結論

LM Studioとは、LLM(大規模言語モデル)を自分のパソコンにダウンロードして動かすためのデスクトップアプリです。モデルを探す・入れる・チャットする・OpenAI 互換の API として使う、までを1つの画面で行えます。Windows・Mac・Linux に対応しています。

この記事でわかること

  • 対応OS・必要な環境・入れ方・使い方(公式の記載と確認日つき)
  • モデルの大きさ×量子化のビット数から出した必要メモリの計算表
  • ローカルサーバー(OpenAI互換API)と lms コマンドの使い方

2026年11月11日更新|公式サイト・公式ドキュメント(lmstudio.ai)で確認・メモリの表は Python 3.13 で計算

この記事で実際に動かしたものは、「パラメーター数×量子化のビット数」から必要メモリの目安を出す Python の計算です。LM Studio 本体はこの環境に入れておらず、アプリの説明は公式サイトと公式ドキュメントの記載だけで書いています。

LM Studio の中で、モデルがどこから来てどこで使われるかを先に図で示します。

flowchart TD
    H[モデルの配布元<br>Hugging Face] -->|探して<br>ダウンロード| L[LM Studio<br>手元のパソコン]
    L --> C[チャット画面<br>会話・文書の添付]
    L --> S[ローカルサーバー<br>OpenAI 互換 API]
    S --> A[自作のプログラム<br>ほかのツール]

よく調べられることの答えを先にまとめます。

知りたいこと 答え 詳しい節
LM Studio とは ローカル LLM を手元のパソコンで動かすデスクトップアプリ LM Studioとは
LM Studio は無料か 公式の料金ページに Free($0)のプランがある。条件は公式の利用規約で確かめる 料金と利用条件
LM Studio の必要スペック 公式の推奨はメモリ 16GB 以上。Windows は専用 VRAM 4GB 以上を推奨 対応OSと必要な環境
LM Studio のインストール 公式のダウンロードページから OS に合うインストーラーを取得 インストール方法
LM Studio の使い方 入れる→モデルを取得→読み込む→チャット、の4ステップ 最初の4ステップ
Q4・Q8 の意味 量子化(モデルを小さくする技術)の段階。数字が小さいほどファイルが小さい 量子化の表記の読み方
どのモデルが動くか 8B・4bit なら重みは約 4.0GB。計算表で目安を出せる 必要メモリの目安
LM Studio の API ローカルサーバーを起動すると OpenAI 互換のエンドポイントで呼べる ローカルサーバーの使い方
Ollama との違い 役割の重なる道具。画面中心か、コマンド中心かで選ぶ 役割分け(判断表)

確認環境:LM Studio の説明は、すべて提供元の公式サイトと公式ドキュメント(lmstudio.ai の Docs・Download・Pricing・Blog)で確かめた内容です。LM Studio 本体はこの環境に入れておらず、画面の操作とコマンドは公式の説明だけで書いています。画面の名前(Discover・Chat・Developer・My Models など)は、公式ドキュメントに出てくる語をそのまま使い、公式の文面で確かめられなかった操作は名前を出さずに働きで説明しています。ダウンロードページに表示されていた版は 0.4.28(Windows 向けの表示)でした。必要メモリの表は、Ubuntu の上の Python 3.13.18 で実際に計算した出力です(概算の式で、実測ではありません)。図は mermaid で描画を確かめています。料金・動作要件・画面の名前は変わることがあるため、2026年11月11日時点の内容です(確認日 2026年11月11日)。

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「LM Studioとは|使い方・インストール・必要メモリの計算表とAPI」

LM Studioとは:できることと仕組み

この節では、LM Studio が何をするアプリで、中で何が動いているのかが分かります。

LM Studio は、LLM を自分のパソコンにダウンロードして、そのパソコンの上で動かすためのデスクトップアプリです。 公式ドキュメントは、LM Studio でできることとして次の6つを挙げています。

1

モデルを動かす

gpt-oss・Llama・Qwen などのローカル LLM をダウンロードして手元で動かす。

本体の役割

2

チャットする

チャットの画面でモデルと会話する。文書ファイルを添付して質問することもできる。

Chat タブ

3

モデルを探す

Hugging Face にあるモデルを、アプリの中から検索してダウンロードする。

Discover タブ

4

API として使う

OpenAI に似た形のエンドポイントで、手元またはネットワークの中にモデルを公開する。

Developer タブ

5

MCP につなぐ

MCP サーバーをつなぎ、ローカルのモデルから外部の道具を使えるようにする。

0.3.17 から

6

管理する

ダウンロードしたモデル・プロンプト・設定を手元でまとめて管理する。

My Models

ローカルLLMとは

ローカル LLM は、クラウドのサービスに文章を送るのではなく、手元のパソコンの中でモデルを動かす使い方です。モデルの本体は「重み」と呼ばれる大きなファイルで、公式ドキュメントは、重みが多くの場合 .gguf や .safetensors という形式のファイルで配られていると説明しています。モデルを使うには、この重みを取得して、メモリに読み込む作業が要ります。LM Studio はこの「取得する」「読み込む」「話しかける」をまとめて面倒を見るアプリです。

中で動いているもの(llama.cpp と MLX)

公式ドキュメントによると、LM Studio は Mac・Windows・Linux で llama.cpp を使って LLM を動かします。Apple Silicon の Mac では、Apple の MLX でも動かせます。llama.cpp は GGUF 形式のモデルを動かすための実行エンジンで、LM Studio はその上に、モデルの検索・チャットの画面・サーバーの機能を載せたものと捉えると全体が見えやすくなります。

llama.cpp 自体の使い方と GGUF の量子化は、関連記事「llama.cppとは|使い方・ビルド・GGUF量子化とllama-server」で扱っています。

16GB公式が推奨するメモリMac・Windows の動作要件の記載
1234公式の例で使うポートlocalhost:1234/v1
60分自動で降ろすまでの既定API 経由で読み込んだモデル

LM Studioの料金と利用条件(公式の説明)

この節では、LM Studio にいくらかかるかと、仕事で使うときに何を確かめるかが分かります。

公式の料金ページには、$0 の Free プランがあり、「自分のマシンでローカル LLM を動かす」ことはこのプランに含まれています(2026年11月11日時点)。 有料のプランは、提供元がホストするモデルや、利用枠の追加に関するものです。

プラン 料金(公式の表示) 公式の説明の要点
Free $0 ローカルのモデル(llama.cpp・MLX)を自分のマシンで動かす
Bionic+ 月額 $20(USD) Free の内容に加えて、提供元がホストするオープンソースのモデルなど
Pro 月額 $100(USD) Bionic+ の内容に加えて、利用枠の拡大など

仕事での利用について、公式ブログは2025年7月8日の記事で「この日から、LM Studio は家でも仕事でも無料で使える」と発表し、それまで仕事で使うときに求めていた手続きをなくしたと説明しています。組織向けには、Team の組織を作る方法と、Enterprise の問い合わせ窓口が公式サイトに用意されています。

確かめておくこと

  • アプリの利用規約:ダウンロードページには「利用規約のもとで提供する」と書かれています。会社で使う前に、提供元の最新の利用規約を読んで確かめます。
  • モデルごとの利用条件:LM Studio 本体と、その中で動かすモデルは、別々の提供元が別々の条件で配っています。モデルの利用条件は、モデルの配布ページに書かれた内容を、モデルごとに確かめます。この記事では、個々のモデルを仕事や商用で使えるかどうかの判断はしません。
  • 入力する情報の扱い:機密の情報や個人の情報を扱うときは、自分の組織の決まりと、提供元の最新の説明を先に確かめます。

LM Studioの対応OSと必要な環境(動作要件)

この節では、LM Studio が動く OS と、公式が示しているメモリ・CPU・GPU の条件が分かります。

LM Studio は macOS・Windows・Linux に対応し、公式はメモリ 16GB 以上を推奨しています。 公式ドキュメントの「System Requirements」のページの記載を、OS ごとに表にしました(2026年11月11日時点)。

項目 macOS Windows Linux
CPU の種類 Apple Silicon(M1・M2・M3・M4) x64 と ARM(Snapdragon X Elite) x64 と ARM64(aarch64)
OS の版 macOS 14.0 以降 記載なし Ubuntu 20.04 以降
メモリ 16GB 以上を推奨 16GB 以上を推奨 記載なし
GPU 記載なし 専用 VRAM 4GB 以上を推奨 記載なし
そのほか Intel の Mac は現在対象外 x64 は AVX2 命令に対応した CPU が必須 AppImage で配布。x64 は AVX2 対応で提供

公式の記載には、次の補足があります。

  • メモリ 8GB の Mac でも使える場合があるが、小さめのモデルと控えめなコンテキスト長にとどめる。
  • Linux は、Ubuntu の 22 より新しい版では十分に試されていない。

「16GB」は LM Studio というアプリの推奨で、動かしたいモデルが大きければ、それに見合うメモリが別に要ります。どのくらいのモデルが収まるかは、後ろの節の計算表で目安を出します。VRAM の確かめ方と、GPU に載せるときの考え方は、関連記事「VRAMとは|確認方法・必要量の目安とLLMの計算式をPythonで解説」で扱っています。

LM Studioのインストール方法(Windows・Mac・Linux)

この節では、LM Studio の入れ方を OS ごとに、公式の記載の範囲で確かめられます。

入れ方は、公式のダウンロードページ(lmstudio.ai/download)から、自分の OS に合うインストーラーを取得して実行する、の1つです。 公式ドキュメントは「Downloads のページへ行き、自分の OS のインストーラーをダウンロードする」と案内しています。

OS 公式の記載 入れる前に見る点
Windows ダウンロードページに Windows 向けのダウンロードがある(x64 と ARM に対応) x64 は CPU が AVX2 に対応しているか
Mac Apple Silicon の Mac 向け。macOS 14.0 以降 Intel の Mac は現在対象外
Linux AppImage の形で配布 Ubuntu 20.04 以降。22 より新しい版は十分に試されていない

インストーラーの画面の文言や、起動直後の案内の画面は、公式ドキュメントに細かい記載がないため、この記事では書いていません。画面の案内に沿って進めます。

取得元

避ける検索で出てきた配布サイトや、まとめサイトのリンクからインストーラーを取得する
→
代わりに公式サイト lmstudio.ai のダウンロードページから取得する

アドレス欄のドメインが lmstudio.ai であることを確かめる

会社のパソコン

避ける自分の判断だけで入れて、数GBのモデルを社内の回線でダウンロードする
→
代わりにソフトを入れる決まりと、扱ってよい情報の範囲を、管理している部署に先に確かめる

アプリの利用規約と、モデルごとの利用条件も合わせて確かめる

画面を日本語にする

公式ドキュメントの言語のページには、LM Studio が対応する言語として English・Spanish・Japanese・Chinese・German などが挙げられており、日本語が含まれています。切り替えは設定の画面で行います。設定は macOS なら cmd + ,、Windows・Linux なら ctrl + , で開けると書かれており、言語は「Preferences > Language」の選択欄で選びます。

User と Developer の2つのモード

公式ドキュメントによると、LM Studio の画面には2つのモードがあります。

User

チャットの画面だけを表示する

設定は自動で決まる

初めての人、既定の設定で使う人向け

Developer

すべての機能を使える

読み込みと生成のパラメーターを変えられる

キーボードショートカットと開発向けの機能を含む

Developer モードは「Settings > Developer」で有効にできると書かれています。以前あった Power User モードは、今の Developer モードにまとめられたという説明です。ほかの解説で「パワーユーザーにする」という手順を見かけたときは、版による違いと考えて、今の画面の Developer の設定を探します。

LM Studioの使い方:最初の4ステップ

この節では、入れてから最初の会話をするまでの流れが分かります。

公式ドキュメントの「Get started」は、入れる・モデルをダウンロードする・モデルを読み込む・チャットする、の4ステップです。

1

LM Studio を入れる

公式のダウンロードページから最新版を取得して入れる。自分のパソコンが動作要件を満たしているかを先に確かめる。

動作要件は前の節の表

2

モデルをダウンロードする

Discover タブを開き、用意されたモデルの一覧から選ぶか、名前で検索してダウンロードする。モデルは数GBあるので、回線とディスクの空きを見ておく。

Discover タブ

3

モデルを読み込む

Chat タブでモデルを選ぶ欄を開き、ダウンロード済みのモデルを選ぶ。読み込むときのパラメーターを変えることもできる。

Chat タブ

4

チャットする

読み込みが終わると、Chat タブでモデルと会話のやり取りを始められる。

Chat タブ

3つ目の「読み込む」について、公式ドキュメントは「モデルを読み込むとは、多くの場合、モデルの重みを収められるだけのメモリを確保すること」と説明しています。ダウンロードはディスクにファイルを置く作業、読み込みはそのファイルをメモリに載せる作業です。ディスクに置けても、メモリに載らなければ動きません。この違いが、モデル選びでいちばんつまずきやすい点です。

モデルの探し方と量子化の表記(Q4・Q8)の読み方

この節では、Discover タブでのモデルの探し方と、ダウンロードの選択肢に付いている記号の読み方が分かります。

LM Studio には、Hugging Face にある対応モデルをダウンロードする機能が組み込まれています。 公式ドキュメントによる探し方は次の3通りです。

  • キーワードで探す:モデルの名前の一部などを入れて検索する。
  • user/model の形で探す:配布している人(組織)の名前とモデルの名前を、スラッシュでつないで指定する。
  • URL を貼る:Hugging Face のページの URL を、検索欄にそのまま貼り付ける。

Discover タブへは、どの画面からでも Mac なら ⌘ + 2、Windows・Linux なら ctrl + 2 で移れると書かれています。モデルを保存するフォルダーは My Models から変えられます。

量子化の表記の読み方

1つのモデルに対して、Q3_K_S や Q_8 のような記号の付いた選択肢がいくつも並びます。公式ドキュメントは、これを次のように説明しています。

  • これらは同じモデルを、忠実さの段階を変えて用意したものである。
  • 「Q」は Quantization(量子化) を表す。量子化は、品質をいくらか引き換えにして、モデルのファイルを小さくする技術である。
  • 自分のマシンで動かせるなら、4ビット以上の選択肢を選ぶ。

公式の説明の範囲で言えるのは、Q の後ろの数字がビット数の段階を表し、数字が小さいほどファイルが小さく、数字が大きいほど元のモデルに近い、ということです。数字の後ろに付く _K_S などの細かい記号の意味は、LM Studio の公式ドキュメントでは説明されていません。記号の中身は、モデルを変換する側(GGUF を作る llama.cpp)の決まりなので、先に挙げた llama.cpp の関連記事で確かめられます。

表記の部分 読み方 確かめた範囲
8B・14B など パラメーター数。B は10億(billion)で、8B は約80億個 一般的な表記(モデルの配布ページ)
Q Quantization(量子化) LM Studio 公式ドキュメント
Q の後ろの数字 ビット数の段階。小さいほどファイルが小さい LM Studio 公式ドキュメント(「4ビット以上」の記載)
数字の後ろの記号 量子化の方式の細かい違い LM Studio 公式には説明なし
GGUF・MLX モデルのファイル形式・実行エンジンの種類。MLX は Apple Silicon 向け LM Studio 公式ドキュメント

アプリの外で取得したモデルを取り込む

LM Studio の外でダウンロードした GGUF のファイルは、公式ドキュメントに載っている次のコマンドで取り込めます。対話形式の質問に答えていくと、取り込みが終わります。

lms import <path/to/model.gguf>

モデルのフォルダーは、公式ドキュメントでは次の形で示されています。配布元の名前・モデルの名前・ファイル、の3段です。

~/.lmstudio/models/
└── publisher/
    └── model/
        └── model-file.gguf

必要メモリの目安をPythonで計算する(パラメーター数×ビット数)

この節では、モデルの名前に書かれた「8B」「Q4」から、必要なメモリの目安を自分で出す方法が分かります。

重みの大きさは「パラメーター数 × 1パラメーターあたりのビット数 ÷ 8」バイトで概算できます。 8B(80億個)を 4 ビットで持つなら、80億 × 4 ÷ 8 = 40億バイト = 約 4.0GB です。この式は概算で、LM Studio の公式の計算方法ではありません。実際のファイルは、量子化の方式やモデルに含まれる付帯の情報で、この値から前後します。

次のプログラムで、パラメーター数10通り × ビット数6通りの表を作りました。会話の文脈を持つための領域や作業用の領域として、仮に2割の余裕を足した値も出しています(2割は説明のために置いた仮の係数で、コンテキスト長を長くすると、これより多く要ります)。

# モデルの大きさから必要メモリの目安を出す(概算)
# 重み[バイト] = パラメーター数 × 1パラメーターあたりのビット数 ÷ 8
# 目安[GB]     = 重み × 1.2(コンテキストや作業領域の余裕を2割と置いた仮の係数)
GB = 1000**3
params = [1, 3, 4, 7, 8, 12, 14, 20, 30, 70]      # 単位: B(10億)
bits   = [3, 4, 5, 6, 8, 16]
MARGIN = 1.2

def weights_gb(p_b, bit):
    return p_b * 1e9 * bit / 8 / GB

print("表1 重みだけの大きさ(GB)")
print("params  " + "".join(f"{b:>2}bit   " for b in bits))
for p in params:
    print(f"{p:>4}B   " + "".join(f"{weights_gb(p,b):>6.1f}  " for b in bits))

print()
print("表3 4bit のとき、目安がメモリの7割に収まる最大のモデル")
for ram in [8, 16, 24, 32, 64, 128]:
    budget = ram * 0.7
    ok = [p for p in params if weights_gb(p,4)*MARGIN <= budget]
    print(f"RAM {ram:>3}GB  使える枠 {budget:>5.1f}GB  -> {max(ok) if ok else '-'}B まで")

実行した出力です(表2と表4を出す行は上の抜粋では省いていますが、同じ関数で計算しています)。

表1 重みだけの大きさ(GB)
params   3bit    4bit    5bit    6bit    8bit   16bit
   1B      0.4     0.5     0.6     0.8     1.0     2.0
   3B      1.1     1.5     1.9     2.2     3.0     6.0
   4B      1.5     2.0     2.5     3.0     4.0     8.0
   7B      2.6     3.5     4.4     5.2     7.0    14.0
   8B      3.0     4.0     5.0     6.0     8.0    16.0
  12B      4.5     6.0     7.5     9.0    12.0    24.0
  14B      5.2     7.0     8.8    10.5    14.0    28.0
  20B      7.5    10.0    12.5    15.0    20.0    40.0
  30B     11.2    15.0    18.8    22.5    30.0    60.0
  70B     26.2    35.0    43.8    52.5    70.0   140.0

表2 余裕2割を足した目安(GB)
params   3bit    4bit    5bit    6bit    8bit   16bit
   1B      0.4     0.6     0.8     0.9     1.2     2.4
   3B      1.3     1.8     2.2     2.7     3.6     7.2
   4B      1.8     2.4     3.0     3.6     4.8     9.6
   7B      3.1     4.2     5.2     6.3     8.4    16.8
   8B      3.6     4.8     6.0     7.2     9.6    19.2
  12B      5.4     7.2     9.0    10.8    14.4    28.8
  14B      6.3     8.4    10.5    12.6    16.8    33.6
  20B      9.0    12.0    15.0    18.0    24.0    48.0
  30B     13.5    18.0    22.5    27.0    36.0    72.0
  70B     31.5    42.0    52.5    63.0    84.0   168.0

表3 4bit のとき、目安がメモリの7割に収まる最大のモデル
RAM   8GB  使える枠   5.6GB  -> 8B まで
RAM  16GB  使える枠  11.2GB  -> 14B まで
RAM  24GB  使える枠  16.8GB  -> 20B まで
RAM  32GB  使える枠  22.4GB  -> 30B まで
RAM  64GB  使える枠  44.8GB  -> 70B まで
RAM 128GB  使える枠  89.6GB  -> 70B まで

表4 同じ 8B でビット数を変えたとき
 3bit  重み   3.0GB  目安   3.6GB  16bit比  18.8%
 4bit  重み   4.0GB  目安   4.8GB  16bit比  25.0%
 5bit  重み   5.0GB  目安   6.0GB  16bit比  31.2%
 6bit  重み   6.0GB  目安   7.2GB  16bit比  37.5%
 8bit  重み   8.0GB  目安   9.6GB  16bit比  50.0%
16bit  重み  16.0GB  目安  19.2GB  16bit比 100.0%

表の読み方

1ビット数を半分にすると大きさも半分

8B のモデルは 16bit で 16.0GB、8bit で 8.0GB、4bit で 4.0GB。4bit は 16bit の 25.0% の大きさになる。

216GB のパソコンと 4bit

メモリの7割(11.2GB)を枠と置くと、4bit では 14B(目安 8.4GB)までが収まり、20B(目安 12.0GB)は枠を超えた。

3同じ枠なら、大きいモデルの低ビットも入る

14B・4bit(重み 7.0GB)と 7B・8bit(重み 7.0GB)は同じ大きさ。どちらを選ぶかは、用途に合わせて実際に試して決める。

表3の「7割」は、OS やほかのアプリが使う分を3割残すと置いた仮の線です。ブラウザーや開発ツールを多く開いたまま使うなら、枠はもっと小さくなります。また、表3では 8GB のパソコンに 8B・4bit が収まる計算ですが、公式は 8GB の Mac について「小さめのモデルと控えめなコンテキスト長にとどめる」と書いています。計算で枠の上限に近いモデルは、動いても遅くなりやすいと考えて、1段小さいモデルから試すのが無難です。

LM Studio には、読み込む前に必要な資源を見積もる方法が公式に用意されています。lms load の --estimate-only は、公式の説明では「資源(メモリ)の見積もりを表示して、モデルを読み込まずに終わる」オプションです。この記事の表はモデルを選ぶ前のあたりを付けるための概算として使い、実際のパソコンでは、LM Studio が出す見積もりを優先します。

lms load --estimate-only <model_key>

チャット画面の使い方(文書の添付・MCP)

この節では、Chat タブでできることのうち、公式ドキュメントに説明のある機能が分かります。

Chat タブでは、読み込んだモデルと会話でき、文書ファイルを添付して、その内容について質問できます。

文書を添付して質問する

公式ドキュメントによると、チャットに添付できる文書ファイルは .docx・.pdf・.txt です。添付した文書の扱いは、長さで2通りに分かれます。

文書の長さ LM Studio の動き 向いている場面
モデルのコンテキストに収まる ファイルの内容を、会話に丸ごと加える 長いコンテキストを扱えるモデルで、短めの文書を読ませる
とても長い 質問に関係のある部分を取り出してモデルに渡す(RAG) 長い資料の中から、該当する箇所を探して答えさせる

コンテキストは、公式の言い方では LLM の「作業用の記憶」で、上限の大きさがあります。大きさはトークンという単位で数えます。長い文書で答えの質を上げるコツとして、公式は「質問にできるだけ多くの文脈を入れる」「資料に出てくるはずの用語・考え・言葉を質問に含める」「試してみるのがいちばんの近道」の3つを挙げています。

MCP サーバーをつなぐ

公式ドキュメントによると、LM Studio は 0.3.17 から MCP(Model Context Protocol)のホストとして働き、MCP サーバーをつないで、ローカルのモデルから外部の道具を使えます。設定は mcp.json というファイルに書きます。右側のサイドバーの「Program」タブから「Install > Edit mcp.json」を選ぶと、アプリの中の編集画面でこのファイルを開けると書かれています。書き方は Cursor の mcp.json と同じ形式です。

MCP について、公式ドキュメントは次の注意を書いています。

  • 1信頼できない提供元の MCP は入れない公式ドキュメントに、そのままの趣旨の注意書きがある
  • 2MCP サーバーができることを先に確かめる任意のコードを実行する・手元のファイルを読む・ネットワークを使うものがある
  • 3トークンを多く使う MCP に気を付けるクラウドの大きなモデル向けに作られたものは、ローカルのモデルではコンテキストがあふれやすい

ローカルサーバーの使い方(OpenAI互換API)

この節では、LM Studio のモデルを自作のプログラムから呼ぶ方法が、公式ドキュメントの範囲で分かります。

Developer タブでサーバーを起動すると、手元のモデルを OpenAI 互換のエンドポイントで呼べます。 公式ドキュメントは、起動の方法を2つ挙げています。

  • 画面から:Developer タブにある「Start server」のスイッチを入れる。
  • ターミナルから:lms server start を実行する。

サーバーを通じて使える API は、LM Studio 独自の REST API、TypeScript の SDK(lmstudio-js)、Python の SDK(lmstudio-python)、OpenAI 互換のエンドポイント、Anthropic 互換のエンドポイントなどです。ここでは、いちばん広く使われている OpenAI 互換の形を取り上げます。

OpenAI 互換のエンドポイント

メソッド パス 働き
GET /v1/models 使えるモデルの一覧
POST /v1/responses Responses API の形での応答
POST /v1/chat/completions チャット形式の応答(テキストと画像)
POST /v1/completions 文章の続きを生成
POST /v1/embeddings 埋め込み(文章を数値の並びにする)

公式ドキュメントは、OpenAI のクライアントライブラリをそのまま使い、ベース URL を LM Studio のサーバーに向ける方法を示しています。公式の例のポートは 1234 で、ベース URL は http://localhost:1234/v1 です。次のコードは、公式ドキュメントの示す向け先に合わせた書き方の例です(LM Studio を入れていないため、この環境では動かしていません)。

from openai import OpenAI

# 向け先を LM Studio のローカルサーバーに変える(公式の例のポートは 1234)
client = OpenAI(
    base_url="http://localhost:1234/v1",
    api_key="lm-studio",  # 認証を有効にしていないときは使われない。ライブラリが空を許さないための文字列
)

res = client.chat.completions.create(
    model="ここに LM Studio で表示されるモデルの識別子",
    messages=[
        {"role": "system", "content": "短く答える。"},
        {"role": "user", "content": "量子化とは何かを1文で。"},
    ],
)
print(res.choices[0].message.content)

curl では、OpenAI のサーバーの代わりに、手元のサーバーのアドレスへ送ります。

curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "ここに LM Studio で表示されるモデルの識別子",
    "messages": [{"role": "user", "content": "こんにちは"}]
  }'

model に入れる値は、LM Studio の中でのモデルの識別子です。GET /v1/models で一覧を取るか、読み込むときに lms load の --identifier で自分の付けた名前にできます。OpenAI のライブラリ自体の使い方は、関連記事「OpenAI API Python入門|Responses APIのコピペ集」で扱っています。

サーバーの設定(公式の一覧)

設定の名前 公式の説明
Server Port API サーバーが接続を待ち受けるポート番号
Require Authentication API を呼ぶ側に、Authorization ヘッダーでの有効な API トークンを求める
Serve on Local Network 同じローカルネットワークにあるほかの機器から、API サーバーに届くようにする
Enable CORS 別のオリジンの Web アプリから API を呼べるようにする
Just in Time Model Loading リクエストが来た時点でモデルを読み込み、メモリを節約する
Auto Unload Unused JIT Models リクエストで読み込まれたモデルを、使われなくなったらメモリから降ろす

認証と公開範囲

公式ドキュメントには「既定では、LM Studio は API リクエストに認証を求めない」と書かれています。lms server start の --bind の既定は 127.0.0.1(そのパソコンの中だけ)で、0.0.0.0 を指定するとすべての IPv4 のインターフェースで待ち受けます。ほかの機器から届くようにするときは、認証も合わせて有効にするのが筋です。認証を有効にすると、サーバーの設定にある「Manage Tokens」から「Create Token」でトークンを作り、リクエストに次のヘッダーを付けて送ります。トークンは作った時にしか表示されないと書かれています。

curl http://localhost:1234/v1/models \
  -H "Authorization: Bearer $LM_API_TOKEN"

使っていないモデルを自動で降ろす(TTL)

API のリクエストをきっかけに読み込まれたモデル(JIT で読み込まれたモデル)は、公式ドキュメントによると、既定で 60分使われないとメモリから降ろされます。この時間が Idle TTL です。リクエストの本文に "ttl": 300(秒)のように書くか、lms load <model> --ttl 3600 で指定できます。Auto-Evict を有効にしていると、新しいモデルを JIT で読み込む前に、前に JIT で読み込んだモデルを降ろします。複数のモデルを切り替えて呼ぶプログラムを書くときに、メモリがあふれるのを防ぐ仕組みです。

lmsコマンドとllmster(ヘッドレス)の概要

この節では、LM Studio をターミナルから操作する lms と、画面なしで動かす llmster の位置づけが分かります。

lms は LM Studio に付属するコマンドで、別に入れる作業は要りません。 公式ドキュメントによると、lms を使う前に LM Studio を一度は起動しておきます。ターミナルで lms --help を実行すると、使い方が表示されます。

コマンド 働き(公式の説明) 例
lms get モデルを検索してダウンロードする lms get llama-3.1-8b@q4_k_m
lms ls ダウンロード済みのモデルを一覧にする lms ls --json
lms load モデルをメモリに読み込む lms load <model_key> --gpu max
lms ps メモリに読み込まれているモデルを一覧にする lms ps
lms unload モデルをメモリから降ろす lms unload --all
lms chat ターミナルで対話形式のチャットを始める lms chat
lms import 手元のモデルファイルを取り込む lms import <path/to/model.gguf>
lms server ローカルサーバーを起動・停止・確認する lms server start --port 3000
lms log 入ってくる・出ていくメッセージを表示する lms log stream

lms get では、モデルの名前の後ろに @ と量子化の名前を付けると、その段階のものを指定できます。--gguf と --mlx は、表示する形式を絞るオプションです。lms load の主なオプションは次のとおりです。

オプション 公式の説明
--gpu GPU にどれだけ処理を任せるか。値は 0〜1・off・max(0.5 なら層の50%)
--context-length 文章を生成するときに文脈として扱うトークンの数
--ttl この秒数のあいだ使われなければ、モデルを降ろす
--identifier API から参照するときの識別子を付ける
--estimate-only 資源(メモリ)の見積もりを表示し、読み込まずに終わる

llmster:画面なしで動かす

公式ドキュメントによると、LM Studio は画面なしのバックグラウンドのサービスとしても動かせます。方法は2つあり、1つはデスクトップアプリの設定で、ログイン時に LLM のサービスを起動するようにする方法、もう1つは llmster を使う方法です。llmster は、公式の説明では「サーバー・クラウドのインスタンス・CI のための、LM Studio のヘッドレスのデーモン」です。入れ方は公式のダウンロードページとドキュメントに載っており、入れたあとは lms daemon up でデーモンを起動し、lms server start でサーバーを起動します。入れるためのコマンドは、公式のページに表示されているものを、公式のページからそのまま写して使います。

LM Studioをオフラインで使える範囲

この節では、インターネットにつながっていなくてもできることと、つながっていないとできないことが分かります。

モデルをダウンロードしたあとのチャット・文書との対話・ローカルサーバーは、インターネットなしで動きます。 公式ドキュメントの「Offline Operation」のページには、「LLM とチャットするときに LM Studio に入力したものは、端末の外へ出ない」と書かれています。

インターネットなしで動く

ダウンロード済みのモデルとのチャット

文書を添付しての質問(文書は手元に残り、処理も手元で行う)

ローカルサーバー(localhost やローカルネットワークでの API)

インターネットが要る

Discover タブでのモデルの検索

新しいモデルや、実行エンジン(llama.cpp 系など)のダウンロード

アプリの更新の確認

これは提供元の説明です。MCP サーバーや、有料プランに含まれる提供元ホストのモデルなど、外部と通信する機能を使えば、その機能の分は外へ出ていきます。組織で扱う情報の範囲を決めるときは、使う機能ごとに、提供元の最新の説明を確かめます。

LM Studioのよくあるつまずき(症状・原因・直し方)

この節では、LM Studio を使い始めるときにつまずきやすい点と、公式の記載から分かる直し方が分かります。

つまずきの多くは、動作要件・メモリの量・モードの3つに行き着きます。 LM Studio をこの環境に入れていないため、画面に出るエラーの文言は載せていません。症状と、公式の記載から確かめられる原因・直し方を表にしました。

症状 考えられる原因 直し方
Mac で入れられない・起動しない Intel の Mac、または macOS が 14.0 より前 動作要件を確かめる。Apple Silicon と macOS 14.0 以降が条件
Windows(x64)で動かない CPU が AVX2 命令に対応していない CPU の仕様を製造元の資料で確かめる
Linux で不安定 Ubuntu の 22 より新しい版は十分に試されていない 公式が挙げている範囲の版で試す
モデルを読み込めない・とても遅い モデルの重みがメモリに収まっていない ビット数の小さい選択肢か、パラメーター数の小さいモデルに変える。--estimate-only で見積もる
会話が長くなると遅い・途中で切れる コンテキスト長が大きく、メモリを使っている コンテキスト長を控えめにする。新しい会話を始める
解説どおりの設定の画面が見つからない User モードで、チャットの画面だけが表示されている 「Settings > Developer」で Developer モードを有効にする
lms が動かない LM Studio をまだ一度も起動していない LM Studio を一度起動してから、ターミナルを開き直して試す
プログラムから API につながらない サーバーを起動していない・ポートが違う Developer タブの「Start server」を入れる。Server Port の値をベース URL に合わせる
別のパソコンから API に届かない 待ち受けが 127.0.0.1 だけ Serve on Local Network を有効にする。合わせて認証も有効にする
しばらくすると最初の応答が遅い 使われなかったモデルが TTL で降ろされ、読み込み直している ttl を長くするか、lms load で先に読み込む
モデルを検索できない インターネットにつながっていない 検索とダウンロードは接続が要る。別の方法で取得したファイルは lms import で取り込む

メモリが足りないときに選べる手は、次の順で考えると迷いにくくなります。上のものほど、答えの質への影響が小さく済みます。

  1. 1ほかのアプリを閉じて空きを作るブラウザーのタブや開発ツールが使っているメモリを空ける
  2. 2コンテキスト長を控えめにする公式が 8GB の Mac 向けに挙げている手。--context-length でも指定できる
  3. 3ビット数の小さい選択肢に変える8bit から 4bit にすると、重みは半分になる(計算表の表4)
  4. 4パラメーター数の小さいモデルに変える14B から 8B にすると、4bit で 7.0GB から 4.0GB になる(表1)
  5. 5メモリの多いマシンで動かし、API で使う別のマシンでサーバーを起動し、手元からは OpenAI 互換 API で呼ぶ

LM StudioとOllama・Open WebUIの役割分け(判断表)

この節では、ローカル LLM の道具としてよく並べられる Ollama・Open WebUI と、LM Studio の役割の違いが分かります。

3つは優劣の関係ではなく、担当している部分が違います。 LM Studio は「モデルの入手・実行・チャットの画面・API サーバー」を1つのデスクトップアプリにまとめたものです。Ollama は、モデルを動かして API で出す部分を、コマンドを中心に扱う道具です。Open WebUI は、モデルを動かす側(Ollama や OpenAI 互換 API)につないで使う、ブラウザーのチャット画面です。

やりたいこと 入口にしやすいもの 理由
まず1台のパソコンで、画面でモデルを選んで話してみたい LM Studio 検索・ダウンロード・チャットが1つのアプリの画面にある
ターミナルとスクリプトで、モデルの取得から実行までを扱いたい Ollama、または LM Studio の lms どちらもコマンドで操作でき、OpenAI 互換の API を持つ
ブラウザーのチャット画面を、複数の人で使いたい Open WebUI 利用者の管理を持つ Web の画面。モデルを動かす側は別に用意する
Open WebUI の後ろで動くモデルを用意したい Ollama、または OpenAI 互換 API を出せるもの LM Studio のローカルサーバーも OpenAI 互換の形で出せる
GPU のサーバーで、多くのリクエストをさばきたい vLLM など、サーバー向けの推論エンジン 目的が「サーバーでの配信」で、デスクトップのアプリとは役割が違う
量子化やビルドの中身から理解したい llama.cpp LM Studio が中で使っている実行エンジンそのもの

どれか1つに決める話でもありません。LM Studio でモデルを試してから、同じモデルを API で自作のプログラムにつなぐ、という進め方もできます。OpenAI 互換の形でそろえておくと、プログラムの側はベース URL を変えるだけで向け先を替えられます。

それぞれの使い方は、次の記事で扱っています。Ollama のコマンドと API は、関連記事「Ollamaの使い方|ローカルLLMのコマンド一覧とAPIの呼び方」で扱っています。ブラウザーのチャット画面は、関連記事「Open WebUIとは|インストール・使い方・Ollama接続とRAG設定」で扱っています。サーバー向けの推論エンジンは、関連記事「vLLMとは|使い方・インストール・OpenAI互換APIとOllamaとの違い」で扱っています。

クラウドの AI サービスとの違い

観点 ローカル(LM Studio など) クラウドの AI サービス
動く場所 手元のパソコン 提供元のサーバー
入力した文章 提供元の説明では、チャットの入力は端末の外へ出ない 提供元のサーバーへ送る。扱いは各サービスの規約による
速さ・扱える大きさ 手元の CPU・GPU・メモリで決まる 提供元の設備で決まる
費用のかかり方 パソコンと電気。アプリは Free のプランがある 月額や、使った量に応じた料金
インターネット モデルの取得後は、なしでもチャットできる 必要

よくある質問

Q. LM Studioとは何ですか? A. LLM を自分のパソコンにダウンロードして動かすためのデスクトップアプリです。モデルの検索とダウンロード、チャット、文書を添付しての質問、OpenAI 互換のローカルサーバーを1つのアプリで扱えます。macOS・Windows・Linux に対応しています。

Q. LM Studioは無料で使えますか? A. 公式の料金ページには $0 の Free プランがあり、ローカルのモデルを自分のマシンで動かすことが含まれています(2026年11月11日時点)。公式ブログは2025年7月8日に、家でも仕事でも無料で使えるようにしたと発表しています。使う前に、提供元の最新の利用規約と、モデルごとの利用条件を確かめます。

Q. LM Studioに必要なスペックはどのくらいですか? A. 公式の動作要件では、Mac は Apple Silicon・macOS 14.0 以降・メモリ 16GB 以上を推奨、Windows は x64(AVX2 対応)か ARM・メモリ 16GB 以上と専用 VRAM 4GB 以上を推奨、Linux は Ubuntu 20.04 以降です。動かせるモデルの大きさは、メモリの量で決まります。

Q. GPU がなくても動きますか? A. 公式の動作要件で GPU に触れているのは、Windows の「専用 VRAM 4GB 以上を推奨」という記載で、必須とは書かれていません。lms load には --gpu off という指定があり、GPU に任せない読み込み方が用意されています。速さは手元の環境で試して確かめます。

Q. メモリ16GBのパソコンでは、どの大きさのモデルが目安ですか? A. この記事の概算では、メモリの7割(11.2GB)を枠と置くと、4bit の量子化で 14B(目安 8.4GB)までが収まり、20B(目安 12.0GB)は枠を超えました。ほかのアプリを多く開くなら、8B(目安 4.8GB)あたりから試すと余裕があります。実際の見積もりは lms load --estimate-only で確かめられます。

Q. Q4やQ8は何を表していますか? A. 量子化(Quantization)の段階です。同じモデルを、忠実さの段階を変えて小さくしたもので、数字が小さいほどファイルが小さくなります。公式ドキュメントは、マシンで動かせるなら4ビット以上の選択肢を選ぶよう勧めています。

Q. LM Studioは日本語で使えますか? A. 公式ドキュメントの言語のページに、対応する言語として Japanese が挙げられています。設定の画面(Mac は cmd + ,、Windows・Linux は ctrl + ,)の「Preferences > Language」で切り替えます。モデルが日本語でどの程度答えられるかは、モデルごとに違います。

Q. LM StudioのAPIのポート番号は何番ですか? A. 公式ドキュメントの例は 1234 を使っており、ベース URL は http://localhost:1234/v1 です。ポートはサーバーの設定の Server Port で変えられます。lms server start --port 3000 のように、コマンドでも指定できます。

Q. オフラインで使えますか? A. モデルをダウンロードしたあとのチャット、文書を添付しての質問、ローカルサーバーは、インターネットなしで動くと公式ドキュメントに書かれています。モデルの検索とダウンロード、実行エンジンのダウンロード、アプリの更新の確認には接続が要ります。

Q. LM StudioとOllamaはどちらを選べばよいですか? A. 役割の重なる道具で、優劣ではなく使い方で選びます。画面でモデルを探して話すところから始めるなら LM Studio、ターミナルとスクリプトを中心に扱うなら Ollama が入口にしやすい形です。LM Studio にも lms というコマンドがあり、どちらも OpenAI 互換の API を持っています。

Q. Open WebUIからLM Studioのモデルを使えますか? A. Open WebUI は OpenAI 互換の API を接続先に追加でき、LM Studio のローカルサーバーは OpenAI 互換のエンドポイントを出します。形の上ではつなげられる組み合わせです。この記事では接続を試していないため、設定は両方の公式ドキュメントで確かめます。

Q. ダウンロードしたモデルはどこに保存されますか? A. 公式ドキュメントは、モデルのフォルダーを ~/.lmstudio/models/ の下に「配布元/モデル/ファイル」の3段で示しています。保存先のフォルダーは My Models から変えられます。モデルは1つで数GBあるため、ディスクの空きを見ながら管理します。

まとめ

  • LM Studio は、LLM を手元のパソコンにダウンロードして動かすデスクトップアプリです。中では llama.cpp(Apple Silicon では MLX も)が動いています。
  • 公式の動作要件は、Mac が Apple Silicon・macOS 14.0 以降、Windows の x64 が AVX2 対応、Linux が Ubuntu 20.04 以降で、メモリは 16GB 以上が推奨です(2026年11月11日時点)。
  • 使い方は「入れる→Discover でモデルを取得→Chat で読み込む→チャット」の4ステップです。量子化の Q の数字は、マシンで動かせるなら4以上を選びます。
  • 必要メモリは「パラメーター数×ビット数÷8」で概算できます。8B・4bit の重みは約 4.0GB で、16GB のパソコンなら 4bit の 14B までが目安の枠に収まりました。
  • Developer タブでサーバーを起動すると、http://localhost:1234/v1 を向け先にして OpenAI 互換の API で呼べます。ターミナルからは lms で同じ操作ができます。

参考・出典

いずれも提供元の公式ページです(確認日 2026年11月11日)。

  • LM Studio Docs「Welcome to LM Studio Docs!」:https://lmstudio.ai/docs/app
  • LM Studio Docs「System Requirements」:https://lmstudio.ai/docs/app/system-requirements
  • LM Studio Docs「Get started with LM Studio」:https://lmstudio.ai/docs/app/basics
  • LM Studio Docs「Download an LLM」:https://lmstudio.ai/docs/app/basics/download-model
  • LM Studio Docs「Chat with Documents」:https://lmstudio.ai/docs/app/basics/rag
  • LM Studio Docs「Offline Operation」:https://lmstudio.ai/docs/app/offline
  • LM Studio Docs「User or Developer」:https://lmstudio.ai/docs/app/user-interface/modes
  • LM Studio Docs「LM Studio in your language」:https://lmstudio.ai/docs/app/user-interface/languages
  • LM Studio Docs「Use MCP Servers」:https://lmstudio.ai/docs/app/mcp
  • LM Studio Docs「Import Models」:https://lmstudio.ai/docs/app/advanced/import-model
  • LM Studio Docs(ローカルサーバー):https://lmstudio.ai/docs/developer/core/server
  • LM Studio Docs(サーバーの設定):https://lmstudio.ai/docs/developer/core/server/settings
  • LM Studio Docs(OpenAI 互換エンドポイント):https://lmstudio.ai/docs/developer/openai-compat
  • LM Studio Docs(認証):https://lmstudio.ai/docs/developer/core/authentication
  • LM Studio Docs(Idle TTL と Auto-Evict):https://lmstudio.ai/docs/developer/core/ttl-and-auto-evict
  • LM Studio Docs(ヘッドレス):https://lmstudio.ai/docs/developer/core/headless
  • LM Studio Docs「lms — LM Studio's CLI」:https://lmstudio.ai/docs/cli
  • LM Studio Docs(lms get):https://lmstudio.ai/docs/cli/local-models/get
  • LM Studio Docs(lms load):https://lmstudio.ai/docs/cli/local-models/load
  • LM Studio Docs(lms server start):https://lmstudio.ai/docs/cli/serve/server-start
  • LM Studio「Download」:https://lmstudio.ai/download
  • LM Studio「Pricing」:https://lmstudio.ai/pricing
  • LM Studio Blog(2025年7月8日・仕事での利用について):https://lmstudio.ai/blog/free-for-work

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「LM Studioとは|使い方・インストール・必要メモリの計算表とAPI」

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。

WE ARE HIRING

RJCで一緒に開発しながら、
成長を楽しみませんか?

RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!

  • 127日年間休日
  • 12時間平均残業時間
  • 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!

ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。

ABOUT RJC RJCがどんな会社か知る 考え方、研修、働き方、福利厚生、社員の前職まで。RJCのことが丸わかり! RJC丸わかりページへ JOB DESCRIPTION 仕事内容・待遇を見てみる 仕事内容、給与・待遇、選考の流れ。経験者も未経験も!応募前に知りたいこと、まとめました! 募集要項を見る ENTRY エントリーする エントリーは1〜2分・履歴書不要です。まずは話を聞いてみたい、という方でも歓迎です! エントリーフォームへ

成長のヒミツ、 ぜんぶ丸わかり