ローカルLLMをMacで動かすと、推論のたびにマシン全体が重くなる——そんな経験はありませんか。

Ollamaは2026年6月11日、MLXエンジンの大幅な性能アップデートを発表しました。Apple Silicon向けに最適化されたこのエンジンは、推論速度の向上に加え、量子化品質とコーディングエージェント向けキャッシュの両方を改善しています。

この記事でわかること

  • MLXエンジンがもたらす速度・品質の具体的な変化
  • NVFP4量子化フォーマットの仕組みとメリット
  • Claude Codeなどエージェント向けスナップショットキャッシュの狙い
  • Macでの導入手順と対応モデル

https://ollama.com/blog/mlx-performance

MLXエンジン更新で何が変わったか

OllamaのMLXエンジンは、Appleが公開する機械学習フレームワーク「MLX」をベースに動く推論バックエンドです。CPUとGPUが同じメモリプール（ユニファイドメモリ）を共有するApple Siliconの設計に合わせ、データの往復コピーを減らして推論します。

今回の更新では、出力速度の向上、NVFP4量子化への対応、エージェント向けスナップショットキャッシュの3領域が中心です。いずれもMac上でローカルLLMを実務に使うユーザー、とくにコーディングエージェントを動かす開発者への恩恵が大きい内容です。

Apple Silicon向けMLX採用の背景

従来のOllamaはllama.cppベースの推論エンジンが中心でした。汎用性は高い一方、Apple Siliconのユニファイドメモリを十分に活かしきれない場面がありました。

2026年3月30日のプレビュー発表（Ollama 0.19）でMLXバックエンドが初登場。Qwen3.5-35B-A3Bモデルでの社内ベンチマークでは、プリフィル（入力処理）が1,154トークン/秒から1,810トークン/秒へ、デコード（出力生成）が58トークン/秒から112トークン/秒へと伸びています（参考）。M5シリーズではGPU Neural Acceleratorも活用されます。

ローカルLLMの実用性が上がる流れの中で、MacユーザーがクラウドAPIに頼らずコーディングエージェントを動かす需要が増えており、MLXエンジンはその要望に応える位置づけです。

推論速度が最大20%向上

6月の更新では、MLXのJIT（Just-In-Time）コンパイラ機能で複数のGPU演算を単一のMetalカーネルに融合し、推論オーバーヘッドを削減しました。GPUバックのサンプリング処理も見直されています。

Ollamaの計測では、更新後のエンジン上でNVFP4モデルの出力速度がQ4_K_M比で約20%高速です。8,300トークンの入力プロンプトを10回実行した平均値に基づく結果です（参考）。

技術メディアのArs Technicaは、「Apple Silicon搭載Macでのローカルモデル実行がOllamaのMLXサポートで高速化する」と報じています（参考）。MacBook Air M5（16GB）でMLXエンジンへ切り替えたユーザーは、推論がほぼ2倍速になり日常作業の応答性が改善したと報告しています（参考）。

NVFP4で量子化品質が改善

量子化はモデルの重みを圧縮してメモリ消費を抑える手法です。情報の欠落によって回答品質が落ちることが課題でした。

NVFP4はNVIDIAが最適化した4bitフォーマットで、重みの局所的な動的レンジをより正確に追跡します。Gemma 4 12Bを対象としたOllamaの計測では、一般的な4bit形式Q4_K_Mと比べ、非量子化のBF16版からの品質低下（perplexityの差）が約半分に抑えられています（参考）。

メモリ使用量はQ4_K_Mと同等のまま精度が上がるため、メモリに余裕のないMacでも実用的なモデルサイズでより安定した出力が期待できます。データセンター向けに最適化されたモデルをデスクトップへ持ち込める点も、開発フローの一貫性に効きます。

エージェント向けスナップショットキャッシュ

コーディングエージェント（Claude Code、Pi、OpenClawなど）では、ツール呼び出しのたびにシステムプロンプト・ツール定義・会話履歴・読み込んだファイルが丸ごと再送信されます。1タスクのあいだに同じコンテキストを何十回も処理するのが常態です。

従来のプレフィックスキャッシュは、各リクエストが直前の状態から連続するときだけ有効です。サブエージェントへの委譲、応答の再生成、思考モデルで推論トークンが履歴から消える——こうした分岐ではキャッシュが効かず、処理時間が積み上がります。

新しいスナップショット方式は、会話が分岐しそうな地点や長いプロンプトの途中、応答開始直前などにモデル状態を保存します。複数エージェントが並行しても共通部分は1回だけ処理し、各セッションは自分のスナップショットから再開できます。Ollama公式のデモでは、Gemma 4 12BをMacBook Pro M5 Max上で動かし、思考モデルと複数サブエージェントを組み合わせたコーディングエージェントの応答が目に見えて速くなっていると紹介されています（参考）。

Macでの使い方

https://ollama.com/blog/mlx-performance

最新版のOllamaをインストールしたうえで、MLX対応モデルを指定して実行します。

ollama run gemma4:12b-mlx

コーディングエージェント向けには ollama launch を使います。

ollama launch pi --model gemma4:12b-mlx

2026年3月のプレビュー時点では、Claude Code向けに次のコマンドも案内されています。

ollama launch claude --model qwen3.5:35b-a3b-coding-nvfp4

プレビュー版のQwen3.5-35B向けには、32GBを超えるユニファイドメモリを持つMacが推奨されています（参考）。16GBのMacBook Airでも小さめのMLXモデルで恩恵を受けられる、と実ユーザーの報告もあります（参考）。

従来エンジンとの違い

従来のllama.cpp中心の推論は、CPUとGPUの間でデータコピーが発生しやすく、Apple Siliconの強みを活かしきれませんでした。量子化はQ4_K_MなどGGUF系が中心で、エージェント用途ではプレフィックスキャッシュのみが頼りでした。

MLXエンジンはユニファイドメモリを直接活用し、NVFP4で品質損失を抑えつつ、スナップショットでエージェントの分岐・並行処理に対応します。対象ハードはApple Silicon（M1以降）で、M5ではNeural Acceleratorによる追加の加速も入ります。

MLXエンジンはプレビューから拡大フェーズに入り、対応モデルもGemma 4、Qwen3.5、Command Aなどへ広がっています。クラウドAPIと比べればまだギャップはありますが、Mac上のローカル推論としては現時点で最も完成度の高い選択肢の一つです。