重要なポイント
- SwiftLM（github.com/SharpAI/SwiftLM）は、MLXモデル向けの無料・オープンソースのネイティブSwift推論サーバーであり、IDEでもPythonパッケージでもない
- GitHubリポジトリのライセンスメタデータで確認された通りMITライセンス
- リポジトリ自身のRequirementsセクションによれば、macOS 14.0以降、Apple Silicon（M1からM5まで）専用 — Windows、Linux、Intel Macのサポートなし
- 開発元はSharpAI。シリコンバレーの組織で、GitHubの自己紹介では主な事業を従来型のCCTV/NVR監視カメラへの機械学習応用としている
- 厳格にOpenAI互換のAPI（
/v1/chat/completions、/v1/models、/health）を提供するため、既存のOpenAIクライアントコードをそのまま向けられる - ビジョン言語モデル（
--vision経由）と、一部のGemma-4系列でオーディオ言語入力（--audio経由）をサポート - 巨大なMixture-of-Expertsモデル向けのSSDエキスパートストリーミングと、長コンテキスト推論向けのTurboQuant KVキャッシュ圧縮を搭載
- HuggingFaceからMLXモデルをダウンロードしてオンデバイスで実行する、無料・オープンソースのコンパニオンアプリ「SwiftBuddy」（iOS/iPadOS）を同梱
- 本レビュー時点（2026年9月18日）でGitHubスター768個、フォーク53件。リポジトリは2026年3月21日に作成され、レビュー公開前の数週間ではおよそ1〜2日ごとにリリースが出ていた
📍 一文で説明
SwiftLMは、無料・オープンソース（MIT）のネイティブSwift推論サーバーで、Python実行環境を介さず厳格にOpenAI互換のAPIを通じてApple Silicon上でMLXモデルを提供し、iOS/iPadOSコンパニオンアプリ「SwiftBuddy」を同梱する。
💬 簡潔に説明
SwiftLMは、Apple Silicon搭載のMacで動くコマンドラインプログラムで、AIモデルを読み込み、他のアプリがOpenAIのサーバーと話すのと同じ方法でそのモデルと通信できるようにする — ただし全てが自分のマシン上で動作し、Pythonを経由せず直接ネイティブなMetalコードにコンパイルされている点が異なる。iPhone/iPad向けのコンパニオンアプリ「SwiftBuddy」は、これと同様のことをスマートフォン上で直接行う。
📌補足: 本レビューは、ローカルLLMソフトウェアディレクトリ内のSwiftLMのエントリーを補完する詳細版である — SwiftLMが他の数十件のローカルAIツールとどう比較されるかは同ページを参照のこと。本レビューはSwiftLM自身のGitHubリポジトリ、README、リリース履歴に基づいており、SharpAIが公表した性能数値についてPromptQuorumが独自にベンチマークしたものではない。
SwiftLMとは何か？
SwiftLMは、完全にSwiftで書かれた推論サーバーで、MLX形式のAIモデルを読み込み、厳格にOpenAI互換のHTTP APIを通じて提供する — mlx-lmのようなPythonベースのサーバーに対するネイティブな代替である。自身のGitHubの説明では「Native MLX Swift LLM inference server for Apple Silicon」と要約されており、Python環境、仮想環境マネージャー、パッケージインストーラーを必要とせず、単一の自己完結型バイナリにコンパイルされる。
- 中核機能：一度に1つのMLXモデルを読み込み、OpenAI互換のチャット補完エンドポイントを通じて提供するローカルHTTPサーバー
- 実装言語：Swift。GPU計算にはMetalカーネルでコンパイルされ、並行リクエストのボトルネックとなるグローバルインタプリタロック（GIL）を持つPythonは使用しない
- 開発元：SharpAI。2018年2月からGitHubに存在するシリコンバレーの組織で、自身の紹介文では主な業務を従来型のCCTV/NVR監視カメラへの機械学習応用としている
- 基盤フレームワーク：AppleのMLX配列フレームワーク。独自フォーク（
SharpAI/mlx、SharpAI/mlx-c）を通じて、SharpAIが公式のml-exploreリポジトリではまだ利用できないとする、アウトオブコアのメモリマップ実行を追加している - ライセンス：リポジトリのライセンスメタデータで確認された通りMIT
- 規模：本レビュー時点でGitHubスター768個、フォーク53件、コントリビューター12名
SwiftLMの開発元とその開発速度
SwiftLMは若く急速に発展中のプロジェクトである：GitHubリポジトリは2026年3月21日に作成され、本レビューの公開時点までの数週間で、タグ付きリリースがおよそ1〜2日ごとに出荷されていた。
- リポジトリ作成日：2026年3月21日 — 本レビュー時点でおよそ6か月前
- 直近のリリース間隔：タグ付きビルドb703からb711までが2026年8月27日から2026年9月5日の間に出荷され、この期間の平均はおよそ1.4日に1回のリリース
- 運営組織：SharpAI。2018年2月にGitHubで作成され、自身のGitHubプロフィールによればシリコンバレーに拠点を置く
- 主な事業：SharpAI自身のGitHubプロフィールによれば、組織の主な焦点は「従来型のCCTV/NVRおよび監視カメラに機械学習技術を組み込むこと」である — SwiftLM自体は監視製品ではなく、SharpAIがオープンソース化した汎用推論サーバーである
- コントリビューター：本レビュー時点で12名。SSDエキスパートストリーミングとTurboQuant KVキャッシュ圧縮へのクレジット付きエンジニアリング貢献を含む
- 独自MLXフォーク：SharpAIは、READMEによればアップストリームではまだ利用できないアウトオブコアのメモリマップ実行をサポートするために、Appleの公式MLXフレームワークのフォークである
SharpAI/mlxとSharpAI/mlx-cを保守している
SwiftLMでできること
SwiftLMの機能セットは、Apple Silicon上でMLXモデルをできる限り高速かつメモリ効率よく提供することに主眼を置いており、統合メモリに快適に収まらないほど大きなモデルの実行を狙った機能がいくつか用意されている。以下は、SwiftLM自身のGitHub READMEに基づく各機能の説明である。
- OpenAI互換の提供 —
/v1/chat/completions、/v1/models、/healthエンドポイントを公開しており、既存のOpenAIクライアントSDKやツールをそのままSwiftLMに向けて、ローカルバックエンドとして差し替え利用できる - 幅広いモデルファミリーへの対応 — READMEによれば、Gemma 4/3、Qwen 3.5/3/2.5、Llama 3.x、Mistral/Mixtral、Phi 4/3、DeepSeek V3、GLM 4、Falcon H1、その他いくつかの小規模な研究系ファミリーを含む30以上のモデルファミリーをネイティブサポート
- ビジョン言語モデル（VLM） —
--visionフラグで実行し、Qwen2-VL、Qwen2.5-VL、PaliGemmaなどのモデルに対応したリアルタイムのbase64画像解析をサポート - オーディオ言語モデル（ALM） — 一部のGemma-4「Omni」系列に対して
--audioフラグで実行し、AVFoundationのWAV抽出を通じてOpenAI仕様のinput_audioペイロードをデコードする - TurboQuant KVキャッシュ圧縮 — アテンションのKVキャッシュ向けの独自の非線形（Lloyd-Maxコードブック）3ビット級量子化方式。SharpAI自身のベンチマークによればFP16と比べておよそ3.5倍小さく精度低下がほぼゼロで、
--turbo-kvで有効化する - SSDエキスパートストリーミング — Mixture-of-Expertsモデル向けに、モデル全体をRAMに常駐させる代わりに非アクティブなエキスパートレイヤーをNVMe SSDからストリーミングする機能。
--stream-expertsで有効化。SharpAI自身のテストでは、64GBのMacで69.6GB（Qwen3.5-122B-A10B）や209GB（Qwen3.5-397B-A22B）のモデルまで検証されている - 投機的デコードとマルチトークン予測（MTP） — 小型のドラフトモデル（
--draft-model）を別途用いる方法か、Qwen3系列のようにネイティブMTPヘッドを持つモデルの場合はドラフトモデルなしで、RAM内推論を高速化する - 細粒度のメモリ制御 —
--gpu-layersや--prefill-sizeのようなフラグにより、モデルのうちどれだけをGPUに配置するか、プリフィル中にプロンプトをどう分割するかを調整できる
使用例：SwiftLMの3つの使い方
これらは、上記のSwiftLMが文書化しているフラグとエンドポイントから構成される具体的なワークフローであり、仮想的な使用例ではない。
SwiftLMをインストールする
SwiftLMは、ビルド済みのmacOSバイナリとしても、ソースからビルドする形でも無料でインストールでき、そのソースコード — およびSwiftBuddy iOSアプリのソースコード — はGitHub上で公開されている。
Source | Link |
|---|---|
| GitHubリポジトリ（ソースコード、MITライセンス） | github.com/SharpAI/SwiftLM |
| ビルド済みmacOS arm64バイナリ | Releasesページ |
ソースからビルド（./build.sh） | Build from Source instructions |
| SwiftBuddy iOS/iPadOSアプリのソース（Xcodeでビルド） | SwiftBuddyディレクトリ |
| MLX形式のモデル | huggingface.co/mlx-community |
リポジトリ自身のRequirementsセクションによれば、SwiftLMにはmacOS 14.0以降、Apple Silicon（M1〜M5）、Xcode Command Line Tools、Metal Toolchain（xcodebuild -downloadComponent MetalToolchainでインストール可能）が必要である。SwiftBuddyは本レビュー時点でApp Store経由では配布されていない — .xcodeprojはgit-ignoreされ、generate_xcodeproj.pyによってローカルで再生成されるため、ビルドにはXcodeと自分自身のApple Developerアカウントが必要である。
SwiftLMの料金とライセンス
SwiftLMは無料で、いかなる有料プランも存在しない。SwiftLMとそのコンパニオンアプリSwiftBuddyはいずれも、GitHubリポジトリのライセンスメタデータで確認された通りMITライセンスである — 著作権表示の保持以外に帰属表示の義務がなく、コピーレフト的な制約もない、寛容なオープンソースライセンスである。
- SwiftLM自体によるサブスクリプション、有料プラン、利用制限は一切ない
- サーバーやSwiftBuddyアプリの実行にアカウントやサインアップは不要
- GitHubリポジトリのライセンスメタデータによれば、MITライセンスはSwiftBuddyを含むリポジトリ全体に適用される
- 実質的な唯一のコストはハードウェアである：SwiftLMにはmacOS 14.0以降を実行するApple Silicon Macが必要で、Intel Mac、Windows、Linuxでは動作しない
SwiftLM vs. Ollama
SwiftLMとOllamaはいずれも、OpenAI互換APIの背後でオープンウェイトモデルをローカル実行するが、優先事項は異なる — Ollamaは幅広いハードウェア対応と既存の大きなエコシステムを最適化し、SwiftLMはApple Siliconでのピーク性能と長コンテキスト効率という狭い領域を最適化している。
項目 | SwiftLM | Ollama |
|---|---|---|
| エンジン | MLX経由でMetalにコンパイルされるネイティブSwift | llama.cpp/GGML C++コアをラップするGo実装 |
| 対応プラットフォーム | macOS 14+、Apple Siliconのみ、加えてiOSコンパニオンアプリ | macOS、Windows、Linux、Docker。IntelとApple Siliconの両方 |
| ランタイム依存 | なし — 単一のネイティブバイナリ、Pythonなし | なし — こちらも単一のネイティブバイナリ、Pythonなし |
| モデル形式 | MLX経由のHuggingFace safetensors（mlx-communityのビルド） | 独自のモデルライブラリとModelfileシステムによるGGUF |
| 長コンテキストKV圧縮 | TurboQuant。FP16と比べ約3.5倍小さい（--turbo-kv） | 本レビュー時点で専用のKV圧縮フラグなし |
| 巨大なMoEモデル | SSDエキスパートストリーミングにより100B以上のMoEモデルをRAMを超えて実行 | 標準的なOSのメモリマッピングに依存。専用ストリーミングモードなし |
| 成熟度 | GitHubスター768個。リポジトリは2026年3月作成 | 確立されたプロジェクトで、はるかに大きな導入基盤とエコシステムを持つ |
この比較は各プロジェクト自身のGitHubリポジトリで公開されている機能を反映したものであり、いずれのツールについても実際のスループットをPromptQuorumが独自にベンチマークしたものではない。クロスプラットフォーム対応（WindowsまたはLinux）や既存の最大級のエコシステムが必要であればOllamaがより確立された選択肢であり、Apple Silicon専用で構わずネイティブSwiftの性能と長コンテキストのメモリ節約を追求したいのであれば、SwiftLMを直接評価する価値がある。
SwiftLMは誰に向いているか？
SwiftLMが適しているかどうかは、ハードウェア — Apple Silicon専用である — に大きく左右され、また、エコシステムの成熟度よりネイティブSwiftの性能と長コンテキストのメモリ効率をどれだけ重視するかにも左右される。
競合とその他の選択肢
SwiftLMは、Apple Silicon向けのネイティブでPython不要のMLX推論サーバーという、小さいが成長中の分野に位置している — 同じセグメントの他ツールや、SwiftLMが対比の対象とするPythonのリファレンス実装とどう比較されるかを見てみよう。
Tool | Best known for | Link |
|---|---|---|
| oMLX | ネイティブmacOSメニューバーアプリと階層型RAM+SSD KVキャッシュを備えるMLX推論サーバー | oMLXレビュー |
| Rapid-MLX | 画像・動画・音声生成もローカルで提供するネイティブMLX推論サーバー | Rapid-MLXレビュー |
| vLLM（MLXバックエンド） | 高スループットの推論サーバー。Apple Silicon向けにMLXバックエンドオプションを提供 | vLLM MLXレビュー |
| mlx-lm | MLX上でLLMを実行するためのApple自身のPythonリファレンスライブラリ | mlx-lm解説 |
これはApple Silicon向け推論ツールの網羅的なリストではない — 全カタログについてはローカルLLMソフトウェアディレクトリを参照。SwiftLM自身のディレクトリエントリーも定期的に更新されている。
SwiftLM評価時によくある誤解
SwiftLMに関する混乱の多くは、無関係な同名プロジェクトと混同するか、明示的にサポートされていないハードウェアで動作すると想定することから生じる。
よくある質問
SwiftLMとは何ですか？
SwiftLM（github.com/SharpAI/SwiftLM）は、無料・オープンソース（MIT）のネイティブSwift推論サーバーで、Python実行環境を必要とせず、厳格にOpenAI互換のAPIを通じてApple Silicon Mac上でMLX形式のAIモデルを実行します。
SwiftLMは無料ですか？
はい。SwiftLMとそのコンパニオンアプリSwiftBuddyは、いずれも無料でMITライセンスです。これはGitHubリポジトリのライセンスメタデータで確認されています。料金ページ、アカウント、有料プランは存在しません。
SwiftLMのシステム要件は何ですか？
リポジトリ自身のRequirementsセクションによれば、macOS 14.0以降、Apple Silicon Mac（M1からM5）、Xcode Command Line Tools、Metal Toolchainが必要です。Windows、Linux、Intel Mac向けのビルドは存在しません。
SwiftLMはどうやってインストールしますか？
公式READMEによれば、プロジェクトのGitHub Releasesページからビルド済みのmacOS arm64バイナリをダウンロードして直接実行するか、リポジトリをクローンして./build.shを実行しソースからビルドします。
SwiftBuddyとは何ですか？
SwiftBuddyは、SwiftLMの無料・オープンソースのコンパニオンアプリで、iPhoneとiPad向けにHuggingFaceからMLXモデルをダウンロードし、MLX Swiftを通じてオンデバイスで直接実行します。ソースコードはSwiftLMリポジトリ内にあり、本レビュー時点ではApp Storeでは配布されておらず、Xcodeを通じてビルド・実行します。
SwiftLMはビジョンやオーディオ入力をサポートしますか？
はい。公式READMEによれば、--visionフラグを付けてSwiftLMを起動するとQwen2-VLやPaliGemmaなどのビジョン言語モデルが有効になり、--audioフラグは一部のGemma-4「Omni」系列のオーディオ入力を有効にします。
TurboQuantとは何ですか？
TurboQuantは、SwiftLM独自のKVキャッシュ圧縮方式で、非線形のLloyd-Maxコードブックとハードウェアアクセラレーション対応のMetal実装を組み合わせたものです。SharpAI自身のベンチマークによれば、KVキャッシュをFP16と比べておよそ3.5倍小さく、精度低下はほぼゼロに圧縮すると報告されており、--turbo-kvフラグで有効化します。
SSDエキスパートストリーミングとは何ですか？
これは、モデル全体を統合メモリに常駐させる代わりに、非アクティブなMixture-of-Expertsレイヤーを直接NVMe SSDからGPUへストリーミングする機能で、--stream-expertsで有効化します。SharpAI自身のテストでは、64GBのMacで最大209GBのモデルの実行を検証しています。
SwiftLMは誰が開発していますか？
SwiftLMは、SharpAIによって開発されています。SharpAIは2018年からGitHubに存在するシリコンバレー拠点の組織で、主な事業として掲げているのはCCTV/NVR監視システムへの機械学習応用です。SwiftLMは、この中核事業とは別にオープンソース化された汎用推論サーバーです。
SwiftLMはOllamaとどう比較されますか？
どちらもOpenAI互換API経由でローカルモデルを提供しますが、OllamaはmacOS、Windows、Linuxをサポートしはるかに大きなエコシステムを持つのに対し、SwiftLMはApple Silicon専用で、TurboQuant KV圧縮や巨大MoEモデル向けのSSDエキスパートストリーミングといったMLXネイティブな機能を追加しています。詳しくは上記のSwiftLM vs. Ollama比較を参照してください。
PromptQuorumはSwiftLMの性能に関する主張を独自に検証しましたか？
本レビューはSwiftLM自身のGitHubリポジトリ、README、リリース履歴に基づいており、SharpAIが公表した性能数値についてPromptQuorumが独自にベンチマークしたものではありません。