Skip to main content
PromptQuorumPromptQuorum
ホーム/ローカルLLM/Xinference:Llama 3・Qwen・ChatGLM・Mistralをローカルで実行する2026年版ガイド
Tools & Interfaces

Xinference:Llama 3・Qwen・ChatGLM・Mistralをローカルで実行する2026年版ガイド

·10分で読める·Hans Kuepper 著 · PromptQuorumの創設者、マルチモデルAIディスパッチツール · PromptQuorum

**`pip install "xinference[all]"`でXinferenceをインストールし、`xinference-local`で起動後、`xinference launch --model-name llama-3.1-instruct --model-engine transformers --model-size-in-billions 8`を実行します。** XinferenceはLlama 3、Qwen 3、ChatGLM4、Mistralなど30以上のファミリーをネイティブサポートし、localhost:9997のOpenAI互換APIで提供します。

Xinference(Xorbits Inference)は、Llama 3、Qwen 3、ChatGLM4、Mistralをはじめ30以上のモデルファミリーを、単一のOpenAI互換APIで提供できるオープンソースの推論フレームワークです。pipコマンド1つでインストールし、CLIコマンド1つで起動できます。エンドユーザー向けのOllamaとは異なり、Xinferenceはマルチモデルサービング、GPUクラスターサポート、LLM推論と並行したEmbedding/Rerankingを必要とするチーム向けに設計されています。

重要なポイント

  • Xinferenceは30以上のモデルファミリーを1つのAPIで提供 — Llama 3、Qwen 3、ChatGLM4、Mistral、Embeddingモデル、Rerankerがすべてlocalhost:9997/v1の同一エンドポイントを共有。
  • pip install 1つ、CLIコマンド1つ — `pip install "xinference[all]"`後に`xinference-local`でWeb UI付きサーバーが起動。`xinference launch --model-name <名前>`で任意のモデルをデプロイ。
  • 3つのバックエンドを選択可能 — `transformers`(GPU・フル精度)、`llama.cpp`(CPU+量子化GGUF・GPU不要)、`vllm`(高スループット・マルチGPU)。モデルごとに切替可能。
  • CJKタスクにはQwen 3とChatGLM4が最適 — どちらも約6〜7 GB VRAMで動作し、中国語・日本語ベンチマークで英語専用モデルを上回る。
  • マルチモデルサービング・Embedding+Reranking・GPUクラスターが必要なときはOllamaよりXinferenceを選ぶ — Ollamaは単一ユーザーのデスクトップ用途に優れる。

Xinferenceとは何か・どのように動作するか

Xinference(github.com/xorbitsai/inference)はXorbitsが開発したオープンソースのLLM・マルチモーダルモデルサービングフレームワークです。2023年にオープンソース化され、分散クラスター向けのエンタープライズ推論プラットフォームとして設計されました。基本的な考え方:モデルを名前で登録すると、Xinferenceが重みをダウンロードし、適切なバックエンドを選択してREST APIを公開します。モデルロードのコードを直接触る必要はありません。

📍 一文で説明

XinferenceはLlama 3、Qwen 3、ChatGLM4、Mistralなど30以上のモデルファミリーを単一のOpenAI互換APIでネイティブサポートするオープンソース推論サーバーです。

💬 簡潔に説明

XinferenceはローカルAIモデルの交換台のようなものです。モデル名を指定すると自動でダウンロード・起動し、アプリはOpenAI APIと同じ方法で通信できます — コード変更は不要です。

  • モデルレジストリ:200以上の事前登録モデル。`llama-3.1-instruct`・`qwen2.5-instruct`・`chatglm4`など名前で参照でき、重みパスの手動管理が不要。
  • バックエンド抽象化:1コマンドでtransformers・llama.cpp・vLLMバックエンドを切替 — バックエンドに関わらず同じAPI。
  • マルチモデル同時実行:テキスト生成のLlama 3とRAG用のBGE Embeddingモデルを同一GPU上で同時実行可能。
  • Web UI:localhost:9997のReactダッシュボードでコードなしにモデルを起動・確認・停止。
  • クラスターモード:スーパーバイザー+ワーカー構成で`xinference start --host 0.0.0.0`により複数GPUノードにスケール。

サポートモデルファミリー:Llama 3・Qwen・ChatGLM・Mistral

以下の表はXinferenceで最も利用されている7つのモデル設定と最小VRAM要件を示しています。すべて同じlaunchコマンドパターンを使用し、変わるのは`--model-name`・`--model-size-in-billions`・オプションの`--quantization`のみです。

📍 一文で説明

XinferenceはLlama 3.3(8B/70B)・Qwen 3(7B/72B)・ChatGLM4 9B・Mistral Small v0.3・Mixtral 8x22Bをネイティブサポートし、いずれもCLIコマンド1つで起動できます。

💬 簡潔に説明

VRAMはGPUのメモリです。6 GB VRAMが必要なモデルにはRTX 3060(12 GB)やRTX 4060(8 GB)のようなGPUが必要です。GPUが小さい場合は、llama.cppバックエンドとQ4量子化を使用するとメモリ使用量を約半分に削減できます。

モデルファミリーVRAM (Q4)バックエンド最適な用途
llama-3.1-instruct 8BMeta~6 GBtransformers / llama.cpp英語汎用タスク
llama-3.1-instruct 70BMeta~40 GBvLLM高品質英語出力
qwen2.5-instruct 7BAlibaba~6 GBtransformers / llama.cpp多言語・CJK・コーディング
qwen2.5-instruct 72BAlibaba~40 GBvLLM大規模CJKタスク
chatglm4 9BZhipu AI~7 GBtransformers中国語エンタープライズタスク
mistral-instruct-v0.3 7BMistral AI~5 GBtransformers / llama.cppヨーロッパ言語・ファンクションコール
mixtral-instruct-v0.1 8x7BMistral AI~26 GBvLLM高品質多言語出力

XinferenceはLlama 3.3をサポートしていますか?

はい。`--model-name llama-3.1-instruct`と`--model-size-in-billions 8`(8B)または`70`(70B)を指定します。CPU・低VRAM環境では`--model-engine llama.cpp`と`--quantization q4_k_m`に切り替えてください。

XinferenceはQwen 3をサポートしていますか?

はい。Qwen 3 Instructは`qwen2.5-instruct`として登録されており、0.5B〜72Bのサイズが利用可能です。7Bは約6 GB VRAMで動作し、中国語・日本語・韓国語・英語をLlama 3.3 8Bと同等の品質で処理します。

XinferenceはChatGLMをサポートしていますか?

はい。ChatGLM3(`chatglm3`)・ChatGLM4(`chatglm4`)・ChatGLM4-Vision(`chatglm4v`)がすべて登録されています。ChatGLM4 9Bは2026年の中国語タスクに推奨される選択肢です。

XinferenceはMistralをサポートしていますか?

はい。`mistral-instruct-v0.3`(7B)と`mixtral-instruct-v0.1`(8x7B MoE)が両方登録されています。ファンクションコールとJSON出力にはMistral Small v0.3が最適です。

Xinferenceのインストール:pipとサーバー起動

XinferenceにはPython 3.9以上とpipが必要です。`[all]`オプションでCUDAサポート・llama.cppバックエンド・transformersバックエンドをまとめてインストールできます。CPU専用マシンでは`pip install xinference`(`[all]`なし)を使い、モデル起動時に`--model-engine llama.cpp`を指定します。

📍 一文で説明

`pip install "xinference[all]"`でインストールし、`xinference-local`でサーバーを起動すると、http://localhost:9997 にWeb UIが表示されます。

bash
# フルインストール — CUDA + transformers + llama.cpp バックエンド
pip install "xinference[all]"

# CPUのみのインストール(GPU不要)
pip install xinference

# ローカルサーバー起動(Web UI: http://localhost:9997)
xinference-local

# LAN向けに特定ホストにバインドする場合
xinference-local --host 0.0.0.0 --port 9997

XinferenceにGPUは必要ですか?

いいえ。llama.cppバックエンド(`--model-engine llama.cpp`)を使用すれば、量子化GGUFモデルをCPUのみで実行できます。GPU推論より遅いですが、Python 3.9以上が動作する任意のマシンで利用可能です。

Xinferenceを更新するにはどうすればいいですか?

`pip install --upgrade xinference`を実行します。アップグレード前にGitHubのリリースノートで破壊的変更を確認してください。特にクラスターモードを使用している場合は注意が必要です。

Llama 3・Qwen・ChatGLM・Mistralの起動

`xinference launch`コマンドで任意の登録モデルをデプロイします。パターンは常に同じで、`--model-name`でモデルファミリー、`--model-size-in-billions`でパラメータ数、`--model-engine`でバックエンドを指定します。起動後、XinferenceはAPIコールで使用するモデルUIDを返します。

📍 一文で説明

`xinference launch --model-name <名前> --model-engine transformers --model-size-in-billions <サイズ>`でXinferenceの任意のモデルを起動し、ダウンロード完了後すぐにlocalhost:9997/v1で利用できます。

bash
# Llama 3.3 8B Instruct (GPU, transformers backend)
xinference launch \
  --model-name llama-3.1-instruct \
  --model-engine transformers \
  --model-size-in-billions 8

# Llama 3.3 8B Instruct (CPU, Q4_K_M quantization)
xinference launch \
  --model-name llama-3.1-instruct \
  --model-engine llama.cpp \
  --model-size-in-billions 8 \
  --quantization q4_k_m

# Qwen 3 7B Instruct (GPU)
xinference launch \
  --model-name qwen2.5-instruct \
  --model-engine transformers \
  --model-size-in-billions 7

# ChatGLM4 9B (GPU)
xinference launch \
  --model-name chatglm4 \
  --model-engine transformers \
  --model-size-in-billions 9

# Mistral Small Instruct v0.3 (GPU)
xinference launch \
  --model-name mistral-instruct-v0.3 \
  --model-engine transformers \
  --model-size-in-billions 7

# Mixtral 8x22B Instruct (vLLM backend, 26+ GB VRAM必要)
xinference launch \
  --model-name mixtral-instruct-v0.1 \
  --model-engine vllm \
  --model-size-in-billions 46

Xinferenceがサポートするすべてのモデルを一覧表示するにはどうすればいいですか?

`xinference registrations --model-type LLM`を実行するか、http://localhost:9997 のWeb UIでモデルライブラリを閲覧してください。

Xinferenceで2つのモデルを同時に実行できますか?

はい — 異なるモデル名で`xinference launch`を2回実行します。各モデルは独自のUIDとエンドポイントを持ちます。合計VRAMバジェットが両モデルを同時にカバーする必要があります。

OpenAI互換APIの使用方法

XinferenceのAPIはOpenAI APIのdrop-in代替品です。任意のOpenAIクライアントを`http://localhost:9997/v1`に向け、`api_key`に任意の非空文字列を設定し、`xinference launch`が返すモデルUIDを`model`パラメータに使用します。既存のLangChain・LlamaIndex・カスタムOpenAIクライアントのコードはそのまま動作します。

💬 簡潔に説明

OpenAI互換APIとは、コードを変更する必要がないことを意味します。GPT-4を呼び出すPythonコードはXinference経由でLlama 3を呼び出せます — ベースURLとモデル名を変えるだけです。

python
from openai import OpenAI

client = OpenAI(
    api_key="not-required",   # Xinference accepts any non-empty string
    base_url="http://localhost:9997/v1"
)

# Chat completion — works for Llama 3, Qwen, ChatGLM, Mistral
response = client.chat.completions.create(
    model="llama-3.1-instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Summarise the GDPR in 3 bullet points."}
    ]
)
print(response.choices[0].message.content)

# Embedding model (run a separate xinference launch for bge-base-en-v1.5 first)
embedding = client.embeddings.create(
    model="bge-base-en-v1.5",
    input="Local LLMs preserve data privacy."
)
print(embedding.data[0].embedding[:5])

Xinferenceはストリーミングレスポンスをサポートしていますか?

はい。`chat.completions.create`呼び出しで`stream=True`を設定します。Xinferenceはすべてのサポートバックエンドでリアルタイムにトークンをストリーミングします。

LangChainをXinferenceと一緒に使えますか?

はい。`langchain_openai`から`ChatOpenAI(base_url="http://localhost:9997/v1", api_key="x", model="llama-3.1-instruct")`を使用します。Xinference固有のライブラリは不要です。

Xinference vs Ollama vs vLLM:いつどれを選ぶか

最も一般的な3つのローカル推論フレームワークはそれぞれ異なるユーザーを対象としています。主な制約に基づいて選択してください。日本のエンタープライズ環境では、METIのAIガバナンスガイドライン(2024年版)はローカル推論をデータ主権・プライバシーリスク軽減策として推奨しています。

📍 一文で説明

複数のモデルタイプを同時に提供する必要がある場合(LLM+Embeddings+Reranker)またはChatGLMのネイティブサポートが必要な場合はXinferenceを、シンプルなデスクトップ使用にはOllamaを選択してください。

比較項目XinferenceOllamavLLM
最適な用途チーム・マルチモデル・Embeddings+LLM単一ユーザーデスクトップ・Modelfileワークフロー高スループットGPUサービング
GPU必要?不要(llama.cppバックエンド)不要(CPUモード対応)必要(CUDA/ROCm)
モデル切替複数モデルを同時実行1モデルずつ(スワップ)サーバーインスタンスごとに1モデル
Embeddingサポートあり(BGE・E5など)あり(限定的)なし(別途Embeddingサーバー)
Web UIlocalhost:9997に内蔵なし(Open WebUI推奨)なし
ChatGLMサポートネイティブ(chatglm4)限定的限定的

XinferenceはOllamaより設定が難しいですか?

わずかに難しいです。OllamaはバイナリをダウンロードするだけですがXinferenceはPythonとpipが必要です。ただし両方とも5分以内に起動できます。Xinferenceは起動後のマルチモデル環境がより充実しています。

XinferenceはvLLMを代替できますか?

シングルマシンのサービングには可能です — Xinferenceは`--model-engine vllm`でvLLMをバックエンドとして使用でき、Web UIとモデルレジストリが追加されます。複数GPUノードにまたがる最大スループットには専用vLLMデプロイの方が高速です。

よくある質問

Xinferenceとは何ですか?

Xinference(Xorbits Inference)はLlama 3、Qwen、ChatGLM、Mistralなど30以上のファミリーをOpenAI互換APIでローカルに実行するオープンソースフレームワークです。GPU・CPU(llama.cpp経由)・マルチGPUクラスターデプロイをサポートします。

2026年にXinferenceがサポートするモデルは何ですか?

200以上のモデル設定が登録されています。2026年で最も人気なのはLlama 3.3 8B/70B Instruct、Qwen 3 7B/72B Instruct、ChatGLM4 9B、Mistral Small Instruct v0.3、Mixtral 8x22B Instructです。`xinference registrations --model-type LLM`で完全なリストを確認できます。

Xinferenceはモデルの重みをどのようにダウンロードしますか?

各モデルへの最初の`xinference launch`時に、XinferenceはHugging FaceまたはModelScope(設定可能)から重みをダウンロードします。重みはローカルにキャッシュされるため、2回目以降の起動は即時です。`XINFERENCE_HOME`でキャッシュディレクトリを制御できます。

XinferenceはWindowsで動作しますか?

はい、Python 3.9以上のpipで動作します。llama.cppバックエンドは追加の依存関係なしにWindows CPUで動作します。WindowsでGPUサポートが必要な場合は、Xinferenceのインストール前にCUDA 12.xと対応するPyTorchホイールをインストールしてください。

XinferenceをRAGに使用できますか?

はい。BGEまたはE5のEmbeddingモデル(`xinference launch --model-name bge-base-en-v1.5 --model-type embedding`)をLLMと並行して起動します。両方が同じAPIエンドポイントを共有するため、RAGパイプラインはインデックス作成にEmbeddingエンドポイント、生成にチャットエンドポイントを呼び出せます。

サードパーティの情報に関する注意

この記事はサードパーティのAIモデル、ベンチマーク、価格、ライセンスを参照しています。AIの状況は急速に変化しています。ベンチマークスコア、ライセンス条件、モデル名、API価格は執筆時とお読みになる時の間で変わる可能性があります。この記事に基づいてデプロイやコンプライアンスに関する決定を下す前に、各プロバイダーの公式ソース(ライセンスとベンチマークはHugging Faceのモデルカード、API価格はプロバイダーのウェブサイト、現在のGDPRとEU AI法のテキストはEUR-Lex)で最新の数値を確認してください。この記事は2026年5月時点で公開されている情報を反映しています。

ローカルLLM、独自のAPIキー、またはその両方でPromptQuorumを使用できます — バックエンドはあなたが選択します。

PromptQuorumウェイトリストに参加する →

← ローカルLLMに戻る