LM Studioの使い方：導入・モデル選び・API連携

結論：LM Studioは「ローカルAIの実験室」を最短で作れる

クラウドAIは、蛇口をひねれば高性能なモデルが出てくるサービスです。LM Studioは、その配管の内側を初めて見せてくれます。モデルを選び、メモリへ載せ、温度や文脈長を変え、同じ質問で結果を比べる。AIを「借りる」だけでなく、自分の机の上で整備する面白さがここにあります。

2026年8月13日に公式ダウンロードページで確認できたWindows版は LM Studio 0.4.21 です。画面や機能は更新されるため、本記事はボタンの位置よりも、バージョンが変わっても使える判断軸を中心に解説します（公式ダウンロード、0.4.21リリースノート）。

この記事が向いている人

• ChatGPT以外のAIを、自分のPCで一度動かしてみたい
• 文章やPDFを外部APIへ送らずに整理したい
• ローカルLLMのモデル名やQ4_K_Mの意味が分からない
• LM StudioをOllamaやクラウドAIとどう使い分けるか知りたい
• 将来はPython、Node.js、AIエージェントからローカルモデルを呼びたい

LM Studioとは何か

LM Studioには、大きく5つの役割があります。

1. モデルを探す：Hugging Face上の対応モデルをアプリ内から検索する
2. モデルを管理する：量子化違いをダウンロードし、保存場所を管理する
3. モデルと話す：ChatGPTに近い画面で複数の会話を保存・比較する
4. 自分の資料を読ませる：PDF、DOCX、TXTを添付して質問する
5. 他のアプリへ提供する：REST API、OpenAI互換API、Anthropic互換APIとして公開する

公式ドキュメントでは、デスクトップアプリのほかに、GUIなしで動く llmster と、両者を操作するCLIの lms も提供されています。最初はデスクトップアプリだけで十分です。サーバーや自動化が必要になったらCLIへ進めばよく、入口と発展形が一つの製品内につながっています（LM Studio・llmster・lmsの違い）。

「ローカルなら全部無料」と考えると少し違います。公式料金ページではローカルLLMの利用は0ドルと案内されていますが、PC本体、ストレージ、電力、検証時間は自分で負担します。また、LM Studioの利用条件と、ダウンロードするモデルのライセンスは別です。業務利用、生成物、再配布、派生モデルの条件は、モデルカードで個別に確認してください（公式Pricing、LM Studio App Terms）。

インストール前に確認すること

Windows

公式要件では、x64とARM（Snapdragon X Elite）をサポートしています。x64 CPUはAVX2が必要で、RAMは16GB以上、専用GPUはVRAM 4GB以上が推奨です。GPUがなくてもCPU実行はできますが、大きなモデルでは待ち時間が長くなります。

macOS

Apple Silicon（M1〜M4）、macOS 14以降、RAM 16GB以上が公式推奨です。8GBでも小型モデルと短めのコンテキストなら動く可能性がありますが、Intel Macは現在サポート対象外です。Apple SiliconではGGUFに加え、Apple向けに最適化されたMLXモデルも選択できます。

Linux

x64とARM64に対応し、デスクトップ版はAppImageで配布されています。公式要件はUbuntu 20.04以降ですが、22より新しいUbuntuは十分にテストされていないとの注意があります。

最新条件はLM StudioのSystem Requirementsで確認してください。最低要件を満たすことと、使いたいモデルが快適に動くことは別です。

導入手順：最初の10分で日本語チャットを動かす

1. 公式サイトからアプリを入れる

1. LM Studio公式ダウンロードページを開く。
2. 自分のOSに合う安定版を取得する。
3. インストーラーを実行し、LM Studioを起動する。
4. Windowsで警告が出た場合は、ファイルの入手元とデジタル署名を確認してから進む。

非公式ミラーや、検索広告経由の不明な配布サイトは使わないでください。モデル本体も数GB〜数十GBになるため、保存先ドライブには余裕を持たせます。

2. Discoverでモデルを探す

Discoverタブを開き、モデル名を検索します。LM StudioはHugging Face上の対応モデルを検索でき、user/model形式やHugging FaceのURLも利用できます（公式「Download an LLM」）。

最初の1本は、次の条件で探すと失敗しにくくなります。

• 名前に Instruct または Chat がある
• 3B、4B、7B、8Bなど、PCに対して小さめの規模
• GGUFなら Q4_K_M前後、または4bit以上
• 日本語を含む利用例や評価がモデルカードにある
• ライセンスと配布者が確認できる

Baseモデルは文章の続きを予測する土台であり、対話指示へ従うよう調整されたInstructモデルとは用途が違います。初めてのチャットではInstructを選んでください。

3. 量子化ファイルを選ぶ

同じモデルにQ3_K_S、Q4_K_M、Q5_K_M、Q8_0などが並ぶのは、圧縮率と品質が違う別ファイルだからです。数字が大きいほど、おおむねファイルは重くなり、元モデルに近い情報を残しやすくなります。

• Q3系：かなり軽いが、要約や日本語の細部が崩れる可能性が高まる
• Q4系：サイズ、速度、品質のバランスを取りやすい出発点
• Q5 / Q6系：余裕があれば品質を残しやすい
• Q8系：大きく重い。比較検証や品質優先向け

公式も「PCに余裕があれば4bit以上」を案内しています。初回は最大モデルを最低ビットで無理に押し込むより、一段小さいモデルをQ4〜Q6で快適に回す方が、会話体験は良くなりがちです。

4. Chat画面でモデルをロードする

ダウンロードが完了したらChatへ移動し、上部のモデル選択から取得したモデルをロードします。ロードとは、モデルの重みと推論用領域をRAMまたはVRAMへ確保することです。

初回は次の設定で十分です。

ロードに失敗したら、コンテキスト長を下げる、他のモデルをアンロードする、GPU Offloadを減らす、より小さい量子化を選ぶ、の順で切り分けます。

5. 最初の質問は「正解を知っている仕事」にする

「何でも教えて」では品質を判断できません。自分が答えを確認できる、短い課題を与えます。

あなたは日本語の編集者です。
次の文章を、意味を変えずに120字以内で要約してください。

条件:
- 固有名詞と数値を残す
- 推測を追加しない
- 最後に、削った情報を箇条書きで示す

文章:
（ここに自分で正誤を判断できる文章を貼る）

確認するのは「答えが自然か」だけではありません。

• 指示した文字数を守ったか
• 数値と固有名詞を落としていないか
• 原文にない事実を足していないか
• 日本語の敬語や句読点が不自然でないか
• 同じ入力で極端に結果が揺れないか

この5項目をメモしておくと、次のモデルを試したときに比較できます。

モデル選びで読むべき5つの記号

モデル名は長く見えますが、見る場所は5つです。

配布者 / モデル名 - 規模 - 用途 - 形式 - 量子化
例:    example/model - 8B - Instruct - GGUF - Q4_K_M

1. 規模：3B、8B、14B、32B

Bはbillion、概算のパラメータ数です。同じ世代・設計なら大きい方が複雑な課題に強い傾向がありますが、必要メモリと待ち時間も増えます。モデル世代や学習データが違えば、単純に14Bが新しい8Bより優秀とは限りません。

2. 用途：Base、Instruct、Coder、Vision

• Base：補完や追加学習の土台
• Instruct / Chat：質問応答や指示実行
• Coder：コード生成・修正へ寄せたモデル
• Vision / VL：画像も入力できるマルチモーダルモデル

一般的な文章作業はInstruct、開発はCoder、画像説明はVisionを候補にします。ただし、名称だけでなくモデルカードの対応言語とチャットテンプレートも確認します。

3. 形式：GGUFとMLX

GGUFはllama.cpp系ランタイムで広く使われる形式です。Windows、macOS、Linuxで選びやすく、量子化の種類も豊富です。MLXはApple Silicon向けの選択肢です。迷ったら、LM Studioが自分の環境向けに表示する推奨形式から始めます。

4. 量子化：Q4、Q5、Q8

量子化は、モデルの重みを少ないビットで表してファイルとメモリを小さくする技術です。圧縮率を上げるほど、タスクによっては言い回し、知識、推論の精度が落ちます。速度だけでなく、自分の日本語課題で比較してください。

5. コンテキスト長

コンテキストは、モデルが一度に参照する会話・資料・指示の作業領域です。長くすれば賢くなるわけではありません。履歴が増えると、重要な指示が埋もれたり、メモリ消費が増えたりします。必要な長さだけ確保し、長い会話は新しいチャットへ要点を引き継ぐ方が安定します。

PC別・最初に試すモデル規模の目安

次は公式の動作保証値ではなく、OSと他アプリの使用分を残すための安全側の出発点です。モデル構造、量子化、GPU Offload、コンテキスト長で必要量は変わります。

より具体的に選びたい場合は、サイト内のローカルLLMレコメンダーでGPUと用途を指定してください。VRAM、MoE、量子化の詳細は家庭用RTX GPUで動かすローカルLLM完全ガイドで整理しています。

最も確実なのは、CLIの見積もり機能です。モデルをロードせず、コンテキスト長やGPU Offloadを含む推定メモリを確認できます（公式lms loadガイド）。

lms ls
lms load --estimate-only <model-key> --context-length 8192

<model-key>はlms lsで表示された実際の値へ置き換えます。

日本語チャットを実務で使いやすくする

System Promptは役割より「境界」を書く

「優秀なアシスタントです」だけでは、モデルの動作はあまり安定しません。何をしてよく、何をしてはいけないかを書きます。

あなたは日本語の実務アシスタントです。

- 与えられた資料だけを根拠に回答する
- 資料にない事実は「資料からは確認できません」と書く
- 数値、日付、固有名詞を推測で補わない
- 結論、根拠、未確認事項の順に答える
- 実行していない作業を「完了」と報告しない

LM StudioのPresetを使えば、生成設定とSystem Promptを用途別に保存できます。たとえば「要約」「コードレビュー」「議事録」の3つを分けると、毎回同じ長い指示を書かずに済みます（公式Config Presets）。

モデル比較は同じテストセットで行う

モデルを替えるたびに質問も替えると、比較できません。次の5問を固定し、出力を保存します。

1. 300字の文章を100字へ要約する
2. 箇条書きから丁寧なメールを作る
3. 表の合計値と矛盾を探す
4. 短いコードのバグを説明する
5. 根拠のない質問へ「分からない」と答えられるか試す

日本語の実務でどこまでクラウドを代替できるかは、当サイトのJ-WorkBench実測も参考になります。ローカルLLMは万能ではなく、タスクごとに向き不向きがあります。

PDF・Word・テキストを読ませる文書RAG

LM Studioでは、チャットへ.pdf、.docx、.txtを添付できます。短い文書は全文をコンテキストへ入れ、長い文書では関連部分を検索して渡すRAG（Retrieval-Augmented Generation）が使われます（公式「Chat with Documents」）。

基本手順

1. 新しいチャットを作る。
2. 文書をドラッグ＆ドロップする。
3. 読み込みが終わったことを確認する。
4. 文書に実際に含まれる語を使い、対象範囲を指定して質問する。
5. 回答の根拠を、原文の見出しやページと照合する。

添付した就業規則について、在宅勤務の申請条件を確認してください。

回答形式:
1. 条件の要約
2. 根拠になった章・見出し・原文の短い抜粋
3. 文書内で確認できない事項

「テレワーク」「在宅勤務」「勤務場所」「申請」の語を含む箇所を優先してください。

検索精度が低いときは、文書内にありそうな固有語を質問へ含め、範囲を章単位に絞ります。巨大なPDFを一度に聞くより、対象を分けた方が原因を追いやすくなります。

ローカルAPIとして使う

LM Studioの面白さは、チャット画面の先にあります。Developer画面でサーバーを開始すると、既定ではhttp://localhost:1234から自分のスクリプトや対応アプリがモデルを呼べます。

LM Studio 0.4系には、主に次のAPIがあります。

• Native REST API：/api/v1/*。状態を持つチャット、モデルの取得・ロード・アンロード、MCPなどLM Studio固有機能を使う
• OpenAI互換API：/v1/responses、/v1/chat/completions、/v1/modelsなど。既存ツールの接続先を変えやすい
• Anthropic互換API：/v1/messages。対応クライアントから利用する

公式は0.4.0以降、LM Studio固有機能にはNative REST API v1を推奨しています。一方、既存のOpenAIクライアントをつなぐなら互換APIが便利です（LM Studio API概要）。

CLIでサーバーを開始する

lmsはLM Studioに同梱されています。アプリを一度起動した後、PowerShellで確認します。

lms --help
lms ls
lms load <model-key> --identifier "my-local-model"
lms server start
lms ps

停止・解放するときは次の通りです。

lms server stop
lms unload --all

PowerShellからOpenAI互換APIを呼ぶ

まず、サーバーから見えるモデルIDを確認します。

Invoke-RestMethod -Uri "http://localhost:1234/v1/models" -Method Get

次に、modelを実際のIDへ置き換えてチャットを呼びます。

$requestBody = @{
  model = "my-local-model"
  messages = @(
    @{
      role = "system"
      content = "日本語で簡潔に回答してください。"
    },
    @{
      role = "user"
      content = "ローカルLLMを使う利点を3つ挙げてください。"
    }
  )
  temperature = 0.2
} | ConvertTo-Json -Depth 5

$response = Invoke-RestMethod `
  -Uri "http://localhost:1234/v1/chat/completions" `
  -Method Post `
  -ContentType "application/json" `
  -Body $requestBody

$response.choices[0].message.content

既定ではAPI認証が無効ですが、LM Studioのサーバー設定でAPIトークンを有効にできます。PC内だけで使う場合も、サーバーをLANへ公開する、他ユーザーと共有する、外部ツールをつなぐ場合は認証と待受範囲を確認してください（REST API Quickstart）。

CLIだけで使う方法

GUIに慣れた後は、モデル管理をCLIへ寄せると再現しやすくなります。

全コマンドは公式lms CLIリファレンスで確認できます。GUIなしのサーバーやCIで使う場合はllmsterが選択肢ですが、まずデスクトップ版でモデルと設定を固めてから移す方が切り分けやすくなります。

MCPでローカルモデルに道具を持たせる

LM StudioはMCPホストとして、ローカルまたはリモートのMCPサーバーをモデルへ接続できます。これにより、モデルは検索、ファイル操作、ブラウザ操作、社内APIなど、MCPが公開するツールを呼び出せます。

ただし、モデルをローカルで動かすことと、MCPの処理がローカルに閉じることは別です。リモートMCPはネットワーク通信を行い、ローカルMCPでもファイルやコマンドへの広い権限を持つ場合があります。

• 信頼できる配布元だけを使う
• 許可するツールを必要最小限にする
• APIキーを設定ファイルへ直接書かない
• 削除・送信・公開などの操作は人の承認を残す
• ローカルモデルのコンテキスト上限に収まるツール数へ絞る

公式も、MCPサーバーが任意コード、ローカルファイル、ネットワークへアクセスし得ると警告しています（LM Studio「Use MCP Servers」）。MCP自体の基礎はMCP入門ガイドを先に読むと理解しやすくなります。

「ローカルだから安全」の正確な範囲

公式ドキュメントによると、ダウンロード済みモデルとのチャット、文書RAG、ローカルサーバーはオフラインで動作し、入力した内容は端末外へ送られません（Offline Operation）。一方、次の操作には通信が必要です。

• モデルの検索とダウンロード
• 推論ランタイムの取得・更新
• アプリの更新確認
• リモートMCPや外部APIの利用
• クラウドモデルやWeb検索などオンライン機能の利用

つまり、オフライン運用は可能ですが、初期状態のすべての機能が無通信という意味ではありません。高い機密性が必要なら、必要なモデルとランタイムを取得した後にネットワークを遮断し、ファイアウォール、プロセス、保存場所、バックアップ、ログまで含めて運用を確認します。

会話はWindowsでは%USERPROFILE%\.lmstudio\conversations、macOS/Linuxでは~/.lmstudio/conversations/にJSON形式で保存されます。公式は手動編集や内部構造への依存を推奨していません（Manage chats）。PCのアカウント共有やバックアップ先にも注意してください。

よくあるトラブルと直し方

モデルがロードできない

1. 他のモデルをアンロードする。
2. Context Lengthを4,096まで下げる。
3. GPU OffloadをAutoまたは低めへ戻す。
4. 同じモデルの軽い量子化を試す。
5. 一段小さいパラメータ規模へ替える。
6. lms load --estimate-onlyで必要メモリを確認する。

モデルファイルの大きさだけでは足りません。KVキャッシュ、ランタイム、OS、他アプリの領域も必要です。

生成が遅い

• タスクマネージャーでCPU、GPU、メモリの使用状況を確認する
• GPU Offloadが無効になっていないか確認する
• コンテキスト長と入力文を短くする
• より小さいモデル、軽い量子化を試す
• 不要な常駐アプリを閉じる
• 最初の1文字が出るまでの時間と、その後の生成速度を分けて観察する

長い資料の読み込みは、最初の応答だけ特に時間がかかる場合があります。「遅い」を一語で済ませず、ロード、入力処理、生成のどこが遅いかを分けます。

回答が文字化けする、会話にならない

Baseモデルを選んでいないか、チャットテンプレートが合っているかを確認します。同じモデルでも、正しいプロンプト形式が適用されないと、特殊トークンや不自然な続きを出すことがあります。まず公式・配布者が想定するInstruct版へ戻してください。

日本語が不自然、指示を守らない

• 日本語対応を明記したモデルを選ぶ
• Q3からQ4/Q5へ量子化を上げる
• 一度に与える条件を減らす
• 出力形式の短い例を1つ示す
• Temperatureを0.2前後へ下げる
• より大きいモデルだけでなく、世代の新しい小型モデルも比較する

性能評価は英語ベンチだけでなく、自分のメール、要約、表、コードで行います。典型的な失敗例はローカルLLMが日本語実務でやらかす失敗集でも確認できます。

localhost:1234へ接続できない

• Developer画面でサーバーが開始済みか確認する
• lms server startを実行する
• Invoke-RestMethod http://localhost:1234/v1/modelsで最小確認する
• 別アプリが1234番ポートを使用していないか確認する
• Windows Defender Firewallの許可範囲を確認する
• 接続先がhttpsではなく既定のhttpになっているか確認する

最初から他のAIアプリ経由で試さず、/v1/modelsの応答を確認してから接続先を増やすと、原因を分離できます。

LM Studioが向かないケース

便利ですが、次の条件ではクラウドAIや別の推論基盤が適しています。

• GPUやメモリの管理に時間を使いたくない
• 常に最新のWeb情報を含む回答が必要
• 大人数へ安定したSLAで提供したい
• 巨大モデルを高速に使いたいが、手元の機材がない
• 高難度の推論や長時間の自律作業を一発で完走させたい
• モデルとソフトウェアのライセンス管理を自分で持てない

ローカルLLMをコーディングへ使う場合も、下書きと単純作業はローカル、難しい設計や最終レビューはクラウド、という分担が現実的です。詳しくはローカルLLMでAIコーディングを行う実用ガイドを参照してください。

30分で試す最短コース

• 公式サイトからLM Studioをインストールした
• 3B〜8B級のInstructモデルを1つ選んだ
• Q4以上の量子化から試した
• Context Lengthを4,096〜8,192にした
• 正解を知っている日本語課題を5問試した
• 数値・固有名詞・捏造・指示追従を記録した
• 余裕があればPDFを1つ添付した
• http://localhost:1234/v1/modelsを確認した
• モデルのライセンスと保存容量を確認した
• 機密用途ではオンライン機能とMCPの通信範囲を確認した

よくある質問

LM Studioは無料で使えますか？

公式の料金ページでは、手元のマシンでローカルLLMを使うプランは0ドルと案内されています。ただし、ダウンロードする各モデルには別のライセンスがあり、業務利用や再配布の条件はモデルカードで個別に確認が必要です。

LM StudioにGPUは必須ですか？

必須ではありませんが、GPUがない場合は生成速度が遅くなりやすく、CPUとRAMへ大きな負荷がかかります。Windowsの公式推奨は16GB以上のRAMと4GB以上の専用VRAMです。まず小型の量子化モデルから試してください。

16GBのメモリでは、どのモデルから始めればよいですか？

OSや他アプリの使用分を残し、3B〜8B級のInstructモデルを4bit量子化で試すのが無理の少ない出発点です。長いコンテキストや画像対応は追加メモリを使うため、ロード画面の見積もりも確認してください。

LM Studioは日本語で使えますか？

使えます。ただし日本語品質はLM Studioではなく、選んだモデルの学習内容と量子化に大きく左右されます。同じ質問を複数モデルへ投げ、敬語、要約、固有名詞、指示追従を自分の用途で比較するのが確実です。

入力した文章やPDFは外部へ送信されますか？

公式ドキュメントでは、ダウンロード済みモデルによるチャット、文書処理、ローカルサーバーはオフラインで動き、入力は端末内に留まると説明されています。一方、モデル検索・取得、更新、外部MCPやクラウド機能は通信します。

ChatGPTやクラウドAIを完全に置き換えられますか？

小さな要約、分類、下書き、機密文書の一次確認では代替できる場面があります。一方、最新情報、複雑な推論、長時間のエージェント作業ではクラウドが優位なことも多く、用途ごとの併用が現実的です。

まとめ：最初の1本を動かすと、AIの見え方が変わる

LM Studioの価値は、単に「無料でChatGPT風の画面が使える」ことではありません。モデルの大きさ、量子化、コンテキスト長、GPU Offloadを自分で変え、同じ課題で結果を比べられることです。AIの回答を魔法ではなく、選定・設定・検証できるソフトウェアとして扱えるようになります。

最初の一歩は小さくて構いません。3B〜8B級のInstructモデルをQ4でロードし、自分が正解を知っている日本語の要約を1件試してください。うまくいったら文書RAGへ、次にlocalhost:1234のAPIへ進む。その順番なら、どこで失敗したかを自分で説明できます。

次に、自分のGPUに合う候補をローカルLLMレコメンダーで絞り、実務品質をJ-WorkBenchの観点で確認してみてください。LM Studioはゴールではなく、自分のローカルAI環境を作り始める入口です。

出典・更新確認先

• LM Studio公式ダウンロード
• LM Studio System Requirements
• Get started with LM Studio
• Download an LLM
• Offline Operation
• Chat with Documents
• lms CLI
• LM Studio API
• Use MCP Servers