2025-05-28

LM Studioとは？機能・ローカルLLMの使い方・最新アップデートを紹介

この記事のポイント

LM Studioは、ローカル環境で大規模言語モデル（LLM）を実行・管理できるクロスプラットフォーム対応のアプリケーションです。
LM Studioを使えば、モデルのダウンロード・実行・対話・API提供までをすべてローカルで完結させることができます。
LM Studioは、OpenAI互換のAPIサーバー機能を持ち、ローカルで実行しているモデルをChatGPT APIと同様の方法で他のアプリケーションから呼び出すことが可能です。
LM Studioは、PDFやTXTファイルを読み込ませ、内容に基づいた質疑応答を行う機能も備えています。
ローカルLLMを使うことで、プライバシーの確保やオフライン利用、カスタマイズ性の向上が期待できます。

監修者プロフィール

坂本将磨

フォローする

Microsoft MVP・AIパートナー。LinkX Japan株式会社代表取締役。東京工業大学大学院にて自然言語処理・金融工学を研究。NHK放送技術研究所でAI・ブロックチェーンの研究開発に従事し、国際学会・ジャーナルでの発表多数。経営情報学会優秀賞受賞。シンガポールでWeb3企業を創業後、現在は企業向けAI導入・DX推進を支援。

クラウドに依存せず、ローカル環境で大規模言語モデル（LLM）を安全に実行したい──そんなニーズに応えるのが「LM Studio」です。
GUIベースで簡単にモデルを導入・起動でき、OpenAI互換のAPIや文書読み取り機能、RAG構築にも対応。
エッジAIやオフライン環境でのAI活用を検討する企業・研究者にとって、強力な選択肢となりつつあります。
本記事では、LM Studioの概要から機能、導入手順、最新アップデートまでをわかりやすく解説します。
AI総合研究所では、ローカルLLMの導入支援を行っています。
お気軽にご相談ください。

OpenAI API互換のローカルサーバー

ドキュメントとの対話（RAG対応）

マルチモーダルモデルの対応

最新アップデート（v0.3.16）の内容

1. コミュニティプリセット機能の導入（プレビュー）

2. Runtime Extension Packの自動削除

3. LLMによるベクトル埋め込み生成（Embedding）への対応

LM Studioの使い方と導入方法

インストール手順

実際のモデルの追加と実行

左側メニューの使い方：Chat / Developer / My Models / Discover

1. Chat：チャット対話モード

2. Developer：開発・統合用パネル

3. My Models：ローカル管理されたモデル一覧

4. Discover：モデルの検索とダウンロード

Python SDK（<code>lmstudio-python</code>）

TypeScript SDK（<code>lmstudio-js</code>）

CLIツール（<code>lms</code>）

LM Studioとは？

LM Studioとは、ローカル環境で大規模言語モデル（LLM）を実行・管理できる、クロスプラットフォーム対応のアプリケーションです。Windows・macOS・Linuxの各OSに対応しており、オープンソースモデルをローカルで安全かつ簡単に活用したいユーザーに広く利用されています。

従来、LLMを活用するにはクラウドベースのAPIに依存することが一般的でした。しかし、LM Studioを使えば、モデルのダウンロード・実行・対話・API提供までをすべてローカルで完結させることができます。

LMStudioトップページ

これにより、以下のようなメリットが得られます。

プライバシーの確保：外部クラウドにデータを送信せずに済むため、個人情報や機密情報の取り扱いに適しています。
オフライン利用：インターネット接続なしでもモデルの活用が可能です。
カスタマイズ性：使用モデルや設定、UI、APIなどを自由に調整できます。

LM Studioのもうひとつの大きな特徴は、OpenAI互換のAPIサーバー機能を持つ点です。これにより、ローカルで実行しているモデルを、ChatGPT APIと同様の方法で他のアプリケーションから呼び出すことが可能になります。

また、チャットインターフェースや埋め込み生成（RAG：検索拡張型生成）への対応、マルチモーダルモデル（画像・音声）の実行など、機能面も急速に進化しており、個人利用から研究用途、業務アプリへの組み込みまで、幅広いシーンで活用されています。

【関連記事】
ローカルLLMとは？メリットやおすすめモデル、導入方法を解説

LM Studioの主な機能

LM Studioは、ローカル環境でLLMを活用するための多機能な統合ツールです。以下に、特に注目すべき主要機能を紹介します。

モデル検索とダウンロード

LM Studioでは、Hugging Face Hubなどのモデルリポジトリから、任意の大規模言語モデルをGUI上で簡単に検索・ダウンロードできます。モデル名や用途（チャット、埋め込み生成など）でフィルタリングが可能で、初心者でも扱いやすい設計です。

例：meta-llama/Llama-3-8B-Instruct や google/gemma-7b-it などを数クリックで導入可能。

チャットインターフェース

直感的なチャットUIが組み込まれており、選択したモデルと即座に対話を始められます。モデル応答の表示スタイルやシステムプロンプトの編集も可能で、プロンプト調整やデバッグ用途にも適しています。

OpenAI API互換のローカルサーバー

LM StudioはOpenAI互換のエンドポイントを提供しており、ChatGPT APIと同じ形式でローカルモデルにアクセス可能です。これにより、以下のような活用が可能になります。

社内システムやアプリへの埋め込み
LangChainやLlamaIndexとの統合
外部へのデータ送信を避けた高セキュリティ設計

ドキュメントとの対話（RAG対応）

PDFやTXTファイルを読み込ませ、内容に基づいた質疑応答を行う機能も備えています。内部的には、ベクトル埋め込み生成と検索を組み合わせたRAG（検索拡張型生成）アーキテクチャが用いられており、社内文書へのAI活用に向いています。

マルチモーダルモデルの対応

Gemma 3シリーズなど、テキスト以外の入力（画像・音声）に対応するモデルも利用可能です。今後のアップデートでは、より多くのマルチモーダルモデルへの対応拡大も期待されます。

LM Studioの使い方と導入方法

LM StudioはGUI中心の設計により、初めてローカルLLMに触れるユーザーでも導入と利用がスムーズに行えるよう工夫されています。ここでは基本的な導入手順と使い方を紹介します。

インストール手順

以下のOS別にインストーラが提供されており、公式サイトまたはGitHubリリースページから入手可能です。

OS	入手形式	備考
Windows	`.exe`形式	インストーラで自動セットアップ
macOS	`.dmg`形式	Gatekeeperでの許可が必要な場合あり
Linux	`.AppImage`等	ディストリビューションによっては追加設定が必要

インストーラーのイメージ

実際のモデルの追加と実行

アプリ起動画面

アプリ起動後、画面左の「Models」からHugging Faceに接続。

Hugging Faceに接続画面
2. 使用したいモデル名を検索し、ダウンロード。

チャットモード・埋め込みモードなどの用途を選択して起動。

ダウンロード画面

今回は、Microsoft phi4をダウンロードしました。
loadモデルでチャット画面の方に移行しましょう。

load画面

ロードが完了するとすぐにローカルLLMでの対話が可能になります。

実際の対話画面

左側メニューの使い方：Chat / Developer / My Models / Discover

簡単な操作でできるLM Studioの基本的な使い方を、左側メニューの各セクションごとに解説します。これらのセクションを活用することで、LLMの実行・管理がより効率的に行えます。

サイドバーイメージ

1. Chat：チャット対話モード

用途：選択したLLMと対話するメイン画面
使い方：
- 上部で使用するモデルを選択（例：llama3-8b-instruct）。
- 中央の入力欄に質問や命令文を入力し、Enterで実行。
- 応答は右側にリアルタイム表示。
- 上部の歯車アイコンから「温度」「最大トークン数」「システムプロンプト」などの設定を調整可能。

ChatGPTのような使い勝手で、モデルの応答品質やプロンプト設計を試すのに最適です。

2. Developer：開発・統合用パネル

用途：OpenAI互換APIのエンドポイント確認、外部アプリ連携設定、埋め込み生成の制御など
使い方：
- 「API Endpoint」で http://localhost:1234/v1 を確認し、他アプリで利用。
- 「Embed」タブでは、LLMを使ってベクトル埋め込みを生成するエンジンとしても活用可能。
- 「Webhook」などの外部連携機能が今後拡充予定。

LangChainやLlamaIndexとの連携時にこの画面の設定を参照するケースが多いです。

3. My Models：ローカル管理されたモデル一覧

用途：ダウンロード済みモデルの管理・起動・設定変更
使い方：
- モデルごとに「Chat」「Embed」など起動モードを選択。
- 「⋮（三点リーダ）」から削除や設定変更、再量子化（例：4bit→5bit）などが可能。
- モデル情報（ファイルサイズ、必要VRAM、元リポジトリURLなど）も確認可能。

実行可能なモデルだけが並ぶため、運用中の環境の全体像を把握しやすい画面です。

4. Discover：モデルの検索とダウンロード

用途：Hugging Faceなどの外部リポジトリからモデルを探索・取得
使い方：
- 検索欄に「llama」「mistral」などのキーワードを入力。
- 対応モデルが一覧表示され、各モデルに「Download」ボタンが付属。
- モデル詳細を開くと、量子化形式（GGUF）、対応アーキテクチャ（Chat/Embed）も表示される。

モデル名がわからない場合でも「用途」「人気」「更新日」などで絞り込めます。

これら4つのセクションを適切に使い分けることで、LM Studioを単なるチャットアプリではなく、本格的なLLM開発・検証・運用ツールとして活用可能になります。

APIとしての利用方法

LM Studioは、OpenAI互換のAPIエンドポイント（http://localhost:1234/v1など）を提供します。外部アプリから以下のように呼び出せます。

curl http://localhost:1234/v1/chat/completions \
  -H "Authorization: Bearer YOUR-KEY" \
  -H "Content-Type: application/json" \
  -d '{
        "model": "llama3",
        "messages": [{"role": "user", "content": "こんにちは"}]
      }'

対応ハードウェアと推奨環境

LM Studioは、ローカルでのLLM実行を前提としているため、使用するモデルの規模や形式に応じて、ハードウェア要件が大きく変わります。ここでは、最低限必要な環境と、快適に動作させるための推奨構成を整理します。

最低動作環境

以下は、小〜中規模モデル（例：Mistral-7B、LLaMA 3 8Bなど）をCPUまたはGPUで実行する場合の目安です。

項目	推奨スペックの目安
CPU	4コア以上（Intel Core i5 第10世代以降など）
メモリ（RAM）	16GB以上（8GBでも軽量モデルなら動作可能）
ストレージ	SSD推奨、空き容量20GB以上
GPU（任意）	NVIDIA CUDA対応GPU（VRAM 8GB以上推奨）

CPUオンリーでも動作可能ですが、応答速度や大規模モデルの使用では限界があります。

GPU使用時の推奨構成

LLMの実行において、最も重要なのはGPUのVRAM容量とCUDA互換性です。たとえば以下のような構成が推奨されます。

NVIDIA RTX 3060 / 4060：VRAM 12GB → LLaMA 3 8B 程度まで快適
RTX 4080以上：VRAM 16GB以上 → LLaMA 3 13B、Gemma 7Bなども余裕あり
CUDAバージョン：12.8以降対応（v0.3.16で正式サポート）

GPUなしでの使い方のヒント

GPUを搭載していない場合でも、以下の工夫により快適に利用可能です。

量子化済みモデル（GGUF形式）を利用：VRAMやRAM使用量を削減
チャット履歴を短く保つ：推論処理量の削減
マルチスレッドCPU環境の活用：CPUでも一定の応答速度を確保

実際の用途に合わせて利用しましょう。

開発者向けツールと連携方法

LM Studioは、単なるローカルチャットツールにとどまらず、開発者向けの豊富な統合機能を備えています。アプリケーションへの組み込みやRAGシステム構築、フロントエンドとの連携などを想定した設計が特徴です。

Python SDK（`lmstudio-python`）

PythonからLM Studioにアクセスし、API呼び出しやモデル制御が可能です。Jupyter NotebookやStreamlit、Flaskなどとの連携に適しています。

from lmstudio import ChatSession

chat = ChatSession(api_base="http://localhost:1234")
response = chat.ask("こんにちは。今日の天気は？")
print(response)

OpenAIと同様のインターフェース設計のため、既存コードの移植も容易です。

TypeScript SDK（`lmstudio-js`）

TypeScript/JavaScriptでも利用可能なSDKが提供されており、フロントエンドアプリ（Next.js、Electronなど）との統合にも対応しています。VS Code拡張やローカルWebアプリへの実装に活用されています。

CLIツール（`lms`）

コマンドライン操作に対応するCLIも提供されており、以下のような用途に活用できます。

モデルのダウンロード・一覧・起動
チャット実行やファイル読み込み
スクリプトによるバッチ推論の自動化

例：lms chat --model llama3 --prompt "今日は何の日？"

これらのツール群により、LM Studioは開発者の作業効率を高め、柔軟なAIシステム構築を支援する環境としても優れています。

LM Studioの活用シーンとメリット

LM Studioは、個人ユーザーから企業、教育機関、研究者まで、幅広いユーザー層のニーズに応えるローカルLLMプラットフォームです。以下に代表的な活用シーンと、それぞれのメリットを整理します。

1. セキュアな業務環境でのAI活用

クラウドベースのAIサービスでは、機密情報を外部に送信するリスクがあります。LM Studioはすべてローカルで完結するため、顧客データ・契約書・社内文書などを扱う業務においても、安全性が高いと評価されています。

例：法務部門での契約文書レビュー、カスタマーサポートでのFAQ応答補助など

2. オフラインでの学習・実験

インターネット環境が制限されている場所（例：学会展示、遠隔地）でも、LM Studioを使えばローカルPC一台でLLMを動作させることが可能です。

例：教育現場でのAI授業、展示会でのAIデモ

3. カスタムアプリケーション開発

OpenAI API互換エンドポイントにより、自社アプリへのAI機能組み込みが容易になります。ローカル環境で動作確認やチューニングを行い、本番環境に移行する開発フローも構築できます。

例：業務システムへのチャットボット統合、文書要約APIの社内利用

4. RAGアーキテクチャの社内導入

社内ナレッジの活用を目的として、RAG（検索拡張型生成）による社内FAQ、文書検索、問い合わせ自動応答などのシステムを構築する際にもLM Studioは有効です。ベクトル検索とLLMの組み合わせをローカルで実現できます。

LM Studioは、「高い自由度」「セキュアな設計」「多用途なLLM活用」という3点において、クラウドサービスにはない優位性を発揮しています。

他のローカルLLMツールとの違い

ローカルでLLMを実行するツールは複数存在しますが、LM Studioは「GUI中心」「OpenAI互換API」「RAGとマルチモーダル対応」の3点で一線を画します。ここでは、代表的なツールとの比較を通じて、LM Studioの特徴を明確にします。

他ツールとの比較表

以下に、主要なローカルLLM実行ツールとLM Studioの機能比較を示します。

ツール名	GUIあり	API提供	モデル管理	RAG対応	マルチモーダル対応	特徴
LM Studio	◎	◎（OpenAI互換）	◎（検索・DL・起動）	◎	◎（Gemmaなど）	総合的にバランスが良い
Ollama	△（CLIメイン）	◎（独自API）	◎（簡易DL）	△	△	軽量・高速、初心者向け
GPT4All	◎	△（限定的）	◎（UI操作）	△	×	GUI重視、モデル数豊富
LocalAI	×	◎（OpenAI互換）	△（configベース）	◎	△	開発者向け、高度な設定可能

LM Studioが選ばれる理由

設定の手軽さ：GUIベースでモデル検索〜起動まで一貫して操作可能
汎用性：チャット、埋め込み、API、ドキュメントQAすべてを統合
RAG/マルチモーダル対応：最新の応用領域にも柔軟に対応可能

特定の用途に特化したツールもありますが、多用途かつUIに優れた総合ツールとしてはLM Studioが非常に有力な選択肢です。

まとめ

LM Studioは、ローカル環境で大規模言語モデル（LLM）を柔軟かつ安全に活用できる統合型アプリケーションです。GUIベースの直感的な操作性、OpenAI API互換のローカルサーバー、そしてRAGやマルチモーダル対応といった先進機能を備えており、個人利用から業務・研究用途まで幅広く対応します。

2025年5月に公開された最新版（v0.3.16）では、以下のような実用的なアップデートが追加され、さらに進化を遂げています。