最近、ローカルLLMの実行環境としてOllamaやllama.cppを使うことが多くなりました。そんななか、「もっとポータブルにできないかな？」と想像してしまいます。出先のPCでサクッとLLMを動かしたい場面って意外とあるんですよ😊特に、勉強会でのデモや、企業の社内PCでちょっと試してみたいときなど、インストール不要で動かせる環境があると便利なんです。
以前、ネットで見かけた「USBメモリからLLMを起動する」というアイデアはllama.cppをUSBに入れて持ち歩くというものでしたが、llama.cppをビルドする必要があり、それにより動作環境の依存が発生することもあり、面倒な印象がありました。
そんなときに見つけたのがllamafileというプロダクトを使用して、USBメモリからLLMを起動するという方法です。これがなかなか面白い方向性だったので、備忘録としてまとめておきます。
llamafileとは？
llamafileはMozilla.aiが開発・メンテナンスしているプロジェクトで、llama.cppとCosmopolitan Libcを組み合わせることで、LLMを単一の実行ファイルとして配布・実行できるようにしたものです。（LLMのエンジンのみも配布可能）
https://github.com/mozilla-ai/llamafile
特徴的なのはActually Portable Executable（APE）という仕組みを使用している点で、1つのバイナリでWindows、macOS、Linux、FreeBSDで同時に動作するという変態的な設計(🤩褒め言葉🤗)になっている点です。そのため、インストールは不要、Python環境も不要、Dockerも不要。まさにポータブルAIの究極形と言えそうです。
2026年3月にv0.10.0がリリースされ、ビルドシステムが大幅に刷新されました。この記事ではv0.10.0をベースに解説していきます。v0.10.0ではllama.cppの最新版に追従するようになり、Qwen3.5など新しいモデルにも対応しています。
なお、llamafileにはモデルウェイトをバンドルした「プリビルトllamafile」（1ファイルにエンジン＋モデルが入っている形式）も配布されていますが、Windowsには実行ファイルサイズ上限が存在し、モデルサイズが大きくなってしまう「プリビルトllamafile」ではWindowsでは実行できなくなってしまうこともあります。そのため、今回はllamafile実行ファイル＋外部GGUFファイル（引数でモデルを指定する形式）で行なっていきたいと思います。
ポケットに収まるオフラインAI
今回行うのは「USBメモリにLLM実行環境を丸ごと入れて、どのWindows PCでも挿すだけでAIチャットを始められるようにする」というものです。
そこでのポイントは以下の3つとなります。
- インストール不要 … ソフトウェアのセットアップが一切不要
- インターネット不要 … 完全オフラインで動作
- 管理者権限不要 … 企業PCや学校のPCでも使える可能性
これ、ワークショップとかハンズオンの環境構築で地味に嬉しいポイントなんですよね。「事前にOllamaをインストールしておいてください」って案内しても、当日になって「インストールできませんでした」という場面が必ず出てくるので...😅
必要なもの
- USBメモリ（USB 3.0対応、64GB以上推奨）
- Windows PC（モデルのロードがあるのでUSB 3.0ポートがあるのが望ましい）
- インターネット接続（事前準備のダウンロード時のみ）
手順
Step1 USBメモリの準備
まずはUSBメモリをフォーマットします。
- USBメモリをPCに接続
- エクスプローラーでドライブを右クリック → 「フォーマット」を選択
- ファイルシステムをexFATに設定してフォーマットを実行
今回は以下のUSBメモリを準備しました。
https://amzn.to/4mhDbGY
今回はUSB メモリのフォーマット形式にexFATを選んでいます。exFATは、大きなファイル（GGUFモデルは数GB〜十数GBになる）を扱えることと、Windows/macOS/Linuxの互換性が高いためです。
⚠️ USBポートは必ずUSB 3.0以上のポートに挿してください。USB 2.0だとモデルの読み込みがかなり遅くなります。いっそのことUSBタイプのSSDを使うのもアリかもしれません。
Step2 llamafileのダウンロードと配置
USBの準備ができたら、次はllamafileの実行ファイルをダウンロードしてUSBに配置します。
- (GitHubのllamafileリリースページ)https://github.com/mozilla-ai/llamafile/releasesにアクセス
- v0.10.0のリリースを探し、Assetsセクションから
llamafile（実行ファイル本体）をダウンロード
- ダウンロードしたファイルを
llamafile.exeにリネーム（リネームしても他のOSでちゃんと動作します）
- リネームしたファイルをUSBメモリのルートに移動
github.com
⚠️ v0.10.0のリリースページには、プリビルトllamafile（モデル内蔵版）と、llamafile実行ファイル単体の両方が置かれています。今回はモデルを外部GGUFファイルとして別途用意するので、llamafile実行ファイル単体をダウンロードしてください。
⚠️ v0.9.x系のllamafileだと、Qwen3.5などの新しいモデルアーキテクチャに対応していないためfailed to load modelエラーになります。新しいモデルを使いたい場合はv0.10.0を使うようにしましょう。ただし、v0.10.0はGPUオフロードが実質的に動作せず、CPU推論前提で使うことになります。GPUによる高速化が必要な場合には、llamafileのv0.9.x系を使用するか、llama.cppをセルフビルドするか、Ollamaを使うのが現実的のようです。バージョンアップで対応してくれるとは思いますけどね。
Step3 AIモデル（GGUF）のダウンロード
次にLLMのモデルファイルを入手します。
- Hugging Face にアクセス
- 上部メニューから「Models」をクリック
- 左側のフィルタで Libraries → GGUF を選択
ここからはお好みのモデルを探すという話です。ただし、USBメモリからの実行という制約上、モデルサイズには注意が必要となります。USBポータブル＋CPU推論という条件だと、使用に我慢できる速度（5〜10 tokens/sec程度）が出るのは4Bクラス（量子化あり）くらいまでというのが正直な感想です。8B以上のモデルだとかなーり待たされる印象でした🥲
普段、Ollamaで使い慣れているQwen系のモデルが日本語の対応もそこそこ良いので、個人的にはおすすめです。今回はいくつかのモデルを実際に試しています。
- 目的のモデルページで【Files and versions】タブを開く
- Q4量子化版の
.ggufファイルをダウンロード
- ダウンロードした
.ggufファイルをUSBメモリに移動
今回試したモデルは以下のとおりです。
| モデル |
ファイル名 |
サイズ |
| LFM2.5 1.2B Thinking Q4 |
LFM2.5-1.2B-Thinking-Q4_K_M.gguf |
約700MB |
| LFM2.5 1.2B Instruct Q4 |
LFM2.5-1.2B-Instruct-Q4_K_M.gguf |
約700MB |
| Qwen3 4B Q4 |
Qwen3-4B-Q4_K_M.gguf |
約2.5GB |
| Qwen3.5 4B Q4 |
Qwen3.5-4B-Q4_K_M.gguf |
約2.7GB |
| gemma 3 4B it Q4 |
gemma-3-4b-it-Q4_K_M.gguf |
約2.5GB |
1.2Bモデルなら700MB程度、4Bモデルでも2.5GB前後なので、64GBのUSBメモリなら複数モデルを余裕で持ち歩けます🤗
Step4 起動用バッチファイルの作成
ここが大事なステップかもしれません。メモ帳（Notepad）などのエディタでバッチファイルを作成します。
エディタで以下のように記述します。
run_Qwen3-4B-Q4_K_M.bat（例）
@echo off
llamafile.exe -m Qwen3-4B-Q4_K_M.gguf
pause
⚠️ pauseを入れるのを忘れないでください … pauseがないと、エラーが発生した場合にウインドウが一瞬で閉じてしまい、エラーメッセージが読めません。実際に自分もこれでハマりました。pauseがあれば「続行するには何かキーを押してください...」で止まるので、エラー内容を確認できます。
⚠️ モデルのファイル名は、USBメモリに置いた実際のファイル名と完全に一致させてください … .ggufの拡張子も含めて正確に書く必要があります。ここを誤記すると起動時にエラーになります。
このbatファイルをUSBメモリに.bat拡張子で保存します。ファイル名は後で分かりやすいようにrun_Qwen3-4B-Q4_K_M.batのようにしておくとよいでしょう。
⚠️ メモ帳で保存する際、「ファイルの種類」を「すべてのファイル」にしないと.bat.txtになってしまうことがあります。よくあるハマりポイントなので気をつけてください。
保存後、USBメモリの中身はこんな感じになるはずです。
E:\（USBメモリ）
├── llamafile.exe
├── Qwen3-4B-Q4_K_M.gguf
└── run_Qwen3-4B-Q4_K_M.bat
Step5 実行してみる
いよいよ実行です。USBメモリ内のrun_Qwen3-4B-Q4_K_M.batをダブルクリックします。
モデルがシステムメモリ（RAM）にロードされます。これはモデルサイズとPCのスペックによって所要時間が変わります。4Bクラスのモデルであれば、USB 3.0の環境であれば数十秒〜1分程度でロードが完了します。
ロードが完了すると、ターミナル上にチャットインターフェースが起動します。v0.10.0ではTUI（ターミナルユーザーインターフェース）がデフォルトで、ブラウザからもhttp://localhost:8080/にアクセスすればWeb UIを利用できます。
あとはターミナル上で直接質問を入力するか、ブラウザのWeb UIから質問を入力すればOKです。システムプロンプトやユーザー名、ボット名などはお好みで設定できますが、デフォルトのままでも問題なく使えます。
ではパフォーマンスは如何に？
実際にいくつかのモデルをUSBメモリから起動して試してみた感想ですが、CPU推論で使用に我慢できるスピード（5〜10 tokens/sec程度）が出るのは4Bクラスの量子化モデルまでという印象でした。
1.2BのLFM2.5は軽快に動きますが、生成の質はそれなり。4BのQwen3やgemma3あたりが「ポータブル環境での実用ライン」かなと感じました。Qwen3.5-4Bも動きますが、Qwen3-4Bと比べてアーキテクチャが新しい分、少し遅くなるように感じました。質を取るか速度を取るかのトレードオフかもしれません。
⚠️ 8B以上のモデルだとCPU推論ではかなり遅くなるので、今回のようなパターンに向いていません。後述しますが、v0.10.0ではGPUオフロードも現状動作しないため、使うモデルは4Bクラスまでに絞るのがおすすめです。
GPU / CPU の切り替え：挿す先のPCに合わせる
このようなLLMをすぐ動かす事ができるUSBメモリを持ち歩くということは、当然ながら挿す先のPCは毎回違うことになります。NVIDIA GPUが載っている環境もあれば、Intel内蔵GPUしかないノートPCもある。ここがポータブル運用ならではの悩みどころなんですよね。
llamafileは公式ドキュメント上、Apple Metal / NVIDIA / AMDのGPUに対応していると記述されています。しかし、v0.10.0の時点では実際にGPUオフロードが動作する環境はかなり限定的でした（私の持っている環境では少なくとも動かなかったです）。
【実測】v0.10.0のGPUサポート状況
実際に手元の環境で試した結果をまとめておきます。
| 環境 |
GPU |
OS |
結果 |
| ノートPC |
GTX 1070 Mobile（Pascal） |
Ubuntu 24.04 + CUDA 12.8 |
❌ CUDA errorでクラッシュ |
| miniPC |
Radeon 680M（RDNA 2） |
Windows |
❌ support for --gpu amd was explicitly requested, but it wasn't available |
どちらもGPUオフロードは動作せず、CPU推論のみ使用可能という結果でした。
NVIDIA（Linux）の場合 … --gpu nvidia -ngl 999を指定するとggml-cuda.cu:97: CUDA errorでクラッシュ。-ngl 10に減らしても同様でCUDAの初期化自体が失敗しています。おそらくv0.10.0がPascalアーキテクチャ（Compute Capability 6.1）をビルドターゲットに含めていないことが原因と考えられます。llama.cppを-DCMAKE_CUDA_ARCHITECTURES="61"を指定してセルフビルドした場合はGPUが正常に認識されていたので、GPU自体の問題ではなくllamafile側の問題と推測しました。
AMD（Windows）の場合 … --gpu amd -ngl 999を指定すると「サポートが利用できない」旨のエラーで即座に終了。公式ドキュメントにはWindowsリリースバイナリにAMD向けプリビルトDLLが含まれるとの記載がありますが、v0.10.0では実際には含まれていないようです。
このあたりはちょっと残念ですね。ゲーミングPCのある環境があれば、LLMを高速に動かせると期待していたのですが…今後のアップデートでGPUサポートが改善されることに期待したいところです🥲
結論 … v0.10.0はCPU推論前提で使うのが現実的
v0.10.0のGPUサポートは公式にも「まだ全環境でテストが完了していない」とされており、実際に試してみても動作しない環境が多い印象です。現時点ではCPU推論前提で使うのが確実です。
CPU推論でもQwen3 4B Q4なら5〜10 tokens/sec程度は出るので、ちょっとした質問応答には使えます。今後のアップデートでGPUサポートが改善されることに期待ですね。
⚠️ Apple Metal（macOS ARM64）については手元に検証環境がないため未確認です。v0.10.0のリリースノートではMetal対応が明記されているので、macOS環境では動作する可能性があります。
Intel内蔵GPUについて
なお、Intel iGPUはllamafileのGPU対応対象に含まれていません。 Intel iGPUを活用したい場合は、llamafileではなくllama.cppをSYCLでビルドして使うのが現実的です。ポータブル運用の文脈ではCPU推論で割り切るのが無難です。
【補足】v0.9.x系との違いと注意点
調べてみたところ、v0.9.x系（0.9.3など）と、今回使用したv0.10.0では大きな違いがあるようです。
v0.10.0ではllama.cppのコアがゼロから再構築され、最新モデルへの追従が大幅に改善されました。Qwen3.5のビジョンモデル、ツールコール対応、Anthropic Messages API互換など、v0.9.x系では使えなかった機能が追加されています。
一方で、v0.10.0にはまだ移植されていない機能や、テストが完了していない部分もあります。
- GPUオフロードが実質的に動作しない（NVIDIA Pascal / AMD RDNA 2で検証、いずれも失敗）
- Stable Diffusionのコードがまだ未ポート
- pledge() / SECCOMPサンドボックス機能が未実装
- 一部のCLI引数がまだ動作しない
また、v0.9.x系とv0.10.0はGPUサポートとモデル対応がトレードオフの関係になっています。
| |
v0.9.x系（0.9.3） |
v0.10.0 |
| GPU対応 |
○ ドキュメント上は対応（WindowsのプリビルトDLL含む） |
✕ 実測で動作せず |
| 新しいモデル |
△ 2025年5月までのモデル |
○ Qwen3.5への対応 |
| 安定性 |
○ 長期間メンテナンスされた成熟したコード |
△ ゼロから再構築、まだ発展途上 |
👉️v0.9.3をUbuntu+GTX1070mで動作しましたがGPUでの動作は問題なく行われていました。
v0.9.3で動くモデル・動かないモデル
v0.9.3（2025年5月リリース）のリリースノートを追いかけると、対応モデルはこのようになっています。
v0.9.3で動くモデル（リリース履歴より）
| 追加バージョン |
対応モデル |
| v0.9.3 |
Qwen3、Phi-4 |
| v0.9.2 |
Gemma 3、DeepSeek Distil R1、IBM Granite |
| それ以前 |
Llama 3/3.1/3.2、Qwen2/2.5、Gemma 2、Mistral/Mixtral、Phi-3 等 |
v0.9.3では動かないモデル： Qwen3.5、Gemma 4などの新しいアーキテクチャのモデル。
つまり、今回試したモデルで言うと：
| モデル |
v0.9.3 |
v0.10.0 |
| Qwen3-4B Q4 |
○ |
○ |
| Qwen3.5-4B Q4 |
✕ |
○ |
| gemma-3-4b-it Q4 |
○ |
○ |
| LFM2.5-1.2B Q4 |
✕ |
○ |
Qwen3-4Bとgemma-3-4bは両方のバージョンで動くので、「v0.9.3でGPUを使いつつ、そこそこ新しいモデルを動かす」という選択肢もなくはないです。ただし、v0.9.3の最終更新が2025年5月なので、今後新しいモデルが出るたびに使えないものが増えていく可能性があります。
どちらを選ぶべきか
v0.9.x系はGPUサポートが長い期間をかけて作り込まれていたため、ドキュメントの記載通りにGPUオフロードが動作する可能性が高いです（未検証ですが）。GPU搭載PCでの高速化を重視し、かつ使うモデルがQwen3やGemma 3など2025年5月以前のもので固定できるなら、v0.9.3を選ぶメリットはあります。
一方で、ポータブル用途でCPU推論前提であれば、新しいモデルが使えるv0.10.0の方がメリットが大きいです。GPU高速化が必要な場合はllamafileにこだわらず、llama.cppをセルフビルドするか、素直にOllamaを使った方が良いでしょう。
⚠️ v0.9.x系を使う場合の注意点として、Qwen3.5などの新しいアーキテクチャのモデルはfailed to load modelエラーで読み込めません。 実際に自分もv0.9.x系 + Qwen3.5-9Bの組み合わせで遭遇しました。
また、v0.10.0ではモデルウェイトをバンドルした「プリビルトllamafile」も提供されています。例えばQwen3.5 0.8B Q8のllamafileはRaspberry Pi 5でもGPUなしで約8 tokens/secで動作するとのことです。Raspberry Pi 5ユーザーとしてはちょっと気になる情報ですね。ただし前述のとおりWindowsでは4GBの上限があるため、プリビルトllamafileの多くはWindowsでは使えません。
USBメモリ内の最終的なファイル構成
複数モデルを切り替えて使いたい場合はこんな構成にしておくと便利です。
E:\（USBメモリ）
├── llamafile.exe
├── Qwen3-4B-Q4_K_M.gguf
├── Qwen3.5-4B-Q4_K_M.gguf
├── gemma-3-4b-it-Q4_K_M.gguf
├── LFM2.5-1.2B-Instruct-Q4_K_M.gguf
├── run_Qwen3-4B-Q4_K_M.bat
├── run-Qwen3.5-4B-Q4_K_M.bat
├── run-gemma-3-4b-it-Q4_K_M.bat
└── run-LFM2.5-1.2B-Instruct-Q4_K_M.bat
v0.10.0ではGPUオフロードが実質的に動作しないため、GPU版バッチファイルは不要です。モデルごとにバッチファイルを1つ用意するだけのシンプルな構成でもOKです。
おわりに
USBメモリ1本でローカルLLMがオフライン実行できるというのは、やはりロマンがありますね🤗llamafile単一ファイルでどこでも動くという設計思想は、Ollamaやllama.cppとはまた違った方向性で興味深いです。
「インストール不要・オフライン・管理者権限不要」という3拍子が整ったポータブルLLM環境としては十分に面白いプロダクトです。llamafile入りのUSBメモリを1本カバンに忍ばせておくとなにかの役に立つかも？
GPUサポートの改善や対応モデルの拡充など、今後のアップデートにも注目していきたいと思います🤩🤩🤩
参考リンク
