AIアプリ別 必要スペック・おすすめGPU一覧

DeepSeek R1

OpenAI o1級の推論能力を持つオープンソースLLM。Chain-of-Thought推論に特化し、数学・コーディング・論理タスクで卓越した性能を発揮。1.5B〜70Bの蒸留モデルが利用可能。

Gemma 2

Google DeepMind開発の軽量高性能LLM。9Bと27Bモデルがあり、同サイズ帯で最高クラスの性能を実現。ローカル実行に最適化されたアーキテクチャ。※2026年現在は後継のGemma 4系が主流。

Gemma 4

Googleが開発したマルチモーダルオープンソースLLM。27Bパラメータで画像・テキスト理解、OCR能力を持つ。Ollamaで手軽にローカル実行可能。

Gemma 4 E4B

Gemma 4の4B効率化版。VRAM 4GBで動作し、高精度なOCR・文字認識能力を持つ。ゲーミングPC以上のスペックで手軽にマルチモーダルAIを体験できる。

GLM-4.7-Flash

智譜AI（Z.ai）開発の30B級MoEモデル。コーディングとエージェント機能に特化し、198Kコンテキストに対応。Q4_K_M量子化（約19GB）なら24GB VRAMのGPUで動作する。

Nomic AIが開発するローカルLLM統合プラットフォーム。GUIインストーラー一発でセットアップ完了。Llama/Mistral/Falconなど多数のモデルをブラウザ感覚で切り替えて使える。

Kimi K2

Moonshot AI開発の1兆パラメータMoEモデル（32Bアクティブ）。エージェント機能に最適化され、ツール利用・マルチステップ推論が得意。Modified MIT License。

Metaの70Bパラメータ言語モデル。GPT-4に迫る性能を持ち、128Kコンテキスト対応。フル精度では140GB VRAMが必要だが、Q4量子化で約40GBまで削減可能。※2026年現在はGLM-4.7-FlashやQwen 3.5など後継世代が主流。

Metaが開発した8Bパラメータの高性能言語モデル。128Kコンテキスト対応。ローカル推論の入門に最適なサイズで、量子化により8GB VRAMでも動作可能。※2026年現在はQwen 3.5やGemma 4など後継世代が主流。

MiniMax-M1

MiniMax開発の世界初オープンウェイト大規模ハイブリッド注意推論モデル。Lightning Attentionにより100万トークンのネイティブコンテキスト長を実現。456Bパラメータ（45.9Bアクティブ）。

Mistral AIの7Bパラメータモデル。Sliding Window Attentionにより効率的な推論が可能。同サイズのLlamaを上回る性能で、ローカルLLMの定番。

Mistral AI開発の24Bパラメータモデル。コンシューマGPU（24GB VRAM）でのスイートスポットを狙い、長文コンテキスト処理と高品質な応答を両立。Apache 2.0 License。

Nemotron-Nano-9B Japanese

NVIDIAが開発した日本語特化9Bパラメータモデル。Llama 3.1ベースで日本語応答品質を強化。量子化版でVRAM 8GBからローカル動作可能。

ローカルLLM実行の統合プラットフォーム。ワンコマンドでLlama/Mistral/Gemma/Phi等のモデルをダウンロード・実行可能。自動量子化とGPUオフロードに対応。

Phi-4

Microsoft Research開発の14BパラメータLLM。合成データを活用した学習で、小型ながらGPT-4級の推論能力を実現。MIT License。

Qwen 3

Alibaba Cloud開発の多言語LLM。Apache 2.0ライセンスで0.6B〜235B MoEまで幅広いサイズを提供。日本語を含む多言語対応が強く、100万トークンのロングコンテキストに対応。

Qwen3.5

Alibaba CloudのQwen3.5シリーズ。4B〜35BのMoEアーキテクチャを採用し、VRAM 8GBからでもQwen3.5:4bが101 tok/sで動作。コーディング・論理推論・日本語の三拍子が揃った次世代オープンLLM。

東京科学大学（旧東工大）が公開する日本語特化LLM。Meta Llama 3.1 8Bをベースに日本語コーパスで継続学習。Ollamaで動作し、VRAM 8GBのGPUで実行可能。日本語能力を重視するならまず試すべき国産モデル。