ローカルAIモデルが増えすぎたらどう整理する？重複・revision・cacheを削減
目次
結論
削除量を先に最大化せず、model hash・revision・runtime・最終使用日・再取得可否をinventory化してから重複/cacheだけを減らす。
「AI モデル 容量 整理 SSD」で迷ったときは、最初に model hash・runtime・使用日を持つinventory表 を埋めてください。比較表の空欄を憶測で埋めず、必須条件を満たさない候補を先に落とす方が、総合rankingより再現性があります。
判断表：model hash・runtime・使用日を持つinventory表
| 観点 | 記録するもの | PASS条件 | 停止 / 要再確認 |
|---|---|---|---|
| disk | version/revision/保存場所/再取得可否を記録 | 削除・更新後も再現経路が残る | 参照元不明のassetを先に削除しない |
| duplicates | duplicatesを同じ定義・同じ観測窓で記録 | duplicatesの根拠と判断者が明示される | duplicatesが未確認のまま総合点で相殺しない |
| cache | version/revision/保存場所/再取得可否を記録 | 削除・更新後も再現経路が残る | 参照元不明のassetを先に削除しない |
| revision | version/revision/保存場所/再取得可否を記録 | 削除・更新後も再現経路が残る | 参照元不明のassetを先に削除しない |
| last used | last usedを同じ定義・同じ観測窓で記録 | last usedの根拠と判断者が明示される | last usedが未確認のまま総合点で相殺しない |
使い方：各行を◎/○/△の雰囲気で採点するのではなく、PASS条件を満たす証拠を添付します。停止欄に該当した候補は、他の長所で相殺せず「要確認」に戻します。worksheet系の項目は自分の入力条件/実際の観測結果がない限り空欄のままにします。
なぜこの順番で判断するか
このテーマで最も起こりやすい失敗は、AI モデル 容量 整理 SSD という検索語から、すぐに「どれが一番か」というrankingへ飛ぶことです。しかし、同じ製品・求人・講座でも、利用者の目的と運用条件が違えば結論は変わります。本記事では、まず必須条件を落とし、その後に得失を比較します。比較軸は disk、duplicates、cache、revision、last used です。
また、料金・plan・求人・credit・利用規約・対応機能は時間で変わります。ここで固定するのは「2026-09-13時点の事実」ではなく、何をどの公式sourceで再確認し、どう意思決定するかです。公開直前に変わり得るな項目だけを更新すれば、記事の結論を追跡可能にできます。
使い方：5ステップ
- まず自分の目的を1文にし、成功条件を1つ決めます。便利そう、人気そう、AIだからという理由は成功条件にしません。
- disk、duplicates、cache、revision、last used を同じ単位で埋めます。不明は0点ではなく「未確認」として残します。
- 公式pricing、docs、terms、求人票など一次情報で変わり得る情報を再確認します。
- worksheet/検証が必要な項目は、空欄のまま結論を出さず、実際の観測結果または自分の入力条件で埋めます。
- 最後に除外条件を適用し、必須条件を満たした候補だけを比較します。
Hugging Face、LM Studio、Ollamaを見るときの注意
Hugging Face、LM Studio、Ollamaはいずれも候補ですが、サービス名だけで優劣は決めません。同じ「AI」「agent」「cloud」「学習」「販売」という表現でも、課金単位、データ経路、管理者機能、権利、更新頻度が違います。公式ページで確認できない項目は「ない」と断定せず、未確認として扱います。逆に、公式に機能があることと、自分のワークフローで安全・採算的に使えることも別問題です。
容量削減は「大きい順に削除」ではなく参照関係を解く
同じmodelがruntimeごとに別形式・別directoryへ置かれたり、revisionごとのsnapshot/cacheが残ったりします。まずpath、hash、format、runtime、revision、last used、再取得URLをinventoryへ集めます。Hugging Faceのcacheはblob/snapshot参照を持つため、filesystem上の大きなfileを直接消すよりcache管理機能を優先します。
OllamaやLM Studioの保存場所も分けて確認し、runtimeが参照中のfileを削除しないようにします。
サービス別の確認ポイント
- Hugging Face: plan/price/terms/機能のうち本記事の比較軸に関係する項目だけを公式sourceで再確認し、未確認項目を推測で埋めない。
- LM Studio: plan/price/terms/機能のうち本記事の比較軸に関係する項目だけを公式sourceで再確認し、未確認項目を推測で埋めない。
- Ollama: plan/price/terms/機能のうち本記事の比較軸に関係する項目だけを公式sourceで再確認し、未確認項目を推測で埋めない。
実際の判断例
たとえば候補Aが機能豊富でも、disk の条件を満たさず、候補Bは機能数が少なくても必須条件を満たすなら、先に候補Bを残します。その後で duplicates と last used の得失を比較します。これにより「機能数」「知名度」「AIっぽさ」の総合点で、本当に重要な欠点を隠しません。
費用を比較する場合も、月額や単価だけを横並びにしません。初期設定、従量、保存、再実行、確認、supportなど、この判断で実際に発生する項目だけを同じ期間・同じ成果単位へ揃えます。公式価格が変わったらinputだけを更新し、判断式は維持します。
選ばない・進めない条件
どのruntimeが参照しているか、再download可能か、revisionを再現できるか不明なweightは削除しない。
これは「慎重に」という抽象論ではなく、比較表の必須条件を満たさない候補を意思決定から外す公開条件です。条件が後から確認できたら、同じ表へ戻して再評価します。
一次情報
- Hugging Face — Understand caching — Hub cacheはblobs/snapshots/revisionsを管理し、hf cacheコマンドでrepository/revision単位の削除ができる。
- LM Studio — Manage Models — LM Studioはdownload済み/loaded modelを識別し、load/unloadを制御できる。
- Ollama — FAQ / model storage — Ollamaの既定model保存場所とOLLAMA_MODELSによる保存先変更が公式FAQに記載されている。
- Ollama — API documentation — Ollamaはlocal model server/APIを提供するが、外部ツール実行権限はagent/application側で別管理する必要がある。
まとめ
削除量を先に最大化せず、model hash・revision・runtime・最終使用日・再取得可否をinventory化してから重複/cacheだけを減らす。 そのために正本とするのは固定rankingではなく model hash・runtime・使用日を持つinventory表 です。変化した事実だけを最新の情報源または実際の観測結果で差し替えれば、同じ判断基準で結論を更新できます。
まとめ
- 削除量を先に最大化せず、model hash・revision・runtime・最終使用日・再取得可否をinventory化してから重複/cacheだけを減らす。 そのために正本とするのは固定rankingではなく **model hash・runtime・使用日を持つinventory表** です。変化した事実だけを最新の情報源または実際の観測結果で差し替えれば、同じ判断基準で結論を更新できます。