中級 12 分Qwen

Mac M1/M2でQwen3 32Bを動かす：メモリと設定 MLX

端的な回答

Qwen3 32Bの公式MLX 4ビット版は18.4 GBのRAMに収まりますが、それに加えて使用するコンテキスト分のメモリも必要です。スワップなしで快適に使うには、少なくとも24〜32 GBの統合メモリを見込んでください。標準のM1またはM2を搭載したMac（8 GBまたは16 GB）では足りず、Pro、Max、またはUltraチップが必要です。

Qwen3 32Bは328億パラメータの密なモデルで、ネイティブのコンテキスト長は32,768トークン、YaRNを使えば131,072トークンまで拡張できます。Macでは、単に「読み込めるか」だけでなく、「実際の空きメモリはどれだけあり、どの量子化方式とコンテキスト長を使うか」が問題になります。このガイドでは、最もメモリの少ない構成では実際には対応していないことを踏まえ、Mac M1またはM2について検証可能な数値を詳しく説明します。

著者 Mohamed Meguedmi·更新 2026-09-28·Windows・macOS・Linuxでテスト済み

#実際に必要な統合メモリ

まず確認すべきなのは、パラメータ数ではなく、量子化したモデルの容量です。mlx-communityが公開したMLX 4ビット版は、ディスク上でも読み込み時のメモリ上でも18.4 GBを占めます。Macのユニファイドメモリは、システム、起動中のアプリケーション、モデルで共有されます。RAMの総容量が18.4 GBしかなければ、システムにも会話のコンテキストにも余裕がありません。

公式の Qwen には、この重みの背後にあるアーキテクチャが記載されています。64層、クエリには64ヘッド、キーとバリューには8ヘッドのグループクエリアテンション（GQA）です。具体的には、KVヘッド数が少ないということは、等ヘッド数の通常のマルチヘッドアテンションと比較して、コンテキストのトークンあたりのKVキャッシュがよりコンパクトになることを意味します。これは、328億パラメータのデンスモデルが、モデルの重み自体が利用可能なRAMに収まることを条件に、Macのユニファイドメモリ上で実用的に動作する理由の一つです。

Qwen3 32Bに必要なユニファイドメモリ
構成実現可能性注記
16 GBのユニファイドメモリ非現実的モデルだけで（4ビット量子化で 18.4 GB）、すでに RAM の総容量を超えています。
24 GBのユニファイドメモリ可能（コンテキスト長を短く設定）システムと KV キャッシュに使えるメモリの余裕が少ないため、一時的な利用にとどめてください。
32GBのユニファイドメモリ快適中程度のコンテキスト処理に十分な余裕があり、頻繁なスワップは発生しません。
64GB以上余裕あり長いコンテキストを利用でき、他のアプリケーションも開いたままにしておけます。

#32BモデルにはどのM1/M2チップが適していますか？

Macキット

あなたのMacでローカルAIを最大限に活用：ユニファイドメモリ、MLXとGGUFの比較、お使いのチップに合ったモデル、Apple Silicon向けに調整済みのOllamaとLM Studio。

  • 永久に利用できるオンラインスペース
  • PDF + ファイル
  • 30日間返金対応
Mac キット →または すべてのキットを無期限で利用 — 49 € →

MacBook AirまたはProのM1またはM2「基本構成」は、8GBまたは16GBの統合メモリで販売されています。これはQwen3 32Bには不十分です。4ビットでも同様です。システムとコンテキストを考慮しても余裕を持たせるためには、少なくとも32GBの統合メモリで構成されたM1 Pro/Max/UltraまたはM2 Pro/Max/Ultraチップを選ぶ必要があります。これはGPUの計算能力の問題ではなく、購入後に増設できない、マシンに物理的に存在するメモリの量の問題です。

!
反論：「自分のマシンでは16GBと表示されているし、スワップを使えば動くはず」
技術的には、macOS は SSD を補助メモリ（スワップ）として利用できます。しかし、SSD の転送速度はユニファイドメモリとは比較にならないほど低いため、大量のスワップが発生するモデルは実用になりません。応答時間は秒単位ではなく分単位になります。日常的に使うための現実的な選択肢ではありません。

#MLXかllama.cpp/Ollamaか

MLXは、Apple Siliconのユニファイドメモリアーキテクチャを活用するために開発されたフレームワークです。llama.cpp（およびそれを基盤とするOllama）も引き続き有力な代替手段で、GGUF量子化のエコシステムがより広く、すでに他のマシンでOllamaを使っている人には導入しやすいという利点があります。特にQwen3 32Bでは、mlx-communityコミュニティの公式MLX 4ビット版は、サイズ（18.4 GB）の面で同等のGGUF量子化版と直接比較できます。そのため、選択を左右するのは主に、すでに使い慣れているツールであり、実行できるかどうかの違いではありません。

MLXを選択
すでにPython/Hugging Faceのエコシステムを利用していて、Apple Siliconのアーキテクチャに最も近い形でモデルを変換したい場合。
Ollama/llama.cpp を選択
単一のコマンド、標準的なローカルサーバー、PC/Linuxと同じツールとの互換性を求める場合。

#MLXでインストールする手順

  1. 01
    使用可能なメモリを確認
    アクティビティモニタの「メモリ」タブで、何かを起動する前に、マシンの公称RAM総容量だけでなく、実際に空いているメモリ量を記録する。
  2. 02
    mlx-lmをインストール
    バージョンの競合を避けるため、Pythonパッケージmlx-lmをグローバル環境ではなく専用の環境にインストールする。
  3. 03
    4ビット版をダウンロード
    読み込み時のメモリ使用量を抑えるため、量子化されていないバージョンではなくmlx-community/Qwen3-32B-4bitを取得する。
  4. 04
    まずコンテキスト長を短くして起動する
    まず短いコンテキスト（4,000〜8,000トークン）で始め、モデルが読み込まれて応答することを確認してから、実際のメモリ残量に応じてコンテキストを徐々に増やす。

#macOS用GPUメモリ設定（非公式）

Apple Siliconでは、macOSがデフォルトでユニファイドメモリの一部をGPUからアクセスできない領域として確保しています。Metalが提示する推奨作業領域のサイズは、RAM全体の約75％です。技術的には、iogpu.wired_limit_mbというシステム設定でこの上限を引き上げることができます。ただし、Appleが公式に文書化している設定ではありません。技術コミュニティで知られている非サポートの手法であり、今後のmacOSアップデートで仕様が変わったり、機能しなくなったりする可能性があります。

GPU メモリの上限を上げる（非公式、個人の責任で）
sudo sysctl iogpu.wired_limit_mb=26624

値の単位はメガバイトで、物理メモリの容量を下回る必要があります。総RAM容量からmacOS用の6〜8 GBを差し引いてください。上の例は32 GBのMacを想定しています（26,624 MB、つまりGPU用に26 GB）。64 GBのMacでは、57,344 MBにすると同じ余裕を残せます。出回っている122,880 MBという設定例は128 GBのマシンを想定したものです。これを32 GBのM1またはM2にそのままコピーすると、搭載メモリの容量を超えてしまいます。

i
覚えておきたいこと
この設定は、手動で永続化しない限り、再起動するとデフォルト値に戻ります。また、Appleはこの構成での安定性を一切保証していません。システムのメモリプレッシャーを監視し、不安定になった場合に元の設定へ戻す用意があるユーザーのみが使用してください。

#思考モード：間接的なメモリコスト

Qwen3-32Bには、最終回答の前に内部的な推論を生成する「推論モード」と、直接回答するモードを切り替える仕組みがあります。使用するツールに応じて、enable_thinkingパラメータ、または/thinkと/no_thinkのタグで切り替えます。メモリ容量の限界に近いマシンでは、推論モードは間接的ながら実際に影響を及ぼします。最終回答の前に生成される推論トークンは1つずつ現在の会話のコンテキストに追加され、それに伴って増大するKVキャッシュにも加わるためです。メモリが24〜32 GBのMacでは、簡単な質問に対して推論モードを無効にすることで、コンテキストの増大を抑え、長時間のセッションでメモリがいっぱいになるリスクを減らせます。

→
反論：「思考モードは品質を向上させます。なぜ無効にすべきですか？」
常に無効にするということではありません。タスクに応じて必要な場合（複数段階の推論、計算、複雑なコード）に有効にし、短いやり取りではダイレクトモードを使います。短いやり取りでは、トークンとメモリのコストに比べて品質向上の効果がわずかだからです。

#スワップエラーとメモリ逼迫の兆候

メモリ不足の最も明確な兆候は、明示的なエラーメッセージではなく、急激な動作の遅さです。macOSがSSDへのスワップ書き込みを始めるため、モデルだけでなくシステム全体が遅くなります。最初の応答を待つ前に、アクティビティモニタで、モデルの読み込み中にメモリプレッシャーの表示がオレンジ色や赤色に変わっていないか確認してください。

読み込み時にメモリプレッシャーがオレンジ色または赤色になる
指定するコンテキストのサイズを小さくするか、利用可能なら、より軽量な量子化に切り替える。
モデルは読み込まれますが、最初の応答には数分かかります
スワップが発生している兆候です。再実行する前に、メモリを多く消費するアプリケーションを閉じる。
読み込みがすぐに失敗する
量子化を考慮しても、このサイズのモデルにはマシンのユニファイドメモリの総容量がおそらく不足しています。

コマンドラインでvm_stat（スワップされたページ数を示す「Pageouts」）やmemory_pressure -Qを使うと、アクティビティモニタの視覚的な指標だけを見るよりも正確に診断できます。処理の遅さがメモリ不足によるものなのか、それとも別のボトルネック（ディスクの空き容量不足、長時間の使用によるサーマルスロットリング）によるものなのかを確認するのに役立ちます。モデルの生成中にPageoutsの数が増えることは、コンテキストも含めた現在の構成に対してユニファイドメモリが不足していることを示す、最も信頼できる兆候です。

#長文コンテキスト：メモリの実際のコスト

Qwen3-32Bの標準コンテキストは32,768トークンで、YaRNによって131,072トークンまで拡張できますが、その分のメモリ消費は避けられません。実際に使われるコンテキストの各トークンがKVキャッシュに追加され、会話が続くにつれてキャッシュは大きくなります。メモリ容量に余裕のないマシン（24～32GB）では、コンテキストを控えめなサイズ（8,000～16,000トークン）にすることで、安全のための余裕を残せます。131,072トークンへの拡張は、モデルをロードした後も十分な余裕が残る、64GB以上のユニファイドメモリを備えたマシンに限って使うこと。

#モードに応じた推奨設定

メモリが限られたマシンでは、サンプリングパラメータの選び方が動作に影響します。設定が適切でないと、回答が不必要に長くなり、それに伴ってコンテキストやKVキャッシュも大きくなることがあります。Qwenは有効なモードごとに異なる設定を公開しています。他のモデルの汎用的なデフォルト値をそのまま使うのではなく、これらの設定をMLXクライアントまたはOllamaの生成パラメータに明示的に指定してください。

Qwen が推奨する生成設定（モードごと）
パラメータ思考モード（enable_thinking=True）直接モード（enable_thinking=False）
Temperature0,60,7
Top P0,950,8
Top K2020
Min P00

Qwenはまた、複雑なリクエストの大半について、最大32,768トークンの出力長を確保することを推奨しています。繰り返しが発生する場合は、presence_penaltyを0〜2の範囲で調整して抑えることも推奨しています。ただし、値が高すぎると、回答に複数の言語が混在する可能性があります。メモリに余裕のないMacでは、これほど大きな最大出力長は理論上の設定にとどめるべきです。実際には、質問に答えられた時点で生成を止めれば、KVキャッシュが無駄に増えるのを防げます。

よくある質問
M1チップを搭載した8GBメモリのMacは、Qwen3 32Bを実行できますか？+
いいえ。モデルの4ビット版だけですでに18.4GBあり、システムやコンテキストの分を数える前から、メモリが8GBまたは16GBのMacの総メモリ容量を超えています。最低でも24〜32GBのユニファイドメモリを搭載した構成が必要です。快適に使うには、Pro、MaxまたはUltraチップを搭載し、メモリが32GB以上ある構成が理想的です。
Qwen3 32BをMacで使う場合、MLXかOllamaのどちらが適していますか？+
どちらも同程度のファイルサイズ（4ビットでは約18〜20 GB）で動作します。MLXはApple Siliconのユニファイドメモリアーキテクチャ向けに設計されています。一方、Ollama/llama.cppをすでに他のマシンで使っているなら、そちらのほうが導入しやすいでしょう。どちらを選んでも必要な最小メモリ容量は変わらず、変わるのはモデルを扱うためのツールだけです。
iogpu.wired_limit_mb の設定は安全ですか？+
これはAppleが公式に文書化している設定ではありません。技術コミュニティで紹介されており、実際には動作しますが、サポート対象外です。再起動するとデフォルト値に戻り、将来のmacOSアップデートで変更される可能性もあります。アクティビティモニタの「メモリプレッシャー」指標を監視し、いつでも元に戻せるようにして使用すること。
32GBメモリのマシンでどの程度のコンテキストを使用すべきですか？+
8,000〜16,000トークンの中程度のコンテキストなら、4ビットのモデル（18.4GB）を読み込み、システムが使うメモリを含めても、十分な余裕が残ります。YaRNによる131,072トークンへのコンテキスト拡張は、メモリが64GB以上のマシンに限定すること。その容量なら、KVキャッシュが増大してもメモリを使い切らないだけの余裕があります。
Qwen3-32B向けの生成設定はどのようなものでしょうか？+
Qwenは、思考モードではtemperature=0.6、top_p=0.95、top_k=20、直接回答モードではtemperature=0.7、top_p=0.8、top_k=20を推奨し、どちらの場合もmin_p=0としています。これらの値は品質と回答の長さのバランスを取ります。また、メモリに余裕のないMacでは、KVキャッシュを増大させる不必要に長い生成を避けることにもつながります。
思考モードがより多くのメモリを消費するのはなぜですか？+
思考モードは最終回答の前に内部的な推論を生成し、その推論の各トークンが進行中の会話のコンテキストに追加されます。そのため、会話とともに増大するKVキャッシュにも追加されます。メモリが24〜32GBのMacでは、簡単な質問でこのモードを無効にすると、キャッシュの増大を抑え、長時間のセッションでメモリが限界に達するリスクを減らせます。
このガイドは役に立ちましたか？

ご意見、誤りのご指摘、補足はありますか？ぜひお知らせください。皆さんにとってより良いガイドにするために役立ちます。