※本記事にはアフィリエイトリンク（広告）が含まれます。紹介する製品・サービスの評価は、報酬の有無に影響されません。
この記事で分かること
- Qwen3-Coder・Devstral・gpt-ossなど4モデルの必要VRAMと得意分野
- VRAM 16GB・24〜32GB・64GB以上の環境別に、どれを選ぶか
- VS CodeやClaude Codeとつなぐときに文脈長で必要メモリが増える理由
⏱ 30秒で選ぶなら：迷ったらQwen3-Coder 30B-A3B。VRAM 16GBで長い文脈も使いたいならgpt-oss-20b、24GB以上でエージェント用途ならDevstral Small 2
🔍 他ツールとの違い：GPUの選び方はローカルLLM向けグラボおすすめ、日本語の文章向けは日本語オープンLLM比較。この記事は「コードを書かせる」用途に絞っています
自分のPCで動かすローカルLLMに、コードを書かせたい人向けに、コーディングで名前の挙がる4モデルを比べました。比べるのは、動かすのに必要なVRAM、ライセンス、向いている使い方の3つです。
結論を先に書くと、迷ったらQwen3-Coder 30B-A3Bです。VRAM 16GBのGPUで長い文脈を使いたいならgpt-oss-20b、24GB以上のGPUやメモリ32GB以上のMacでエージェントとして使うならDevstral Small 2が候補になります。
ローカルLLMをまだ動かしたことがない場合は、先にローカルLLMの始め方（Ollama・LM Studio）を読むと、この記事の話が分かりやすくなります。
結論：環境別のおすすめ早見表
| 環境 | おすすめ | 理由 |
|---|---|---|
| VRAM 8〜12GB | Qwen3-Coder 30B-A3B（一部をメインメモリへ） | MoEなので、はみ出しても速度が落ちにくい |
| VRAM 16GB | Qwen3-Coder 30B-A3B／gpt-oss-20b | 速さならQwen3-Coder、長い文脈ならgpt-oss |
| VRAM 24〜32GB | Devstral Small 2／Qwen3-Coder 30B-A3B | どちらもVRAMに収まる。エージェント用途ならDevstral |
| メモリ64GB以上（Mac等） | Qwen3-Coder-Next | 80Bの大型MoE。Claude Codeなどとの連携を公式が案内 |
比較表：4モデルの基本情報
| モデル | 大きさ | Ollamaの配布サイズ | ライセンス | 得意なこと |
|---|---|---|---|---|
| Qwen3-Coder 30B-A3B | 総30.5B（動くのは3.3B） | 19GB | Apache 2.0 | コード生成が速い |
| Devstral Small 2 | 24B | 15GB | Apache 2.0 | エージェント（複数ファイルの編集） |
| gpt-oss-20b | 総21B（動くのは3.6B） | 14GB | Apache 2.0 | 推論・ツール連携・省メモリ |
| Qwen3-Coder-Next | 総80B（動くのは3B） | 52GB | Apache 2.0 | 大きいコードベースのエージェント |
情報確認日：2026年10月18日（各モデルのHugging Face公式ページとOllamaのモデルページ）。4つともApache 2.0なので、商用利用・改変が可能です。
比較の基準：必要なメモリは「文脈の長さ」で変わる
コーディングでローカルLLMを使うときは、チャットより文脈（一度に読ませる量）が長くなりがちです。ファイルを何本も読ませたり、エディタやエージェントから使ったりすると、そのぶんVRAMを多く使います。
当サイトのVRAM計算機で、4bit量子化（Q4_K_M）の必要メモリを文脈の長さ別に計算しました。
| モデル | 文脈8K | 文脈32K | 文脈64K |
|---|---|---|---|
| Qwen3-Coder 30B-A3B | 約20.4GB | 約23.0GB | 約26.6GB |
| Devstral Small 2 | 約16.9GB | 約21.1GB | 約26.8GB |
| gpt-oss-20b | 約13.2GB | 約14.1GB | 約15.2GB |
| Qwen3.8 27B（参考） | 約18.4GB | 約20.3GB | 約22.7GB |
計算上の目安で、実際の使用量はソフトや設定で変わります。gpt-oss-20bだけは文脈を長くしても増え方が小さいので、16GBのGPUで長い文脈を使うときに有利です。
各モデルの解説
1. Qwen3-Coder 30B-A3B（Alibaba Qwen）
- 向いている人：まず1つ試したい、コードを速く出してほしい
- 強み：全体は30.5Bですが、1文字ごとに動くのは3.3Bだけ（MoEという仕組み）。そのためVRAMからはみ出しても速度が落ちにくいです。公式ページはQwen CodeやClineとの連携を案内しています
- 注意点：考えてから答える「思考モード」はありません（公式）。文脈8Kでも約20GBなので、16GBのGPUでは一部をメインメモリに置くことになります
- → 必要VRAMの詳細：Qwen3-Coder 30B-A3Bの計算結果
2. Devstral Small 2（Mistral AI）
- 向いている人：AIにファイルを読ませて、複数ファイルの修正まで任せたい
- 強み：コードの修正を自動で行う力を測る「SWE-bench Verified」で68.0%（Mistral公式）。Mistral Vibe（公式のCLIツール）・Cline・Claude Codeなどでの利用を公式が案内しています
- 注意点：すべての重みが毎回動く「密な」モデルなので、VRAMからはみ出すと大きく遅くなります。公式の推奨は**RTX 4090 1枚、またはメモリ32GBのMac**です。上位版のDevstral 2（123B）はデータセンター向けで、ライセンスも改変MITと別です
- → Devstral Small 2の計算結果
3. gpt-oss-20b（OpenAI）
- 向いている人：VRAM 16GBで、長めの文脈やツール連携を使いたい
- 強み：OpenAI公式が「16GBのメモリで動く」と説明しているモデルです。推論の強さを低・中・高の3段階で切り替えられ、関数呼び出し（ツール連携）にも対応しています
- 注意点：コーディング専用ではないので、コードの出来はQwen3-Coderの方が良いという実測報告があります
- → gpt-oss-20bの計算結果／日本語の文章での評価は日本語オープンLLM比較
4. Qwen3-Coder-Next（Alibaba Qwen）
- 向いている人：メモリ64GB以上のMacや、大容量メモリのPCを持っている
- 強み：総80Bの大型MoEで、動くのは3B。公式ページは、Claude Code・Qwen Code・Clineなどいろいろなエージェントで使えることを特長に挙げています
- 注意点：Ollamaの配布サイズが52GBあり、一般的なGPUのVRAMには収まりません。公式も、メモリが足りないときは文脈を32Kに縮めるよう案内しています
- → 大きいモデル向けのPCはMacで動かすローカルLLMを参照
このほか、汎用モデルのQwen3.8 27B（2026年8月公開・Apache 2.0）も、公式がコーディングやエージェントでの改善を挙げています。日本語での説明も一緒に頼みたいときの候補です。
評判・使用感（ユーザーの声）
個人ブログ・技術記事の実測報告を集約しました。
- 良い点：Qwen3-Coder 30B-A3Bは「実用的な速さで、動くコードが出る」という報告が多いです。RTX 5090での比較では、5モデルとも出題した条件を満たし、違いは読みやすさや書き方の方針に出たという結果もありました
- 良い点：RTX 4070（12GB）での比較では、コードの正答率はQwen3-Coderが上、メモリの少なさはgpt-oss-20bが上で、2つを使い分けるのがよいという結論でした
- 気になる点：Claude Codeをローカルモデルにつなぐと、ファイルの作成などのツールをうまく呼べず、コードを文字で表示するだけになったという失敗例があります。速度も、クラウドのAIよりかなり遅いという声が目立ちます
- 気になる点：生成されたコードに、存在しない関数名や古い書き方が混ざることがあるので、必ず実行して確かめる必要があるという指摘があります
- 利用者報告の数値（2026年7〜8月時点）：Qwen3-Coder 30B-A3Bで、RTX 4060（8GB）とメインメモリの併用が約27 tok/秒、RTX 4070（12GB）が約38 tok/秒、RTX 5060 Ti 16GBが約66 tok/秒、RTX 5090が約231〜271 tok/秒（いずれも個人の実測・文脈の長さや設定で変わります）
選び方のポイント
- VRAM 8〜12GB：Qwen3-Coder 30B-A3Bを、一部メインメモリに置いて使う。RTX 4060（8GB）でも約27 tok/秒の報告があります。メインメモリは32GB以上あると安心です
- VRAM 16GB：短い質問や関数単位の作成ならQwen3-Coder、エディタから長い文脈を使うならgpt-oss-20b
- VRAM 24〜32GB（RTX 4090・RTX 5090など）：Devstral Small 2もQwen3-CoderもVRAMに収まる。複数ファイルを直させたいならDevstral
- メモリ64GB以上のMac・PC：Qwen3-Coder-Next
- 使うツール：VS Codeなら拡張機能のContinueやClineがOllamaに対応しています。Clineの公式は、ローカルモデルでは「Use Compact Prompt」を有効にするよう案内しています。Claude Codeは
ollama launch claudeでつなげますが、Ollama公式は文脈64K以上を推奨しているので、上の表の64Kの列を目安にしてください
GPUの価格と予算別の選び方はローカルLLM向けグラボおすすめにまとめています。
副業での使い方
- 向いている作業：社外に出したくないコードの下書き、テストコードの作成、エラーの原因の当たりをつけるなど、量が多く、自分で確認できる作業
- クラウドと分ける：設計や難しい修正はクラウドのAI（Claude Code・ChatGPT）、決まった形の作業はローカル、と分けると、クラウドの利用料や上限を節約できます
- AIでコードを書けても、案件の獲得や収益は保証されません。仕事として納品するときは、動作確認と、依頼元がAIの利用を認めているかの確認が必要です
よくある質問
Q. ローカルLLMのコーディングは16GBのVRAMで足りますか？ A. 足ります。gpt-oss-20bなら文脈64Kでも約15GBの計算で、VRAMに収まります。Qwen3-Coder 30B-A3Bは一部をメインメモリに置くことになりますが、RTX 5060 Ti 16GBで約66 tok/秒の実測報告があります。
Q. ローカルLLMはVS Codeで使えますか？ A. 使えます。Ollamaでモデルを動かし、VS Codeの拡張機能Continue（チャット・補完）やCline（エージェント）からつなぐのが一般的です。Ollamaの入れ方はOllamaのインストール手順を参照してください。
Q. ローカルLLMのコーディングエージェントは、クラウドのClaude Codeの代わりになりますか？ A. 今のところ完全な代わりにはなりにくいです。ローカルモデルではツールの呼び出しに失敗する例や、速度がかなり遅いという報告があります。決まった作業をローカルに任せ、難しい作業はクラウドを使う使い分けが現実的です。
Q. 作ったコードを仕事で使っても大丈夫ですか？ A. この記事の4モデルはApache 2.0で、商用利用が認められています。ただし生成されたコードが既存のコードに似ていないか、依頼元のルールに合っているかは自分で確認しましょう。
PCごと買うなら：24GB以上のGPUや大容量メモリのPCを組むなら、BTOパソコンのショップで、上の表の必要メモリを目安に構成する方法もあります。→ 【FRONTIER】／パーツの型番まで選べるショップなら パソコンショップSEVEN
／静かさや冷却にこだわるなら BTOパソコンのサイコム
まとめ
- 迷ったらQwen3-Coder 30B-A3B。MoEで速く、VRAM 8〜16GBでも動く
- VRAM 16GBで長い文脈を使うならgpt-oss-20b、24GB以上でエージェント用途ならDevstral Small 2、メモリ64GB以上ならQwen3-Coder-Next
- エディタやClaude Codeとつなぐと文脈が長くなり、必要メモリが増える。生成されたコードは必ず実行して確認する
→ VRAM計算機／ローカルLLMの始め方／AI用グラボの選び方／AIツール料金早見表
情報確認日：2026年10月18日／モデルの仕様・ライセンスは各公式ページで確認しました。必要メモリは当サイトの計算による目安で、速度は個人の実測報告です。実際の値は環境・設定で変わります。 参考：Qwen3-Coder-30B-A3B-Instruct、Qwen3-Coder-Next、Devstral Small 2、Devstral 2の発表（Mistral AI）、gpt-oss-20b、Claude CodeとOllama（Ollama公式）、Qiita（RTX 4070で実測）、Qiita（8GB VRAMで実測）、ai-hardware-zukan（RTX 5060 Ti 16GBで実測）
