研究ではPyTorchが勝った。それでもTensorFlowとMLXが合う場面

フレームワーク戦争は終わり、PyTorchは最も重要な部分、つまり研究と大規模言語モデルで勝ちました。新しい論文、チュートリアル、学習済みの重みは、まずPyTorchに登場します。そのため選択は見た目より単純ですが、ゼロにはなりません。他の2つのフレームワークが今もPyTorchの押さえていない領域を持っており、このサイトの読者の多くはそもそもフレームワークを必要としていないからです。

標準：PyTorch

エコシステムがあるのはPyTorch（4.9）です。Hugging FaceのTransformers（4.8）と組み合わせれば、公開されたモデルから自分のデータでのファインチューニングまでまっすぐ進め、オープンな重みの圧倒的多数はPyTorchを優先して公開されます。2026年にディープラーニングやLLMの仕事のためにフレームワークを1つ学ぶなら、これを学んでください。問題は理論上最良かどうかではなく、コード、重み、助けがすでにどこにあるかです。

本番とエッジの領域：TensorFlow

TensorFlow（4.0）は、もう新しい仕事の標準ではありません。Keras 3がTensorFlowと同じようにPyTorchやJAXの上でも動くことは、それを静かに認めています。今も多くのものより得意なのは、学習済みのモデルをスマートフォンやマイコンに届けることです。TensorFlow LiteとLiteRTの道は、代替手段より成熟しています。プロジェクトの行き着く先がデータセンターではなく端末上なら、あるいはすでにTensorFlowのコードベースを保守しているなら、移植する理由はありません。LLM的なものなら、始める理由はほとんどありません。

Appleシリコンの領域：MLX

Appleの配列フレームワークMLX（4.4）は、1つの状況のために存在し、それをうまくこなします。Apple Siliconでローカルにモデルを学習させて動かすことです。統合メモリを使うため、RAMが十分なMacなら、他の環境では独立したGPUが必要なモデルも保持できます。汎用のクロスプラットフォームのフレームワークではなく、それを目指してもいません。NVIDIAのカードを積んだLinuxマシンでは間違った道具です。MacBookでは、ハードウェアを第一級の対象として扱うのはこれです。

多くの人が本当に求めている選択肢

フレームワークの議論が覆い隠している部分があります。目的がモデルを作ったり学習させたりすることではなく、既存のモデルを動かすことなら、どちらも必要ありません。llama.cpp（4.8）とその上に作られたツールは、フレームワークのインストールも学習用のコードもなしに、量子化されたオープンなモデルを普通のハードウェアで動かします。TensorFlowやPyTorchが必要だと思っている人の多くに必要なのは、推論のランタイムとAPIキーです。

どれを使うか

モデル、特にLLMを作ったりファインチューニングしたりするなら、PyTorchとTransformersで、振り返る必要はありません。独自のモデルを端末に届けるなら、TensorFlowとLiteRT。すべてMacで作業するならMLX。誰かが学習させたモデルを動かすだけなら、フレームワークではなく推論のランタイムです。フレームワークは最も小さな判断で、本当の判断は、モデルを作るのか使うのかです。