRAM）。コア追加で解決不可 — GPU または Apple Silicon が必須。
メモリ帯域幅とは何か、LLM にはなぜ重要か？
LLM インファレンスはメモリ制約。トークン生成速度はモデル重みロード速度依存。RTX 5090 は 1,792 GB/s；DDR5 RAM は 89 GB/s。差が GPU を 30–40 倍高速化。
ローカル LLM に最高の Apple Silicon チップは？
Mac Studio M2 Ultra（192GB）は 70B モデル 35 Tok/s でネイティブ実行 — 唯一市販ハードウェア。MacBook Pro M4 Max（128GB）はポータブル 35 Tok/s（8B）。M5 Max（96GB）は 7–13B モデル向け。
Apple Silicon は 70B モデル実行可能か？
Mac Studio M2 Ultra 192GB メモリは Llama 3.3 70B を 35 Tok/s でネイティブ実行。唯一市販ハードウェア。小型 Mac はオフロード時（5–10× ペナルティ品質低下）部分実行。M2 Ultra のみ完全品質。
RTX 5090（2,000 ドル）はローカル LLM に価値があるか？
70B モデル頻繁実行の場合のみ。RTX 5090（200 Tok/s 8B）は RTX 4090 より 2.5 倍高速（1,800 ドル）。ベストバリュー：RTX 4070 Ti（600 ドル、80 Tok/s 8B）8–32B モデル向け；Mac Studio M2 Ultra（4,000 ドル）ネイティブ 70B 向け。
- NVIDIA CUDA Compute Capability — 公式 GPU 仕様 https://developer.nvidia.com/cuda-compute-capability
- Apple Metal for Machine Learning — 統合メモリ最適化 https://developer.apple.com/metal/
- vLLM テンソル並列化ドキュメント — マルチ GPU 推論 https://docs.vllm.ai/
- llama.cpp GitHub — オープンソース推論エンジン https://github.com/ggerganov/llama.cpp