「LFM3-1.7B-GGUF」テキスト生成モデル:当サイトでの回答例・必要VRAM 4GB〜

「LFM3-1.7B-GGUF」テキスト生成モデル:当サイトでの回答例・必要VRAM 4GB〜

基本情報

項目 内容
リポジトリ ggml-org/LFM3-1.7B-GGUF
まとめページ LFM3 のまとめ(記事2本)
公開元のまとめ Liquid AI のモデルとライセンスのまとめ
公開日 2026-11-19
ライセンス lfm1.0
配布形式 GGUF
出典の種類 公開元の一次情報(ggml-org公式リポジトリの一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

当サイトで確かめたこと

  • GPU の無い当サイトのサーバー(Neoverse-N1・3スレッド・llama.cpp b12418)で LFM3-1.7B-Q4_K_M.gguf(Q4_K_M)を動かし、生成は 4.4 トークン/秒でした(CPU での値で、GPU の速さの目安ではありません)。
  • 固定の日本語の質問への回答を、下に原文のまま載せています。
  • Qwen3 のトークナイザより約7%少ないトークンで同じ日本語を表せます。同じ文脈長に入る日本語が約1.07倍になり、生成も1字あたりで速くなります。

詳しい値と条件は、下の「当サイトでの実測」の節にあります。

概要

ggml-orgから、LiquidAIが開発したテキスト生成モデル「LiquidAI/LFM3-1.7B」のGGUF量子化版リポジトリ「ggml-org/LFM3-1.7B-GGUF」が公開されました。自動変換スクリプトを用いて変換されたモデルであり、LiquidAI公式が提供するGGUFと同じ量子化設定を採用したQ8_0やQ4_K_Mなどの形式が含まれています。

元モデルである「LiquidAI/LFM3-1.7B」は、ローカル環境で動作するエージェント機能や専門的なアプリケーション向けに設計された1.7Bパラメータのテキスト生成モデルです。独自のtri-hybridアーキテクチャを採用しており、256Kトークンにおよぶ長文脈のコンテキストウィンドウに対応しています。

なお、本リポジトリのGGUFモデルを動作させるには、LFM3をサポートした llama.cpp のビルドが必要です。

スペック

元モデルである「LiquidAI/LFM3-1.7B」のモデルカードに記載されているスペックは以下の通りです。

  • パラメータ数:1.73B
  • アーキテクチャ:24 layers: 13 gated short convolutions, 5 sliding-window attention, 6 global attention
  • コンテキスト長:256K tokens (input + output)

性能

以下は、変換元であるベースモデル「LiquidAI/LFM3-1.7B」のモデルカードに記載されているベンチマーク評価結果です。量子化前のモデルを対象に、公開元がvLLMを用いて測定した実測値となります。

→ 横にスクロールできます

Benchmark LFM3 1.7B LFM2.5 2.6B MiniCPM5 2B Gemma 4 E4B Qwen3.5 4B Qwen3.5 9B
Agents
LiveClaw 45.60 14.70 30.37 20.36 19.94 35.77
Claw-Eval General (EN), average 68.64 62.63 60.74 56.14 61.96 66.53
Claw-Eval General (EN), pass^3 51.40 37.52 34.58 22.43 42.99 51.87
BrowseComp-Plus (OpenClaw subset) 37.00 26.33 16.83 21.00 24.67 38.00
WebArena-Verified 38.42 3.02 9.11 17.06 21.92 28.94
EnterpriseOps-Gym 28.20 7.94 13.41 9.86 25.96 28.97
AutomationBench (public) 41.29 0.94 4.71 1.92 8.67 15.10
Tool use
BFCL V4 71.39 55.89 62.65 48.25 55.12 62.83
ToolSandbox 80.36 78.04 68.16 69.27 75.40 76.41
MCP-Atlas 32.57 16.45 26.38 6.19 41.37 42.67
τ³-bench (4 domains), average 68.01 56.77 69.44 33.53 65.98 67.11
Agentic coding
SWE-bench Verified (OpenCode) 43.40 18.00 34.80 0.50 41.20 51.20
SWE-bench Multilingual (OpenCode) 23.00 8.00 15.67 0.67 23.33 35.00
Terminal-Bench 2.1 (OpenCode) 12.92 0.00 5.62 0.00 13.48 17.98
Coding
LiveCodeBench v6 73.46 60.57 70.52 71.00 61.99 69.86
LiveCodeBench Pro 25Q2 31.74 19.16 29.34 29.94 24.25 34.43
SciCode 28.47 16.32 27.78 25.00 23.02 31.60
Instruction following
IFEval 96.66 95.39 87.83 90.02 92.52 92.08
IFBench 73.03 60.48 62.08 44.56 38.16 48.84
IFStruct 93.72 82.18 72.65 78.45 87.05 89.20
Multi-IF 89.10 84.80 73.19 81.03 80.32 84.44
Knowledge
GPQA Diamond 63.37 57.78 65.15 57.88 75.76 80.40
Humanity’s Last Exam (no tools) 7.17 5.88 8.20 4.77 12.84 16.41
Humanity’s Last Exam (with tools) 13.90 9.60 11.50 6.00 11.60 17.50
AA-Omniscience (public) 0.50 -33.17 -5.00 -15.33 -57.17 -28.00
AA-Omniscience accuracy (public) 7.07 8.75 9.13 9.83 15.67 13.17
AA-Omniscience non-hallucination (public) 92.93 53.69 84.44 72.09 13.64 52.59
Long context
AA-LCR 52.83 6.00 49.34 39.33 52.67 62.00
RULER 128K 65.56 1.15 37.96 18.82 84.63 87.11
Average 49.37 31.55 39.19 31.74 39.27 47.24

公開元のモデルカードが示している数値によれば、LFM3 1.7Bは小型モデルでありながらツール利用やエージェントタスクに強い傾向がみられます。関数の選択や引数の組み立て精度を測るBFCL V4では71.39を記録しており、比較されている他モデルの中で最も高い数値を出しています。また、実際のGitHub issueを解決する能力を測るSWE-bench Verified (OpenCode)においても43.40を記録し、Qwen3.5 4B(41.20)を上回っています。形式的な指示への追従率を測るIFEvalでも96.66と高いスコアを示しています。

一方で、専門知識を要するベンチマークでは大型モデルに及ばない面もあります。博士課程レベルの難問を測定するGPQA Diamondでは63.37となっており、Qwen3.5 4B(75.76)やQwen3.5 9B(80.40)といったモデルを下回っています。公称の対応文脈長を実際に扱えるか測るRULER 128Kにおいても65.56に留まり、Qwen3.5シリーズ(80%以上)に対して差を付けられています。

得意なこと・想定用途

変換元であるベースモデル「LiquidAI/LFM3-1.7B」は、ローカル環境で動作するエージェント機能、ツール呼び出し(Tool calling)、構造化データの抽出、および特定領域向けのファインチューニングに特化した設計となっています。

モデルカードの記載によると、Hermes AgentやPi、OpenClawといった各種エージェント構築ハーネスに向けたポストトレーニングが施されています。256Kトークンという広いコンテキストウィンドウを活用し、ツール検索(deferred tools)やXML形式を用いた関数呼び出しを効率的に処理できます。プロンプト内でツール定義を動的に検索・読み込む構成にも対応しており、多数のツールを扱うエージェントアプリケーションの実装に向いています。また、推論トレース(thinking)を出力する機能もデフォルトで備わっています。

対応言語としては、日本語をはじめ、英語、アラビア語、中国語、フランス語、ドイツ語、イタリア語、韓国語、ポルトガル語、スペイン語、ベトナム語、タイ語、インドネシア語、ヒンディー語、ロシア語、ポーランド語の多言語が挙げられています。

一方で、1.7Bパラメータというコンパクトなモデルサイズであるため、モデルカードでは複雑な多段階推論には推奨されない旨も明記されています。知識集約型のタスクを実行する際は、検索やRAG(検索拡張生成)との組み合わせが推奨されています。

本リポジトリで提供されるモデルはこれらの特徴を持つ元モデルをGGUF形式に変換したものであり、ベースモデルが備えるエージェント機能やツール利用性能をローカルPC環境で活用することを目的としています。

類似モデルとの違い

当サイトでは以前、同じベースモデルの別形式である「「LFM3-1.7B-MLX-5bit」長文脈対応のエージェント向けテキスト生成モデル:必要VRAM 4GB〜」を取り上げています。

今回公開された「ggml-org/LFM3-1.7B-GGUF」との主な違いは、配布フォーマットおよび想定される実行環境にあります。前回紹介したリポジトリはApple Silicon環境での利用に特化したMLXフレームワーク向けの5ビット量子化版(MLX形式)でした。これに対し、今回のモデルは汎用的なGGUF形式で配布されており、Q8_0やQ4_K_Mといった複数の量子化精度が提供されています。これにより、MacだけでなくLinuxやWindows環境、各種CPU・GPUにおいて llama.cpp や互換エンジンを通じた柔軟な実行が可能となっています。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 1.7B(元モデル LiquidAI/LFM3-1.7B の値)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
4GB(ノートPCの内蔵GPU・スマートフォンなど) BF16 3.2GB 3.9GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

Ollama・LM Studio・llama.cpp でそのまま動かせます。

GGUF形式で配布されているため、変換を待たずに手元で読み込めます。

ライセンス lfm1.0(条件付きで商用利用可): LiquidAI の LFM Open License v1.0 です。商用利用は可能ですが、年間売上が1,000万ドル以上の法人による商用利用は許諾の対象外です(第5条)。再配布時はライセンス文と変更点の告知が必要です。

配布形式・当サイトが見つけた変換版・各推論エンジンの登録表を突き合わせた判定です。「確認できていない」は当サイトが見つけていないという意味で、存在しないことの断定ではありません。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

当サイトのサーバー(GPUなし)で、このモデルのファイルを実際に読み込み・動かして確かめた値です。モデルカードの記載ではなく、当サイトが測った結果です。測り方と全モデルの一覧は観測データにまとめています。

日本語のトークン効率

トークナイザ 日本語1,000字あたりのトークン数 同じ内容の英文との比
このモデル 642 1.15倍
Qwen3 688 1.26倍
Llama 3.2 744 1.36倍
Gemma 3 564 1.03倍
gpt-oss 795 1.45倍
LLM-jp-3 497 0.85倍

Qwen3 のトークナイザより約7%少ないトークンで同じ日本語を表せます。同じ文脈長に入る日本語が約1.07倍になり、生成も1字あたりで速くなります。

LiquidAI/LFM3-1.7B の tokenizer.json で、当サイトが書き下ろした固定の文章(876字。ニュース・会話・技術文書・敬語のメール・紀行文・料理の6種)と、同じ内容の英文を数えました。トークン数が少ないほど、同じ文脈長に長い日本語が入ります。

GGUFファイルの中身

対象: LFM3-1.7B-Q4_K_M.gguf(1.02GB、Q4_K_M)。ファイルの先頭のメタデータだけを読んで確かめました(重みはダウンロードしていません)。

項目 値
アーキテクチャ(GGUF上の名前) lfm3
学習時の最大文脈長 262,144トークン
層の数 24
語彙数 128,000
チャットテンプレート 同梱(ツール呼び出しの記述あり・思考の切り替えの記述あり)
imatrix ファイルに記録なし
重みの型の内訳(パラメータ数の割合) Q4_K 73.6% / Q6_K 26.4% / F32 0.0%
平均のビット数 5.05ビット/重み
埋め込み層 / 出力層の型 Q6_K / 埋め込みと共有

ファイル名の量子化名はファイル全体の呼び名で、実際には層ごとに型が混ざっています。平均のビット数は、ファイルのデータの大きさを重みの数で割った実測値です。

CPUだけで動かした結果

項目 結果
プロンプトの読み込み(512トークン) 32.8 トークン/秒
生成(128トークン) 4.4 トークン/秒
生成を日本語の字数に換算 約6.9字/秒
ピーク時のメモリ(文脈4,096トークン) 2.3GB

条件: Neoverse-N1 の3スレッド・GPUなし・llama.cpp b12418・ggml-org/LFM3-1.7B-GGUF の Q4_K_M(1.02GB)・2026-11-19に測定しました。 同じ条件で測った他のモデル(ファイルの大きさが近い順):

→ 横にスクロールできます

モデル 量子化 ファイル 生成 日本語換算
LFM3-Omni-2B Q4_K_M 1.02GB 18.1 トークン/秒 28.1字/秒
Jais-3-0.9B Q4_K_M 0.62GB 4.8 トークン/秒 6.2字/秒
MiniCPM5-2B Q4_K_M 1.45GB 13.9 トークン/秒 20.9字/秒
Qwen3-4B Q4_K_M 2.33GB 6.8 トークン/秒 —

ピーク時のメモリは、ファイルをメモリに割り当てた分(mmap)を含みます。GPUのあるPCではこれより大幅に速くなります。ミニPC・ARMのボードなど、CPUだけで動かす環境の目安です。

実行したコマンド

llama.cpp の公式配布 llama-b12418-bin-ubuntu-arm64.tar.gz(リリースのページ)を使い、次のファイルを落としました。

https://huggingface.co/ggml-org/LFM3-1.7B-GGUF/resolve/main/LFM3-1.7B-Q4_K_M.gguf

速度(llama-bench):

nice -n 10 ./llama-bench -m LFM3-1.7B-Q4_K_M.gguf -t 3 -p 512 -n 128 -r 2 -o json

回答: llama-server を次のように起動し(ポートは空いている番号を毎回選んでいます。ここでは 8080)、質問ごとに /v1/chat/completions へ次の本文を送りました(変わるのは質問の文だけです。例は敬語のメールの問い)。

nice -n 10 ./llama-server -m LFM3-1.7B-Q4_K_M.gguf -t 3 -c 4096 --jinja --host 127.0.0.1 --port 8080 --no-mmproj
curl -s http://127.0.0.1:8080/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d @- <<'EOF'
{
  "messages": [
    {
      "role": "user",
      "content": "取引先の担当者に、来週火曜日の打ち合わせを水曜日に変更してほしいとお願いするメールを、丁寧な敬語で書いてください。"
    }
  ],
  "temperature": 0,
  "seed": 0,
  "max_tokens": 1024,
  "chat_template_kwargs": {
    "enable_thinking": false
  }
}
EOF

日本語の質問への回答(原文のまま)

上の条件で、全モデルに同じ5問を日本語で尋ねた回答を、手を加えずに載せています(温度0・チャットテンプレートが対応していれば思考なし・最大1024トークン)。正誤は判定していません。答えが1つに決まる問いには、正解を併記します。

要約

次の記事を3文で要約してください。

みどり市は今年の春、市内に三つある公立図書館のうち最も古い中央図書館の改修を終え、十月一日に再開館した。改修は約一年半にわたり、総事業費は約十二億円。このうち約四億円は国の補助金でまかなわれた。

最大の変化は、閲覧席の配置である。以前は館内の座席の大半が学習用の机で、試験期間になると中高生で埋まり、高齢の利用者や小さな子ども連れが座れないという苦情が毎年寄せられていた。改修後は座席数を百二十席から二百席に増やしたうえで、学習用の机を三階にまとめ、一階は会話ができる「にぎわいフロア」、二階は静かに本を読む「閲覧フロア」に分けた。一階には予約制のグループ学習室が四室と、飲み物を持ち込めるカフェスペースも設けられた。

蔵書の面でも見直しが進んだ。貸出の少ない古い資料約三万冊を市内の他の館や保存書庫に移し、代わりに子ども向けの絵本と、介護・子育て・仕事探しといった暮らしに関わる実用書を約一万五千冊増やした。電子書籍の貸出サービスも始まり、利用登録をすれば自宅から一度に三冊まで、二週間借りられる。

建物そのものにも手が入った。築四十年を超えていた空調設備を入れ替え、屋上には太陽光パネルを設置して、館内で使う電力の約二割をまかなえるようにした。車いすの利用者から要望の多かったエレベーターは一基から二基に増え、書架の間の通路も以前より三十センチ広げられた。入口には段差のないスロープが新たに設けられ、授乳室と多目的トイレも各階に一つずつ置かれた。

一方で課題も残る。駐車場は改修前と同じ四十台のままで、週末には近くの道路に順番待ちの車が並んだ。市は隣接する市有地を臨時駐車場として開放したが、恒久的な対策は決まっていない。また、開館時間を平日の夜九時まで延ばしたことで職員の負担が増えており、職員団体は人員の追加を求めている。

利用者の受け止めはおおむね好意的だ。週に二度、孫を連れて来るという七十代の女性は「前は子どもが声を出すと周りの目が気になったが、一階なら気兼ねなく絵本を読んであげられる」と話す。一方、受験を控えた高校生の中には「学習席が三階だけになり、夕方はすぐに満席になる」と不満を漏らす人もいる。図書館は、学習席の空き状況をホームページで確認できる仕組みを年内に導入する予定だ。

再開館に合わせて、催しも増えた。毎週土曜の午前には読み聞かせ会、月に一度は地元の農家や商店主を講師に招く「まちの先生」講座が開かれる。十一月には、市内の中学生が選んだ本を紹介する展示も予定されている。

館長の山本和子さんは「本を借りる場所から、人が集まって過ごす場所へ変えたかった。再開館からの一か月で来館者は以前の一・八倍になった」と話す。市は来年度、残る二つの図書館についても利用者への聞き取りを行い、改修の必要性を検討する方針だ。

みどり市の中央図書館が約1年半かけて改修し、再開館しました。座席数を増やして学習環境を改善し、蔵書の見直しや建物更新も進め、利用者からの好意的な反応が得られています。一方で駐車場不足や職員負担などの課題は残っており、今後の対策が求められています。

敬語のメール

取引先の担当者に、来週火曜日の打ち合わせを水曜日に変更してほしいとお願いするメールを、丁寧な敬語で書いてください。

件名:打ち合わせ日程の変更について

[相手の名前] 様

いつもお世話になっております。
[自分の名前・部署] の[自分の名前] と申します。

先ほどご連絡いただいた来週火曜日の打ち合わせについて、以下の通り水曜日に変更していただくことになりましたので、ご確認ください。

**変更内容**
- **原日程**:来週(〇月〇日)火曜日
- **新日程**:来週(〇月〇日)水曜日

この変更は、[理由や理由の説明] によるものであり、[具体的な理由] を踏まえて決定いたしました。

ご確認の上、よろしくお願いいたします。
また、変更後の詳細なスケジュールや資料等が必要であれば、お気軽にお申し付けください。

敬具

[自分の署名]

文章題

りんごが1個120円、みかんが1個45円です。りんごを3個とみかんを8個買って、1,000円札で払いました。おつりはいくらですか。考え方も示してください。

まず、りんごの代金とみかんの代金を計算します。

- りんご:1個120円 × 3個 = 360円  
- みかん:1個45円 × 8個 = 360円  

合計で 360円 + 360円 = **720円**  

支払った金額は 1,000円札なので、払い残り(おつり)額は  

1,000円 − 720円 = **280円**  

したがって、おつりは **280円** です。

参考: 正解は280円です(120×3=360円、45×8=360円、1,000−720=280円)。

知識

日本の都道府県のうち、海に面していない県をすべて挙げてください。

日本には海に面していない(内陸にある)都道府県は以下の通りです。

- 東京都(東京湾岸沿岸部は海に面しているが、内陸部も含むため「海に面していない」と言えるかは議論あり)
- 北海道(全域が内陸)
- 静岡県(内陸部が中心で海岸線は極めて短い)
- 岐阜県(内陸)
- 愛知県(内陸部分が大きい)
- 滋賀県(内陸)
- 京都府(内陸)
- 大阪府(内陸)
- 奈良県(内陸)
- 兵庫県(内陸部分あり)
- 神奈川県(内陸部分あり)
- 埼玉県(内陸)
- 千葉県(内陸部分あり)
- 群馬県(内陸)
- 栃山県(内陸)
- 山梨県(内陸)
- 長野県(内陸)
- 富山県(内陸部分あり)
- 石川県(内陸部分あり)
- 福井県(内陸)
- 岐阜県(上記に含まれる)
- 愛媛県(内陸部分あり)
- 宮崎県(内陸)
- 大分県(内陸)
- 熊本県(内陸)
- 鹿児島県(内陸)

ただし、**「海に面していない」と言えるかどうかは、各県の境界線や地形によって異なります**。例えば、東京都は東京湾岸沿岸部が海に面していますが、山手平野などの内陸部も含みます。

正確なリストを提示するには、最新の行政区分や地理情報が必要です。一般的な知識として、**「海に面していない県」**としては以下のようなものが挙げられます:

- 北海道
- 静岡県(一部)
- 岐阜県
- 愛知県(一部)
- 滋賀県
- 京都府
- 大阪府
- 奈良県
- 兵庫県(一部)
- 神奈川県(一部)
- 埼玉県
- 千葉県(一部)
- 群馬県
- 山梨県
- 長野県
- 富山県(一部)
- 石川県(一部)
- 福井県

ただし、これは完全なリストではなく、**「海に面していない」と言えるかどうかは各県の境界線や地形によって異なります**。正確な情報を得るには、各都道府県の行政区分や地理データを参照する必要があります。

もし具体的な条件(例:海岸線がないか、内陸部のみなど)があれば、より正確に答えることができます。

参考: 正解は8県です(栃木県・群馬県・埼玉県・山梨県・長野県・岐阜県・滋賀県・奈良県)。

指示どおりの創作

「春」をテーマにした俳句を3つ、五・七・五の音数を守って作ってください。それぞれに一言の説明を付けてください。

**1. 春の花開き**  
*五・七・五*(5-7-5)  
「桜が咲く 春の風に 舞う」  
**説明**:桜の花が咲き、春の風に乗って舞う様子を詠んだ。春の訪れと美しさを表現。

---

**2. 川のせせらぎ**  
*五・七・五*(5-7-5)  
「水の音 春の川 流れる」  
**説明**:春の川のせせらぎの音を描き、自然の静けさと流れを表現。

---

**3. 鳥のさえずり**  
*五・七・五*(5-7-5)  
「小鳥が歌う 春の空 色」  
**説明**:春の空に小鳥が歌い、色鮮やかな景色を描いた。自然の音と美しさを表現。

同クラスの既報モデル

当サイトが最近取り上げた、パラメータ数 〜4B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。

→ 横にスクロールできます

モデル パラメータ数 最小のVRAM階層 ライセンス 記事
AtomicChat/Aion-1.0-Instruct-2.3B-GGUF 2.3B 4GB mit 「Aion-1.0-Instruct-2.3B-GGUF」2.3Bのテキスト生成モデル:必要VRAM 4GB〜(2026-11-18)
openbmb/MiniCPM-V-4.7-35B-A3B-DSpark-gguf 389M 4GB apache-2.0 「MiniCPM-V-4.7-35B-A3B-DSpark-gguf」高速化用ドラフトモデル:必要VRAM 4GB〜(2026-11-17)
openbmb/MiniCPM-V-4.7-1B-DSpark-gguf 214M 4GB apache-2.0 「MiniCPM-V-4.7-1B-DSpark-gguf」テキスト生成モデル:必要VRAM 4GB〜(2026-11-17)
IFM/Jais-3-0.9B-GGUF 1.1B 4GB apache-2.0 「Jais-3-0.9B-GGUF」バイリンガル対応のDenseモデル:当サイトでの回答例・必要VRAM 4GB〜(2026-11-17)
nvidia/NVIDIA-Nemotron-Labs-Dory1.0-4B-BF16 4.0B 4GB openmdw-1.1 NVIDIA、ループ型LLM「Dory1.0-4B」を公開。最大256K対応(2026-11-17)

入手方法

本モデルはHugging Faceのリポジトリ「ggml-org/LFM3-1.7B-GGUF」にてGGUFフォーマットで公開されています。ダウンロード時にライセンスへの同意手続きが必要なゲーテッドモデルではありません。

llama.appを使用する場合、以下のコマンドでモデルを読み込んでサーバーを起動できます。

llama serve -hf ggml-org/LFM3-1.7B-GGUF

なお、本モデルを実行するには、LFM3アーキテクチャに対応した llama.cpp のビルド環境が必要です。対応エンジンとしては llama.cpp のほか、OllamaやLM Studioなどが挙げられています。

関連記事

次に読むなら

出典

更新履歴

  • 2026-11-19: 当サイトでの実測(日本語のトークン効率・GGUFファイルの中身・CPUでの速度と日本語の質問への回答)を追加しました。
  • 2026-11-19: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。