Ollama vs LM Studio:ローカルLLMツールはどちらを選ぶべきか

1行でまとめると:デスクトップGUIでモデルを閲覧・チャットしたいならLM Studio、軽量でスクリプトから扱えるローカルAPIサーバーが欲しいならOllamaです。 どちらも無料で、GGUFモデルを自分のGPUやCPUで動かせ、OpenAI互換エンドポイントも提供します。だから多くの開発者が両方入れて、用途で使い分けています。このガイドではセットアップ、GPUの扱い、速度、APIサーバーとしての運用を、今日そのまま実行できるコマンドとともに比較します。もうRedditのスレッドを読むのはやめて、ローカルでトークンを生成し始めましょう。

OllamaとLM Studioの違いは何ですか?

本質的な違いは、インターフェースと目的です:

• Ollama はCLIファーストのランタイムです。1コマンドでモデルをpullでき、localhost:11434 でバックグラウンドサービスとして動き、REST APIを公開します。チャット画面は内蔵していません。他のツールが接続して使うための「LLM版Docker」であることを狙って作られています。
• LM Studio はフルデスクトップアプリ(Electron)で、モデル検索ブラウザ、チャットUI、モデルごとの設定(コンテキスト長、GPUオフロード層数、temperature)、クリックで切り替えられるローカルサーバーモードを備えます。

どちらも GGUF形式 を理解し、どちらも同じ系譜のエンジンで動いています。Ollamaはllama.cppを内蔵し、LM Studioはllama.cppベースのランタイムを自動でダウンロード・更新して使います。つまり同じモデルファイルなら素の生成品質は実質同じで、違いはモデルの 周辺 のすべてにあります。

Ollamaは商用利用できる?

はい。Ollamaは オープンソース(MIT) で商用利用も無料です。責任を負うのはOllamaではなく モデル側の ライセンスのほうです。Llama、Mistral、Qwen、Gemmaはそれぞれ独自の規約を持つので、その上に製品を出すならモデルカードを確認してください。

LM Studioは個人利用は 無料 ですが、クローズドソースのライセンスです。業務利用には無料の「work」ライセンスフラグが必要で、一定の売上を超える企業は支払います。調達部門に厳しく聞かれる立場なら、この違いだけでOllama vs LM Studioの議論は決まります。

OllamaはGPUを自動で使ってくれる?

はい。Ollamaは起動時にCUDA(NVIDIA)、Metal(Apple Silicon)、ROCm(AMD)を検出し、VRAMに収まる分だけレイヤーをオフロードします。知っておくべき確認方法が2つあります:

# Ollamaが実際にロードしたのはGPUかCPUか?
ollama ps

# 黙ってCPUにフォールバックしていた場合は無理やりGPUへ:
OLLAMA_NUM_GPU=999 ollama run qwen2.5-coder:7b

ollama ps が 100% GPU を示せばオフロードされています。48%/52% CPU/GPU のような分割はモデルが収まらなかったことを意味し、tokens/secに効いてきます。LM Studioは同じ制御をモデルごとの GPUオフロードスライダー として公開していて、実験する分にはこちらのほうが親切です。素直に良いUXの部分です。

OllamaとLM Studio、どちらが速い?

同じモデル・同じ量子化・同じハードウェアなら 実質引き分け です。どちらもllama.cppに委譲しているからです。「Ollamaのほうが速い」といったベンチマーク主張は、たいてい違う量子化やコンテキスト長を比較しています。どちらかの陣営を信じるのではなく、自分のマシンで計りましょう:

# Ollama: --verboseを付けると最後にeval rate(tokens/sec)が出力される
ollama run qwen2.5-coder:7b --verbose "Summarise what a Makefile does in one sentence."

LM Studioでは同じGGUFファイルを同じコンテキスト長・GPU層数でロードし、チャットの統計パネルでtokens/secを確認します。数値の高いほうが出たら、テストは2回やり直してください。初回ロードにはウォームアップのノイズが含まれます。

LM StudioをローカルAPIサーバーとして使える?

はい。Developer タブでサーバーを起動すれば、localhost:1234 にOpenAI互換エンドポイントが立ちます。スクリプト用のCLI(lms)もあります:

lms server start
lms load qwen2.5-coder-7b-instruct --gpu max
curl http://localhost:1234/v1/chat/completions 
  -H "Content-Type: application/json" 
  -d '{"model":"qwen2.5-coder-7b-instruct","messages":[{"role":"user","content":"Write a jq filter for the top process by CPU"}]}'

Ollamaの同等APIはサービスが動いていれば常に有効で、ネイティブエンドポイントもOpenAI互換ルートも設定不要です:

curl -fsSL https://ollama.com/install.sh | sh   # Linuxへのインストール
ollama pull qwen2.5-coder:7b
curl http://localhost:11434/api/chat -d '{
  "model": "qwen2.5-coder:7b",
  "messages": [{"role": "user", "content": "Explain bash exit codes in two lines"}],
  "stream": false
}'

どちらもOpenAI APIを話すツール、つまりVS Code拡張、コーディングエージェント、自作スクリプトにそのまま差し込めます。ここでOllamaが前に出てきます。サービスはブート時に起動し、サーバーやhomelab機でヘッドレスに動き、デスクトップアプリが開いていることに何も依存しません。筆者も自分のhomelabでまさにこの構成で動かしていて、Ollamaがネットワーク上のすべてにモデルを提供し、ヘッドノードはマウス不要のままです。

結局、OllamaとLM Studioどちらを選ぶべき?

観点	Ollama	LM Studio
インターフェース	CLI + REST API	フルデスクトップGUI
オープンソース	完全にMIT	クローズド、個人利用は無料
商用利用	無料	大規模利用は有料ライセンス
モデル管理	ollama pull <model>	内蔵の検索+ダウンロードブラウザ
チャットUI	なし(持ち込み)	内蔵
APIエンドポイント	常時起動の :11434	切り替え式の :1234
ヘッドレス/サーバー用途	優秀	不向き
Windows / macOS / Linux	3つとも対応	Windows + macOS、Linuxはベータ

経験則として、どちらを選んでも後悔はありません:

1. モデルを 使う のが目的 — チャット、試遊、スライダーいじり:LM Studio。
2. モデルの上に 作る のが目的 — スクリプト、エージェント、CI、常設のAPIサービス:Ollama。
3. 両方欲しい — 両方インストールしましょう。共存は問題なくできます(ただし両方のサーバーに同じポートを掴ませないこと。同じモデルを2回ロードするとVRAMを2倍食うのも忘れずに)。

ローカルモデルはエージェント型コーディングツールと特に相性が良いです。OpenAI互換クライアントをローカルエンドポイントに向ければ、1トークンあたりのコストゼロでcompletionsが出続けます。freechatのローカルファースト構成もこの組み合わせで動いており、LLMの配管を学ぶいちばん安い道でもあります。請求されるのは電気代だけです。