VRAM 10GBで動くローカルLLM一覧（2026年10月）
10GBは12B級を4bitから5bitで動かせる容量です。4bit以上なら204本中92本が動きます。14B級まで欲張ると、量子化は3bit台まで落ちます。
編集部の見立て
該当機種が2つしかない容量です。RTX 3080 10GB（760GB/s）とIntel Arc B570（380GB/s）で、帯域幅は倍の開き。推定速度も同じようには出ません。動くのは92本で、8GBの87本から少し増えただけ。
本数より、量子化の余裕が増える容量だと考えるほうが実態に合います。Mistral Small 3.2 24Bは最小量子化でも必要9.53GBと、実際に使える9.5GBをわずか0.03GB上回り、際どいところで外れます。狙って買いにいく容量ではなく、手元にあるなら12B級で回す容量です。
この容量に該当する機種
動くモデルと推定速度
各モデルについて、この容量に収まる量子化のうち、いちばん精度の高いものを表示しています。速度はGeForce RTX 3080 10GBでの推定値で、同じ容量でも帯域幅の広いGPUならこれより速く、狭ければ遅くなります。
| モデル | パラメータ | 量子化 | 必要 | 判定 | 推定速度 |
|---|---|---|---|---|---|
| Gemma 3 270M | 0.27B | 8bit（Q8_0） | 0.8GB | 快適 | 約1730 tok/s補正済み |
| Qwen2.5 0.5B | 0.49B | 8bit（Q8_0） | 1.1GB | 快適 | 約920 tok/s補正済み |
| Qwen3.5 0.8B | 0.77B | 8bit（Q8_0） | 1.4GB | 快適 | 約600 tok/s補正済み |
| Gemma 3 1B | 1B | 8bit（Q8_0） | 1.6GB | 快適 | 約490 tok/s補正済み |
| Sarashina2.2 0.5B | 0.79B | 8bit（Q8_0） | 1.8GB | 快適 | 約490 tok/s補正済み |
| Qwen3 0.6B | 0.6B | 8bit（Q8_0） | 2.0GB | 快適 | 約480 tok/s補正済み |
| LFM2.5 1.2B JP | 1.17B | 8bit（Q8_0） | 1.8GB | 快適 | 約410 tok/s補正済み |
| Llama 3.2 1B | 1.24B | 8bit（Q8_0） | 2.0GB | 快適 | 約370 tok/s補正済み |
| EXAONE 4.0 1.2B | 1.28B | 8bit（Q8_0） | 2.3GB | 快適 | 約330 tok/s補正済み |
| TinySwallow 1.5B | 1.54B | 8bit（Q8_0） | 2.3GB | 快適 | 約300 tok/s補正済み |
| RakutenAI-2.0 mini | 1.53B | 8bit（Q8_0） | 2.4GB | 快適 | 約290 tok/s補正済み |
| Sarashina2.2 1B | 1.41B | 8bit（Q8_0） | 2.6GB | 快適 | 約290 tok/s補正済み |
| Qwen2.5 1.5B | 1.78B | 8bit（Q8_0） | 2.5GB | 快適 | 約270 tok/s補正済み |
| Qwen3.5 2B | 1.94B | 8bit（Q8_0） | 2.6GB | 快適 | 約250 tok/s補正済み |
| ERNIE 4.5 21B-A3B Thinking | 21.83B アクティブ3B | 2bit（Q2_K） | 8.8GB | 快適 | 約240 tok/s補正済み |
| Qwen3-VL 2B | 1.72B | 8bit（Q8_0） | 3.1GB | 快適 | 約230 tok/s補正済み |
| Qwen3 1.7B | 1.72B | 8bit（Q8_0） | 3.1GB | 快適 | 約230 tok/s補正済み |
| Ling 3.0 tiny | 7.89B アクティブ1.3B | 8bit（Q8_0） | 8.7GB | 快適 | 約220 tok/s補正済み |
| LFM2.5 8B-A1B | 8.47B アクティブ1.5B | 8bit（Q8_0） | 9.2GB | 快適 | 約190 tok/s補正済み |
| LLM-jp-3.1 1.8B | 1.87B | 8bit（Q8_0） | 3.9GB | 快適 | 約190 tok/s補正済み |
| MiniCPM5 2B | 2.52B | 8bit（Q8_0） | 3.4GB | 快適 | 約190 tok/s補正済み |
| LFM2.5 2.6B | 2.7B | 8bit（Q8_0） | 3.4GB | 快適 | 約180 tok/s補正済み |
| LFM2.5-VL 3B | 2.7B | 8bit（Q8_0） | 3.4GB | 快適 | 約180 tok/s補正済み |
| Gemma 2 Baku 2B | 2.61B | 8bit（Q8_0） | 3.8GB | 快適 | 約170 tok/s補正済み |
| Qwen2.5-VL 3B | 3.09B | 8bit（Q8_0） | 3.9GB | 快適 | 約160 tok/s補正済み |
| Qwen2.5-Coder 3B | 3.09B | 8bit（Q8_0） | 3.9GB | 快適 | 約160 tok/s補正済み |
| Qwen2.5 3B | 3.09B | 8bit（Q8_0） | 3.9GB | 快適 | 約160 tok/s補正済み |
| SmolLM3 3B | 3.08B | 8bit（Q8_0） | 4.2GB | 快適 | 約150 tok/s補正済み |
| Llama 3.2 3B | 3.21B | 8bit（Q8_0） | 4.7GB | 快適 | 約140 tok/s補正済み |
| Ministral 3 3B | 3.43B | 8bit（Q8_0） | 4.8GB | 快適 | 約130 tok/s補正済み |
| Granite 4.2 3B | 3.66B | 8bit（Q8_0） | 4.9GB | 快適 | 約130 tok/s補正済み |
| Sarashina2.2 3B | 3.36B | 8bit（Q8_0） | 5.2GB | 快適 | 約130 tok/s補正済み |
| Gemma 3 4B | 3.88B | 8bit（Q8_0） | 4.7GB | 快適 | 約120 tok/s補正済み |
| Nemotron 3 Nano 4B | 3.97B | 8bit（Q8_0） | 4.7GB | 快適 | 約120 tok/s補正済み |
| Qwen3.5 4B | 4.21B | 8bit（Q8_0） | 5.0GB | 快適 | 約120 tok/s補正済み |
| Phi-4-mini 3.8B | 3.84B | 8bit（Q8_0） | 5.4GB | 快適 | 約120 tok/s補正済み |
| AREX-Turbo 4B | 4.21B | 8bit（Q8_0） | 5.1GB | 快適 | 約120 tok/s補正済み |
| Fara1.5 4B | 4.21B | 8bit（Q8_0） | 5.1GB | 快適 | 約120 tok/s補正済み |
| Nanbeige4.2 3B | 4.17B | 8bit（Q8_0） | 5.4GB | 快適 | 約110 tok/s補正済み |
| Gemma 3n E2B | 4.46B | 8bit（Q8_0） | 5.2GB | 快適 | 約110 tok/s補正済み |
| Qwen3-VL 4B | 4.02B | 8bit（Q8_0） | 5.7GB | 快適 | 約110 tok/s補正済み |
| Qwen3 4B | 4.02B | 8bit（Q8_0） | 5.7GB | 快適 | 約110 tok/s補正済み |
| Gemma 4 E2B | 4.65B | 8bit（Q8_0） | 5.5GB | 快適 | 約100 tok/s補正済み |
| AFM-4.5B | 4.62B | 8bit（Q8_0） | 5.8GB | 快適 | 約100 tok/s補正済み |
| Llama-3-ELYZA-JP-8B | 8.03B | 4bit（Q4_K_M） | 6.2GB | 快適 | 約98 tok/s補正済み |
| Phi-3.5-mini 3.8B | 3.82B | 8bit（Q8_0） | 7.4GB | 快適 | 約94 tok/s補正済み |
| CAT-Translate 7B | 7.49B | 6bit（Q6_K） | 7.4GB | 快適 | 約80 tok/s補正済み |
| Llama 3.1 Swallow 8B | 8.03B | 6bit（Q6_K） | 7.8GB | 快適 | 約75 tok/s補正済み |
| DeepSeek-R1 Distill Llama 8B | 8.03B | 6bit（Q6_K） | 7.8GB | 快適 | 約75 tok/s補正済み |
| Aya Expanse 8B | 8.03B | 6bit（Q6_K） | 7.8GB | 快適 | 約75 tok/s補正済み |
| Llama 3 Youko 8B | 8.03B | 6bit（Q6_K） | 7.8GB | 快適 | 約75 tok/s補正済み |
| Llama 3.1 8B | 8.03B | 6bit（Q6_K） | 7.8GB | 快適 | 約75 tok/s補正済み |
| Apertus 8B | 8.05B | 6bit（Q6_K） | 7.8GB | 快適 | 約75 tok/s補正済み |
| Qwen3-Swallow 8B | 8.19B | 6bit（Q6_K） | 8.1GB | 快適 | 約73 tok/s補正済み |
| Shisa V2.1 Qwen3 8B | 8.19B | 6bit（Q6_K） | 8.1GB | 快適 | 約73 tok/s補正済み |
| Qwen3-VL 8B | 8.19B | 6bit（Q6_K） | 8.1GB | 快適 | 約73 tok/s補正済み |
| DeepSeek-R1-0528 Qwen3 8B | 8.19B | 6bit（Q6_K） | 8.1GB | 快適 | 約73 tok/s補正済み |
| Qwen3 8B | 8.19B | 6bit（Q6_K） | 8.1GB | 快適 | 約73 tok/s補正済み |
| Granite 4.0 H-Tiny | 6.94B | 8bit（Q8_0） | 7.7GB | 快適 | 約72 tok/s補正済み |
| Gemma 3n E4B | 6.87B | 8bit（Q8_0） | 7.7GB | 快適 | 約72 tok/s補正済み |
| Ministral 3 8B | 8.49B | 6bit（Q6_K） | 8.3GB | 快適 | 約71 tok/s補正済み |
| LLM-jp-4 8B thinking | 8.59B | 6bit（Q6_K） | 8.3GB | 快適 | 約70 tok/s補正済み |
| Qwen3.5 9B | 8.95B | 6bit（Q6_K） | 7.9GB | 快適 | 約70 tok/s補正済み |
| Ornith 1.0 9B | 8.95B | 6bit（Q6_K） | 7.9GB | 快適 | 約70 tok/s補正済み |
| Gemma-2-Llama-Swallow 9B | 9.24B | 5bit（Q5_K_M） | 8.8GB | 快適 | 約69 tok/s補正済み |
| Gemma 2 9B | 9.24B | 5bit（Q5_K_M） | 8.8GB | 快適 | 約69 tok/s補正済み |
| Ornith 1.5 9B | 8.95B | 6bit（Q6_K） | 8.1GB | 快適 | 約68 tok/s補正済み |
| UI-Mate 9B | 8.95B | 6bit（Q6_K） | 8.1GB | 快適 | 約68 tok/s補正済み |
| UI-Venus-2 9B | 8.95B | 6bit（Q6_K） | 8.1GB | 快適 | 約68 tok/s補正済み |
| Fara1.5 9B | 8.95B | 6bit（Q6_K） | 8.1GB | 快適 | 約68 tok/s補正済み |
| MiMo-V2.6-Distill-Qwen-9B | 8.95B | 6bit（Q6_K） | 8.2GB | 快適 | 約67 tok/s補正済み |
| PLaMo 2 Translate | 9.53B | 6bit（Q6_K） | 8.3GB | 快適 | 約67 tok/s補正済み |
| ABEJA Qwen3 14B Agentic | 14.77B | 3bit（Q3_K_M） | 8.8GB | 快適 | 約67 tok/s補正済み |
| Qwen3 14B | 14.77B | 3bit（Q3_K_M） | 8.8GB | 快適 | 約67 tok/s補正済み |
| Shisa V2.1 unphi4 14B | 14.66B | 3bit（Q3_K_M） | 9.0GB | 快適 | 約67 tok/s補正済み |
| Ministral 3 14B | 13.51B | 4bit（IQ4_XS） | 8.9GB | 快適 | 約66 tok/s補正済み |
| DeepSeek-R1 Distill Qwen 14B | 14.77B | 3bit（Q3_K_M） | 9.0GB | 快適 | 約66 tok/s補正済み |
| DeepSeek-R1 Distill Qwen 14B Japanese | 14.77B | 3bit（Q3_K_M） | 9.0GB | 快適 | 約66 tok/s補正済み |
| Qwen2.5-Coder 14B | 14.77B | 3bit（Q3_K_M） | 9.0GB | 快適 | 約66 tok/s補正済み |
| Qwen2.5 14B | 14.77B | 3bit（Q3_K_M） | 9.0GB | 快適 | 約66 tok/s補正済み |
| Mistral Nemo Japanese 12B | 12.25B | 4bit（Q4_K_M） | 8.9GB | 快適 | 約66 tok/s補正済み |
| Mistral Nemo 12B | 12.25B | 4bit（Q4_K_M） | 8.9GB | 快適 | 約66 tok/s補正済み |
| Granite 4.2 8B | 8.79B | 6bit（Q6_K） | 9.0GB | 快適 | 約65 tok/s補正済み |
| Phi-4 14B | 14.66B | 3bit（Q3_K_M） | 9.1GB | 快適 | 約65 tok/s補正済み |
| Mistral 7B v0.3 | 7.25B | 8bit（Q8_0） | 8.9GB | 快適 | 約65 tok/s補正済み |
| Falcon-H1R 7B | 7.59B | 8bit（Q8_0） | 8.6GB | 快適 | 約65 tok/s補正済み |
| Gemma 4 E4B | 7.52B | 8bit（Q8_0） | 8.6GB | 快適 | 約64 tok/s補正済み |
| ELYZA-Shortcut-1.0 Qwen 7B | 7.62B | 8bit（Q8_0） | 8.7GB | 快適 | 約64 tok/s補正済み |
| ABEJA Qwen2.5 7B Japanese | 7.62B | 8bit（Q8_0） | 8.7GB | 快適 | 約64 tok/s補正済み |
| DeepSeek-R1 Distill Qwen 7B | 7.62B | 8bit（Q8_0） | 8.7GB | 快適 | 約64 tok/s補正済み |
| Qwen2.5-VL 7B | 7.62B | 8bit（Q8_0） | 8.7GB | 快適 | 約64 tok/s補正済み |
| Qwen2.5 7B | 7.62B | 8bit（Q8_0） | 8.7GB | 快適 | 約64 tok/s補正済み |
| Qwen2.5-Coder 7B | 7.62B | 8bit（Q8_0） | 8.7GB | 快適 | 約64 tok/s補正済み |
| GLM-4.6V-Flash 9B | 9.4B | 6bit（Q6_K） | 8.7GB | 快適 | 約63 tok/s補正済み |
| Hunyuan 7B | 7.5B | 8bit（Q8_0） | 9.2GB | 快適 | 約63 tok/s補正済み |
| Tanuki-8B | 7.51B | 8bit（Q8_0） | 9.2GB | 快適 | 約63 tok/s補正済み |
| Gemma 4 12B | 11.91B | 5bit（Q5_K_M） | 9.0GB | 快適 | 約62 tok/s補正済み |
| Nemotron Nano 12B v2 | 12.31B | 5bit（Q5_K_M） | 9.1GB | 快適 | 約60 tok/s補正済み |
| Gemma 3 12B | 11.77B | 5bit（Q5_K_M） | 9.4GB | 快適 | 約60 tok/s補正済み |
| Command R7B | 8.03B | 8bit（Q8_0） | 9.3GB | 快適 | 約60 tok/s補正済み |
| Nemotron-Nano 9B v2 Japanese | 8.89B | 6bit（Q6_K） | 9.4GB | 快適 | 約58 tok/s補正済み |
あと少しで収まらないモデル
最も小さい量子化にしても、この容量には収まらなかったモデルです。不足分が小さいものは、コンテキスト長を4,096に絞れば収まることがあります。
| モデル | パラメータ | 必要（最小量子化） | 不足 |
|---|---|---|---|
| Devstral Small 2 24B | 23.57B | 9.5GB | あと0.0GB |
| Mistral Small 3.2 24B | 23.57B | 9.5GB | あと0.0GB |
| Codestral 22B | 22.25B | 9.6GB | あと0.1GB |
| Magistral Small 2509 | 23.57B | 9.7GB | あと0.2GB |
| Devstral Small 2507 | 23.57B | 9.7GB | あと0.2GB |
| North Mini Code 1.0 | 30.48B | 10GB | あと0.9GB |
| Gemma 4 26B-A4B | 25.23B | 10GB | あと1.0GB |
| Gemma 3 27B | 27.01B | 11GB | あと1.1GB |
| Qwen3.5 27B | 26.9B | 11GB | あと1.3GB |
| AREX-2 27B | 26.9B | 11GB | あと1.4GB |
| UI-Mate 27B | 26.9B | 11GB | あと1.7GB |
| Fara1.5 27B | 26.9B | 11GB | あと1.7GB |
1段上のVRAM 11GBにすると何が増えるか
VRAM 10GBからVRAM 11GB（RTX 2080 Ti / GTX 1080 Ti）に上げると、新たに7モデルが動くようになります。買い替えや構成の検討で、その差額に見合うかを判断する材料にしてください。
| 新たに動くモデル | パラメータ | 量子化 | 必要 |
|---|---|---|---|
| North Mini Code 1.0 | 30.48B | 2bit（IQ2_M） | 10GB |
| Gemma 4 26B-A4B | 25.23B | 2bit（IQ2_M） | 10GB |
| Devstral Small 2 24B | 23.57B | 2bit（Q2_K） | 10GB |
| Magistral Small 2509 | 23.57B | 2bit（Q2_K） | 10GB |
| Devstral Small 2507 | 23.57B | 2bit（Q2_K） | 10GB |
| Mistral Small 3.2 24B | 23.57B | 2bit（Q2_K） | 10GB |
| Codestral 22B | 22.25B | 2bit（Q2_K） | 10GB |
この容量での選び方
12B級をどの精度で使うかが選びどころになります。Gemma 4 12BはQ5_K_Mで必要9GB・推定61.7tok/s、Gemma 3 12Bも必要9.4GBでQ5_K_Mが収まります。8GBではIQ4_XSだった同じモデルを、一段上の精度で使える。14B級はQ3_K_Mまで落とせば必要8.8GB・推定66.8tok/sと速いのですが、3bit台まで落とした結果です。
12BのQ5_K_Mと並べたとき、精度を取るなら12B側が無難。コードはQwen2.5-Coder 7BのQ8_0（推定64.1tok/s）で、7B級を8bitのまま動かせます。14BをQ4_K_Mで使いたいなら要るのは11GB以上で、そこで100本まで増えます。
この容量で足りるAI用途
手元で動かすAIの用途ごとに、VRAM 10GBが要件を満たすかどうかです。クラウドで動くAI（ChatGPT・Claude・Gemini）はどの機種でも使えるので含めていません。
| 用途 | 必要な容量 | VRAM 10GBでは |
|---|---|---|
| Stable Diffusion / SDXL | VRAM 12GB | 動かない あと2GB |
| FLUX / 高品質画像生成 | VRAM 16GB | 動かない あと6GB |
| 動画生成AI（Wan / Hunyuan / LTX） | VRAM 24GB | 動かない あと14GB |
| ローカルLLM（8Bクラス） | VRAM 8GB | 快適 |
| ローカルLLM（27〜32Bクラス） | VRAM 24GB | 動かない あと14GB |
| ローカルLLM（70B〜120B MoE） | VRAM 40GB | 動かない あと30GB |
| 文字起こし（Whisper） | VRAM 6GB | 快適 |
コンテキスト長をどこまで伸ばせるか
この容量で問題になりやすいのが、一度に読ませる文章の長さ。長くするほどKVキャッシュがメモリを食い、同じモデルでも収まらなくなります。この容量に収まるモデルのうち最も大きいMinistral 3 14B（4bit（IQ4_XS）・ファイル6.9GB）で計算すると、次のようになります。
| コンテキスト | KVキャッシュ | 必要合計 | 実効9.5GBに |
|---|---|---|---|
| 4,096 | 0.6GB | 8.2GB | 収まる |
| 8,192 | 1.3GB | 8.9GB | 収まる |
| 32,768 | 5.0GB | 13GB | 溢れる |
| 131,072 | 20GB | 28GB | 溢れる |
このモデルが収まるのは、8,192トークンまで。32,768トークンにすると溢れるので、そこから先はKVキャッシュを8bitに量子化する（必要量がおおむね半分になる）か、1つ小さいモデルに替えるかの判断です。
実際のツール（Ollama・LM Studio・llama.cpp）では既定のコンテキスト長が2,048〜8,192のことが多く、伸ばすときは設定で明示します。長い文書を渡す予定があるなら、どの長さまで使うかを先に決めてからモデルを選びましょう。
VRAM 10GBのPC・Macを買うなら
PR: 以下はAmazonアソシエイトの広告リンクを含みます。価格の目安は執筆時点のもので変動します。価格・在庫はリンク先でご確認ください。
RTX 5070（12GB）デスクトップ・メモリ32GB
SDXLの画像生成が快適。14BクラスのローカルLLMがGPUだけで動く
RTX 5070（VRAM 12GB）・メモリ32GB・NVMe 1TB ・ 目安 20〜28万円
要件を満たす中で最も手頃
RTX 5070 Ti（16GB）デスクトップ・メモリ32GB
FLUX、27B級のMoE型、gpt-oss-20bまで。ローカルAIの定番
RTX 5070 Ti（VRAM 16GB）・メモリ32GB・NVMe 2TB・電源750W ・ 目安 28〜38万円
将来の用途拡張（大きなモデル・並列エージェント）に余裕
Mac mini M4 Pro（メモリ48GB・SSD 1TB）
30BクラスのローカルLLMとエージェント並列運用を1台で。コスパの中心
M4 Pro・ユニファイドメモリ48GB・SSD 1TB・帯域273GB/s ・ 目安 30〜36万円
Macで同じ仕事をするなら
よくある質問
VRAM 10GBで動くローカルLLMは何本？
当サイト収録の204モデルのうち、4bit（標準的な量子化）で92本がメモリに収まります。量子化を落とせば101本まで増えます。最大はMinistral 3 14B（13.51B）です。
VRAM 10GBで画像生成はできる？
Stable Diffusion 1.5は快適、SDXLは省メモリ設定が必要です。
1段上のVRAM 11GBにすると何が変わる？
新たに7モデルが動くようになります。North Mini Code 1.0、Gemma 4 26B-A4B、Devstral Small 2 24Bなどです。