ランキング更新日：2026年9月22日
ローカルで自律的なエージェントを構築するための最も信頼性の高いLLMのランキング：関数呼び出しの精度、マルチターンの堅牢性、JSONスキーマの理解、アクションプランを維持するための十分なコンテキスト。
デンス型27Bマルチモーダルモデル、2026年4月22日公開。262kコンテキスト（YaRNで1M）。SWE-bench Verified 77.2%。
ollama run qwen3.6:27b
Qwen 3.8 27B：テキストと画像に対応するDenseマルチモーダルモデル、コンテキスト262k、Q4でVRAM約16 GB（Ollamaの重みは18 GB）。Apache 2.0、エージェント型コーディングと画像認識に対応。
ollama run qwen3.8:27b
GLM-4.7-Flash（MoE 31B、アクティブパラメータ約3B）：30Bクラスでコード性能とVRAM使用量のバランスが最も優れています。MITライセンス、128kコンテキスト、3090/4090で非常に高速。
ollama run glm-4.7-flash
MoE 30B（アクティブパラメータ3B）：thinkingモード + instruct。IMO 2025とIOI 2025で金メダル。アクティブパラメータが3Bのため推論が高速で、30Bレベルの推論能力を備えます。2026年4月リリース。
ollama run nemotron-cascade-2
エージェント型コーディングと推論を重視したCohereの30.5Bモデル。コンテキスト488k、Apache 2.0、Q4で約18 GBのVRAM。
ollama run north-mini-code-1.0
エージェント型コーディング向けのMoE。総パラメータ35B、アクティブ3B。SWE-Bench 73.4%。2026年4月16日リリース。
ollama run qwen3.6:35b-a3b
MoE、総パラメータ数 30B／アクティブパラメータ数 3B、ハイブリッド思考。MMLU 81.4、AIME24 80.4。100以上の言語に対応。
ollama run qwen3:30b-a3b
| 順位 | モデル | Params | VRAM Q4 | コンテキスト | ライセンス |
|---|---|---|---|---|---|
| #1 | Qwen 3.6 27B | 27B | 16 GB | 262 144 | Apache 2.0 |
| #2 | Qwen 3.8 27B | 27B | 16 GB | 262 144 | Apache 2.0 |
| #3 | GLM 4.7 Flash | 31B | 19 GB | 128 000 | MIT |
| #4 | Nemotron Cascade 2 30B-A3B | 30B | 17 GB | 128 000 | NVIDIA Open Model License |
| #5 | North Mini Code 1.0 | 30.5B | 18 GB | 488 000 | Apache 2.0 |
| #6 | Qwen 3.6 35B-A3B | 35B | 21 GB | 262 000 | Apache 2.0 |
| #7 | Qwen 3 30B-A3B | 30B | 19 GB | 131 072 | Apache 2.0 |
あなたのマシンで動作するエージェント：エージェント型 Cline、MCP、n8n + Ollama、ローカル自動化。
7B以上で、コンテキストが32k以上（アクション履歴を保持するため）、かつchatまたはreasoningタグが付いたモデルを優先します。スコアは、最近のモデルと中規模から大規模のモデル（function callingの信頼性が高まる規模）が有利になるように付けられます。
考慮した基準：
スコアリングの仕組みはすべて公開しています。 私たちの方法論 でVRAMやtokens/secの計算の詳細をご確認ください。
ローカルで動作する自律型エージェントには、どのLLMが適していますか？
Qwen 3.6 27B が当サイトの第1位です。Mistral Small 3.1は、ツール使用時の信頼性と低レイテンシで特に高く評価されています。これらは、1つのタスクで20回以上の呼び出しを行うエージェントにとって極めて重要です。
Ollama は function calling をサポートしていますか？
はい、バージョン0.3.0以降では、次のパラメータを使うことで可能です： tools。LM StudioとvLLMも対応しています。モデルがツール利用向けに学習されていることを確認してください（最近のMistral、Qwen、Llamaは対応しています）。
ローカルエージェントを構築するには、どのフレームワークを使えばよいですか？
LangGraph, CrewAI, AutoGen, Smolagents — いずれもOpenAI互換のエンドポイント経由で、ローカルのOllamaを接続先として指定できます（http://localhost:11434/v1).
reasoning とエージェントの違いは？
推論モデル（DeepSeek R1、QwQ）は、回答する前に思考の連鎖を展開します。エージェントモデル（Mistral Small、Qwen）は外部ツールを選択して呼び出します。両者は組み合わせることができます。推論で計画を立て、エージェントで実行します。