痛い失敗談！Ollama を動かすなら 16GB・24GB・32GB を適当に選ぶな

最初に Ollama を動かしたのは、16GB の Mac mini M2 でした。チュートリアルは「コマンド一発でモデルを pull、ローカルでチャットできる」と書いてあったので、ollama run llama3.1:8b を実行。最初の5分は快適。10分目にはファンが唸り、アクティビティモニタのメモリ圧力が赤に変わり、ブラウザのタブ切り替えがコンクリートを引きずるような重さになりました。

学んだこと：Ollama 用に 16GB・24GB・32GB を選ぶとき、「大きいほど常に正解」ではない。モデル＋コンテキスト＋バックグラウンドアプリが、ユニファイドメモリに収まるかどうかが本質だ。 この記事では、自分が踏んだ罠と、友人に「何を買えばいい？」と聞かれたときの判断フレームをまとめます。無駄な出費と徹夜を減らすための話です。

「GPU ある？」より先に RAM が噛みつく理由

Windows のゲーミングノートでは VRAM ばかり気にします。Apple Silicon Mac では、CPU と GPU が同じユニファイドメモリを共有します。Ollama の重み、推論時の KV キャッシュ、macOS のキャッシュ——全部ここから取られます。公式ドキュメントとコミュニティのベンチマークも一致しています：モデルが大きく、コンテキストが長いほど RAM を食う。アクティビティモニタの「メモリ」行と同じプールです。

罠その1：パラメータ数だけ見て、量子化を無視する。 7B でも Q4_K_M なら約 4〜5GB、Q8 や FP16 なら倍近く。罠その2：OS を忘れる——macOS、ブラウザ、チャット、IDE で 4〜6GB は当たり前。16GB マシンに残るのはモデル用に約 10GB。罠その3は地味：OOM エラーを期待するが、よくあるのは「動くが、地獄のように遅い」。 RAM が足りないと macOS は SSD にスワップ。tokens/s が 30 から 3 に落ち、モデルのせいにしがち——実はディスクが RAM のふりをしている。

16GB：遊べるが、本番向きではない

16GB でも Ollama は動きます——小さなモデル、短いチャット、バックグラウンドを絞るなら、それなりに快適。具体的な適合例：

• お試し：3B〜7B の Q4 モデル（llama3.2:3b、qwen2.5:7b-instruct-q4_K_M など）
• 単発の Q&A、メール下書き、短い翻訳
• エージェントなし、複数モデル同時ロードなし、コンテキスト ~16K 以下

自分の典型的な地獄シーン：Chrome（20タブ超）、VS Code、Docker Desktop、8B モデルを 16GB で——クラッシュはしない、「なめらかな死」、1トークン半秒。Docker とタブ半分を閉じると、すぐ速度が戻る。

16GB の結論： Ollama は軽量アシスタント扱い。14B 以上を安定運用するつもりは捨て、OpenClaw・ベクトル DB・ブラウザ自動化をローカルに積み上げない。Gateway を VPS に置き、自宅 Ollama を上流にするなら、16GB は小モデルホストとしては成立——OpenClaw ＋ Ollama ゲートウェイのトラブルシュートを参照。

24GB：2026年、個人開発者のスイートスポット

長期で Ollama を使うなら一つ選ぶなら、24GB が個人開発者に最もよく勧める容量です。実用的な理由：

• 7B〜8B を常駐させつつ、OS と IDE に余裕——毎日アプリを閉じなくていい
• 14B Q4 も多くのワークフローで現実的。コードや長文要約は 7B より明らかに良い
• 8K〜16K コンテキストなら KV キャッシュの増加も管理しやすい
• Ollama に加え、軽量ベクトル DB や Docker 1サービス程度——どちらか一方を諦めなくていい

24GB で 70B が魔法のように動くわけではありません。価値は品質とコストのバランス：Mac mini M4 24GB は 32GB より安く、日常開発＋ローカル 8B/14B 推論を快適にこなせます。

見落としがち：Apple のメモリははんだ付け——後から増設不可。「16GB で様子見」は Mac では取り返しのつかない判断。24GB はモデル肥大化への保険——2024年のデフォルトは 7B、2026年は 14B から始める人も多い。追加 8GB は保険料です。

32GB：エージェント、複数モデル、「RAM を数えたくない」層向け

32GB は誰向け？ローカル LLM を週末のおもちゃではなくインフラとして扱う人です。

• 常時 OpenClaw、LangGraph などのスタック、Ollama を上流の一つとして
• 複数の ollama pull モデル（コード用 7B、執筆用 14B、小さな embed モデル）
• コンテキスト 32K+ が日常、または RAG で長文をプロンプトに載せる
• Docker Compose の AI スタック一式——Docker で AI アプリをデプロイとセットのことが多い

32GB でも 70B は飛びません。削れるのは「これ閉じて、あれ開いて」の税。いちばん遅いデバッグは設定ミスより、メモリ崖の上での生活——今日は動く、明日 Notion と Slack が加わって死ぬ。

予算が厳しい？軽い推論は 24GB 本体、重い仕事はクラウド Mac か VPS。 ハードを決める前にクラウド Mac を借りるのと同じ発想——プログラミング学習で Mac か Windows かも参照。

判断表：マーケ文言は無視していい

RAM を買う前に試す5つの調整（安上がり）

メモリ増設の前に、これらを試してください——16GB で半年延命した手順です：

1. 量子化を賢く選ぶ：まず Q4_K_M か Q5、FP16 ではない。ollama show <model> --modelfile でサイズ確認。
2. コンテキストを上限設定：Modelfile や API で num_ctx——チャットなら 4K で十分なことが多い。デフォルト 32K 不要。
3. 同時ロードは1モデル：ollama ps のあと、不要なら ollama stop。
4. 重いバックグラウンドを削る：Docker Desktop、Electron IM、Chrome タブ溜め——推論中は Safari か1プロファイル。
5. 「使用 GB」よりメモリ圧力：黄・赤の圧力の方がカクつき予測に効く。

さらに細かいノブ：Ollama Modelfile ドキュメント。

何度も見る「血と涙」3話

話1：「16GB で十分、7B だけだから。」 — embed モデルと Open WebUI を追加。3つの食いしん坊、25 tokens/s → 4。Wi‑Fi のせいにした。

話2：「32GB 払った、無敵。」 — それでも FP16 寄り、32K コンテキスト、Chrome 全開。70B は依然スワップ。容量はモデルを縮めない。

話3：「Windows 32GB の方が 16GB Mac より強い。」 — NVIDIA VRAM なら別話。Mac の Ollama ではユニファイドメモリの帯域と共有のおかげ、16GB Mac の方が 16GB iGPU ノートより 7B が安定することも。GB ステッカー比較ではなくプラットフォーム比較を。Apple のApple Silicon ユニファイドメモリ（MLX など）も効く。

まとめ：後悔しない選び方

3つの質問：

1. 実際に回すモデルサイズは？ 7B/8B 定番 → 24GB；3B お試し → 16GB 許容；14B+ やスタック → 32GB。
2. 推論中にアプリを閉じられる？ 閉じられない → 16GB は買わない。
3. 後から RAM 増設できる？ Mac では不可——小さく買うのは永続的ミス。デスクトップ Windows は増設可だが、Ollama＋CUDA は別レーン。

2026年の私見：本気の Ollama 開発コパイロットは 24GB からコスパ良し；エージェント派でメモリ管理を拒否するなら 32GB；16GB は軽い実験のみ——目を開けて。「RAM 多ければ常に勝ち」を崇めないが、KV キャッシュと長コンテキスト——静かなメモリ怪物——も侮らないで。

一言で：Ollama のソフト障壁は低い；ハードはまずユニファイドメモリに当たる。16 / 24 / 32 GB を注文する前にモデル tier とワークフローを知れば、金も叫ぶファンの夜も節約できる。