MLXとは？
MLX は Apple の機械学習研究グループによる配列フレームワークで、CPU と GPU が1つの RAM のプールを共有する Apple silicon のユニファイドメモリ向けに作られています。Python の API は NumPy に、nn と optimizers のパッケージは PyTorch になら い、C++、C、Swift の API がそれを写しています。計算は遅延評価で、グラフは動的に構築されるので、入力の形状が変わっても再コンパイルは起きません。
もう Mac 専用ではありません。`pip install mlx[cuda12]`（または `mlx[cuda13]`）で SM 7.5 以降の Nvidia の GPU を積んだ Linux で動き、`mlx[cpu]` で CPU のみの Linux 版が使えます。多くの人は、Hugging Face Hub の LLM を実行、量子化、LoRA でファインチューニングするための付属パッケージ mlx-lm を通じて MLX に出会います。Hub では mlx-community という組織が約5,800の変換済みモデルを公開しています。
バージョン 0.32.4 は2026年10月14日に MIT ライセンスで出ました。
MLXは使う価値があるか？
MLX が重要なのは、1つのハードウェア上の事実のためです。Apple silicon では GPU がシステムメモリ全体を扱えます。RAM の多い Mac なら、他の環境ではデータセンター向けの GPU が必要になる量子化モデルを載せられ、MLX はその前提で作られています。配列は共有メモリにあり、コピーなしに CPU でも GPU でも動きます。リポジトリの GitHub のスターは約28,900で、2026年10月14日に 0.32.4 を出しました。
実用上の価値の大半は、コアのライブラリより mlx-lm（スター約7,400）にあります。Hugging Face Hub から直接モデルを読み込み、量子化してアップロードし、mlx_lm.server で HTTP 経由で提供し、LoRA と QLoRA のファインチューニングを実行します。ドキュメント自体が具体的な数字を挙げています。バッチサイズ1、チューニングするレイヤー4つで Mistral 7B の LoRA を行うと、32 GB の M1 Max で毎秒約250トークンです。
限界は Mac の限界です。RAM の大きさに近いモデルは、sysctl で GPU の wired メモリの上限を引き上げない限り遅く、その設定には macOS 15 が必要です。基本パッケージは macOS 14 が必要です。未解決の issue には、ディスプレイが使われている間に Metal の GPU ウォッチドッグが LoRA の学習を止める問題や、173K トークンのプリフィル中に M4 Max でカーネルパニックが起きる問題があります。重みのローダーの重大度の低い CVE が2件、load() のヒープオーバーフローと load_gguf() の不正なポインターが2025年11月に公開されました。
CUDA のバックエンドが広げる利用者層は、聞こえほど大きくありません。glibc 2.35 以降の Linux と SM 7.5 以降の Nvidia のカードが必要で、実際の用途は、チームが Mac で MLX のコードを書き、同じコードを GPU サーバーで動かせるようにすることです。そのハードウェア上で PyTorch が持つ vLLM や Hugging Face の学習スタックは付いてこず、AMD 向けの ROCm 対応はまだ未完の実験です。推論だけなら llama.cpp はあらゆる環境で動き、Ollama はセットアップを隠してくれます。MLX が真価を発揮するのは、Mac 自体の上で Python レベルの制御をしたいときです。
真価を発揮する場面
32 GB の M シリーズの MacBook Pro を持つ、サポートソフトウェアのスタートアップの ML エンジニア
GPU を借りずに、サポートのやり取りの記録で 7B のモデルをファインチューニングする
バッチサイズ1、少数のチューニング対象レイヤー、勾配チェックポイントで mlx_lm.lora を実行します。ドキュメントは 32 GB の M1 Max で Mistral 7B が毎秒約250トークンと報告しているので、中程度のデータセットならノート PC で学習できます。コストはすでに持っているマシンの時間です。リスクは、ディスプレイが使われている間に Metal のウォッチドッグが学習を止める未解決のバグです。
新しいモデルアーキテクチャを試作する大学の研究者
再コンパイルを待たずに独自のレイヤーを反復して改良する
mlx.nn の PyTorch に似たモジュールでモデルを書きます。グラフは動的なので形状が変わっても再コンパイルされず、組み合わせ可能な変換で自動微分とベクトル化が使えます。同じコードは後で mlx[cuda12] で Linux の GPU マシンでも動きますが、大規模な学習ならやはり PyTorch です。
厳格な守秘義務のある20人の法律事務所の IT 責任者
文書をクラウドの API に送る代わりに、事務所の Mac で非公開のチャットモデルを動かす
mlx-community から 4-bit のモデルを取得し、メモリの多い Mac で mlx_lm.server を使って提供するか、MLX をエンジンに使うデスクトップアプリ経由で使います。マシンの外には何も出ず、MIT ライセンスは無料です。支出はハードウェアと保守する人です。
導入前に確認すること
- 導入
- macOS 14 以降のネイティブ arm64 の Python 3.10 以上で `pip install mlx mlx-lm` を実行します。Hub のモデルでの最初の mlx_lm.generate は、ほとんどがダウンロードの時間です。Linux では mlx[cuda12]、mlx[cuda13]、mlx[cpu] を使います。ネイティブでない（Rosetta の）Python は、文書化されたインストールの落とし穴です。
- 連携
- 読み込み、変換、量子化、アップロード向けの Hugging Face Hub、safetensors と GGUF の読み込み、複数マシンでの推論とファインチューニング向けの mx.distributed、アプリ向けの Swift のバインディング。いくつかの Mac のチャットアプリでバックエンドとして使われています。
- データとプライバシー
- ローカルで動きます。README にテレメトリーの記載はなく、リポジトリの GitHub のコード検索でも見つかりません。ネットワークへのアクセスは Hub からのダウンロードのためです。MIT ライセンスなので商用利用に制限はありませんが、モデルのライセンスは別途適用されます。重大度の低い CVE-2025-62608 と CVE-2025-62609 が重みのローダーに影響しました。
- 大規模利用時のコスト
- ソフトウェアは無料で、費用は Apple のハードウェアです。どのモデルが載るかを決めるのは GPU のクラスではなく RAM の大きさです。Mac 1台を超えるには複数マシンにまたがる mx.distributed が必要で、マシンごとに RAM の量が違うとメモリ不足で失敗するという未解決の issue があります。
- 制限
- CUDA 版には SM 7.5 以上と glibc 2.35 以上が必要で、AMD は実験的です。RAM の大きさに近いモデルは iogpu.wired_limit_mb を引き上げないと遅くなります。未解決の issue には、Metal のウォッチドッグが LoRA の実行を止める問題や、非常に長いプリフィルでのカーネルパニックがあります。
良い点
- GPU が Mac のユニファイドメモリをすべて使える
- NumPy 風の Python API に加え C++、C、Swift
- mlx-lm による LoRA と QLoRA、ドキュメントによれば M1 Max で約250 tok/s
- mlx-community に約5,800の変換済みモデル
気になる点
- CUDA 版には PyTorch の周辺エコシステムがない
- アプリではなくライブラリで、Python を書くかフロントエンドを使う
- 大きなモデルには macOS 15 と sysctl の調整が必要
- 長いジョブでの Metal のウォッチドッグとカーネルパニックのバグが未解決
おすすめの人
Apple silicon でネイティブの速度と Python での制御を求める、Mac で作業する開発者と研究者。
MLXの代替
MLX：よくある質問
- MLXは使う価値があるか？
- MLX はメモリの多い Mac を、ローカルの推論と LoRA のチューニングに 使える信頼できるマシンに変えます。Apple silicon 以外では移植版にすぎず、乗り換える理由にはなりません。 評価は5点満点中4.4点です。
- MLXの料金は？
- MIT ライセンスのもとで無料のオープンソースです。
- MLXの欠点は？
- CUDA 版には PyTorch の周辺エコシステムがない; アプリではなくライブラリで、Python を書くかフロントエンドを使う; 大きなモデルには macOS 15 と sysctl の調整が必要; 長いジョブでの Metal のウォッチドッグとカーネルパニックのバグが未解決.
- MLXは誰に向いているか？
- Apple silicon でネイティブの速度と Python での制御を求める、Mac で作業する開発者と研究者。
- チームや本番環境でMLXを使うと費用はいくらか？
- ソフトウェアは無料で、費用は Apple のハードウェアです。どのモデルが載るかを決めるのは GPU のクラスではなく RAM の大きさです。Mac 1台を超えるには複数マシンにまたがる mx.distributed が必要で、マシンごとに RAM の量が違うとメモリ不足で失敗するという未解決の issue があります。
- MLXは企業データを扱っても安全か？
- ローカルで動きます。README にテレメトリーの記載はなく、リポジトリの GitHub のコード検索でも見つかりません。ネットワークへのアクセスは Hub からのダウンロードのためです。MIT ラ イセンスなので商用利用に制限はありませんが、モデルのライセンスは別途適用されます。重大度の低い CVE-2025-62608 と CVE-2025-62609 が重みのローダーに影響しました。
- MLXの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はllama.cpp 、 Ollamaです。
回答確認日：2026年10月26日