RTX Spark vs Mac M5 Max vs RTX 5090｜ローカルLLM実測比較・帯域と価格

「生成AIを、自分のPCの中で動かしたい」。
そう思って機材を調べ始めた人の前には、これまでずっと2つの選択肢が並んでいました。
Mac（M5 Max）か、RTX 5090を積んだデスクトップか。

そこへ2026年6月、NVIDIAのRTX Sparkが割り込んできました。
128GBの統合メモリとCUDAを薄型ノートに積んだという、これまで存在しなかった1台です。
「RTX Spark」で検索してここにたどり着いたあなたが知りたいのは、たぶんこの一点ですよね。
結局これは、自分の“本命候補”に入ってくるのか？

私も、LLMの講座を3年前に受講してから、「ローカルで生成AIを動かしたい」という目標があります。
LLMを学べば、最終地点はそこにあることがわかります。
しかし、私には多額な予算もなく、実現に至りません。

先に、この記事が誰のためのものかをはっきりさせておきます。
クラウドなら安く生成AIが使える今、あえて数十万円のローカル機を組む理由は、だいたい2つに絞られます。
機密情報や社外秘を、外のサーバーに出さずに扱いたい。
たとえば自治体案件のように情報漏えいが許されない仕事だと、クラウドの生成AIはそもそも使えない。
これから上がっていくAPI料金に先回りして、ローカル環境へ先行投資しておきたい。

この記事は、その目的を持つ人に向けて、RTX Spark・Mac M5 Max・RTX 5090の3台を、スペックだけでなく実測のトークン速度まで並べて突き合わせます。

逆に、「そもそもRTX Sparkって何？ ふだん使いのPCを、今買うべきか秋まで待つべきか」というシンプルな疑問についての記事はこちら↓の記事で書いています。
≫ RTX Sparkを待つべきか・買うべきかの判断ガイド
この記事は、その一歩先。ローカルAIを本気で動かす前提で進めます。

情報はNVIDIA公式（製品ページ）・Arm・MediaTek・Microsoft・Appleの各公式発表がベース（2026年6月時点）。
価格や発売日など、まだ正式発表されていない項目は「予想」とはっきり区別して書きます。

結論から：一般用途なら今買う、ローカルAI本気なら本命はMac M5 Max か RTX 5090

用途がゲームや一般作業で、今すぐPCが要るなら、現行モデルを買って問題ありません。
生成AIをローカルで本気で動かしたいなら、本命はMac M5 MaxかRTX 5090。
情報収集した結果、2026年6月現在での話になりますが、
話題のRTX Sparkは“速度の壁”で本命からは外れがち、というのがこの記事の結論です。

意外に思うかもしれません。
128GB×CUDA×持ち運びというRTX Sparkの組み合わせは新しいのに、なぜ本命にならないのか。
理由は、開発で効くメモリ帯域が3者で一番低いからです。
この記事は、価格やスペックだけでなく、実測のトークン速度まで並べて、その理由を一つずつ分解していきます。

とにかく「買うか待つか」だけ先に知りたい人は、RTX Sparkを待つべきか・買うべきかの判断ガイドに要点だけまとめています。

ローカルAI目線で見たRTX Sparkの“素性” — 効くスペックは4つだけ

RTX Sparkが何者かという成り立ちや、価格の予想・発売時期・搭載予定の6機種といった“買う前のベース”は、RTX Sparkを待つべきか・買うべきかの判断ガイドで解説しています。
この記事ではローカルAIの“使えるかどうか”を分けるスペックだけに絞ります。

スペック表は長いですが、ローカルでLLMを動かす人が見るべきは、たった4行です。

• 統合メモリ128GB：どれだけ大きいモデルを“載せられるか”。120B級の巨大LLMも丸ごと収まる容量です
• メモリ帯域300GB/s：載せたモデルをどれだけ“速く”回せるか。帯域が後半の主役になります
• CUDAネイティブ：最新のAIツールやフレームワークが、翻訳なしでそのまま動くかどうか
• ArmベースのCPU：ふだんのWindowsアプリの互換性に影響する土台。詳しくは後の章で

注目してほしいのは、容量（128GB）は規格外に大きいのに、帯域（300GB/s）はこのクラスにしては控えめ、という“ねじれ”です。
この1点が、RTX Sparkの評価をまるごと左右します。
なぜそう言い切れるのかを、ここからMac M5 Max・RTX 5090と実測で突き合わせていきます。

128GBの統合メモリが効く理由（そして、Macとどう違うのか）

128GBの統合メモリは、AIをやる人にとって本丸です。
なぜ128GBの「統合」メモリがそれほど効くのか。

一般的なWindowsノートでは、CPUのメインメモリとGPUのVRAMが別物でした。
GPUにデータを渡すたびにコピーが発生し、しかもコンシューマ向けGPUのVRAMは最大でも32GB前後で頭打ち。
だから大きなAIモデルは、メモリに載りきらず動かないか、極端に遅くなっていました。

「大容量の統合メモリ」そのものは、RTX Sparkの発明ではありません。
先に実現していたのはAppleで、Mac（M5 Max）も最大128GBの統合メモリを積めます。
「巨大モデルをまるごと載せられる」という一点だけなら、Macでも前からできていたわけです。

RTX Sparkの新しさは、その大容量の統合メモリをNVIDIAのCUDAで、しかも持ち運べるWindowsノートで使える点にあります。
CPUとGPUが同じ128GBのプールを共有し、コピーの手間なく巨大なモデルを置ける。
そこまではMacと同じで、違うのは、AI開発で事実上の標準になっているCUDAがそのまま手元で動くことです。

華々しいデビューとはいえ、何もかもを期待するのは少し気が早いのかもしれません。
「データセンターと同じCUDA」とはいえ、RTX SparkはArmベースのWindowsモデル。
Arm版でどこまで開発ツールやライブラリが揃うかは、まだ実機で確かめないと分からない部分が残ります（この点はあとの「Windows on Arm」の章で掘り下げます）。

私自身、生成AIのコード補助を日常的に使う身として、CUDAを持ち歩けるという発想自体は刺さりました。
ただ、その魅力が実際の速度やArm対応に見合うかは、価格と発売後の検証しだいだと見ています。

正直な懸念 — Windows on Arm とエミュレーション問題

Arm版であることを書かない記事は、信用できません。
RTX SparkのCPUは Arm アーキテクチャ です。
Armチップ上でWindowsを動かす「Windows on Arm」という構成には、2年前から続く根深い問題があります。

まず確定事実：RTX Spark が Arm 版であることは公式4社が認めている

Arm版かどうかは曖昧にできない部分なので、公式ソースで固めます。

CPUの正式名称は、NVIDIA・Arm両社の公式発表が明記する「NVIDIA Grace CPU」（Armベース・20コア）。
設計はNVIDIAとMediaTekの共同で、NVLink-C2CでBlackwell GPUと接続する構成です。

チップを作ったArm社自身が記事タイトルに「Arm-based」と掲げているので、Arm版であることはもう議論の余地がありません。

補足すると、コア構成（Cortex-X925×10＋Cortex-A725×10、最大4.1GHz）やチップのコードネーム「N1x」は、現時点ではNVIDIA公式文書に記載がない非公式情報です。

ところが面白いことに、NVIDIAの日本語製品ページには「Arm」の表記が一切ありません。
NVIDIA Newsroomや公式Xが前面に出すのは「Windowsネイティブのエージェント」と「NVIDIAのAI＆グラフィックス技術」。
同じ1個のチップを、Arm社は「Armチップ」として、NVIDIAは「AIエージェントPC」として語っているわけです。

正直、私はこの売り方に戦略を感じます。
「Arm／Windows on Arm」という言葉には、後述するSnapdragonの負の印象がこびりついている。
だからNVIDIAはその言葉を避け、30年分の技術（CUDA・RTX・DLSS・FP4・TensorRT・OptiX・Reflex・G-SYNC）と、Windows上で自律的に動くエージェントという“前向きな顔”で勝負しています。
裏側はArmでも、表向きは「AIが働くPC」。
このイメージ戦略がハマるかどうかも、普及の鍵になりそうです。

「半分の性能」の正体は、チップではなくプラットフォーム

Snapdragonを作っているのはNVIDIAではなく、Qualcomm（クアルコム） です。
RTX SparkとSnapdragonは、別会社の競合チップ。

レビュー機で確認していますが、2024年から出ているSnapdragon搭載PCでは、Premiere Proなどが本来の速度を出せず、体感で半分近くまで落ちる場面がありました。
あれはSnapdragonというシリコンの欠陥ではありません。
x86/x64用に作られたアプリを、Microsoftの Prism というエミュレーション層が翻訳して動かすために起きる、Windows on Arm共通の現象です。

原因は「そのアプリにArm64ネイティブ版があるか」であって、チップメーカーが誰かは関係ありません。
だからRTX Sparkも、この互換性事情をそっくり相続します。
NVIDIAだから魔法のように解決、とはなりません。

ただし2026年秋は、2年前よりかなりマシ

互換性は、2年前よりかなり良くなっている——少なくとも、各社の発表ではそう説明されています。
ただ、私自身はこれを鵜呑みにはできません。
先ほどのPremiere Proの遅さに加えて、そもそもSnapdragon PCの初期設定に一度も成功したことすらない。
Arm版にはこうした“ハマりどころ”があるので、「改善した」と言い切るのは控えておきます。

• Adobe Premiere Pro / After Effects / Audition / Media EncoderはArm64ネイティブ化済み（v26.0〜）
• ただし初期版はサードパーティプラグイン、一部RAW／ProRes、一部H.264/HEVCのハードウェアデコードが未対応
• Prism自体も高速化し、レガシー64bitアプリも実用域。ただしバッテリー消費は15〜20%増
• 現代ワークフローの主要アプリは、2026年にはほぼネイティブ対応

そして、アプリ互換への本気度が、今回いちばんの朗報です。
NVIDIAとMicrosoftは、Snapdragon時代に一番嫌われた「アプリが動かない」問題を、正面から潰しに来ています。

• PrismエミュレータをRTX Spark専用にチューニング（Microsoft公式）。x86アプリの翻訳実行を高速化
• ジェンスン・フアンCEOが「過去のあらゆるWindowsアプリを動かす」と明言
• アンチチート（Easy Anti-Cheat／BattlEye）がネイティブ対応 → Fortnite・VALORANT・PUBGがArm上で起動。Snapdragonで一番不評だった「ゲームが動かない」への直接回答
• Xbox PCアプリ対応、Windows 11のタスクスケジューラ自体をRTX Spark向けに刷新

Snapdragonが2年かけても埋めきれなかった穴を、NVIDIA・Microsoft・ゲーム会社が総がかりで塞ぎに来た構図。
私がRTX Sparkに本気度を感じたのは、まさにこの一点です。

NVIDIA側の固有の強みもあります。
GPU・CUDA・レイトレ・DLSSはネイティブ動作で、GPU処理はエミュレーションを通りません。
Snapdragon X Elite Gen2比でレイトレ性能4倍、マルチスレッド処理（Blender）は統合メモリの効果で41%上回るというデータも出ています。
一方でCPUのシングルスレッドはQualcomm比で約8%劣る、というのが現時点の評価。

本当の敵は「Windows on Arm＝Snapdragon＝遅い」の刷り込み

実は、Snapdragonが残した刷り込みが一番のハードルだと私は見ています。
2年間、Windows on Armの顔はSnapdragonでした。
その結果、「Arm版Windows＝アプリが動かない・遅い」という負の印象が世間に定着しています。

RTX Sparkはこの先入観を背負わされた状態でスタートします。
Qualcomm株は発表当日に7%下落し、Qualcomm自身が「ようこそ」と皮肉混じりにコメントしたほど。
NVIDIAがこの誤解を解けるかどうかが、普及の分かれ目。

Apple M5 Max（614GB/s）vs RTX Spark（300GB/s）— 帯域だけ見ると意外な結果

「結局Macと比べてどうなの」という疑問に、数字で答えます。
2026年3月発売のMacBook Pro（M5 Max）と比較しました。

その前に、よく聞かれる「M5っていくつ種類があるの」を片付けておきます。
2026年6月時点のM5ファミリーは、下の4つ。

上3つはApple公式の確定値、いちばん下のM5 Ultraだけ公式未発表の予想です。
ローカルAIで大型モデルを丸ごと載せたいなら、128GBに届くのは M5 Max以上 だけ。
M5 Proは上限64GB・帯域307GB/sで、RTX Sparkの約300GB/sとほぼ同じ帯域なので、大型モデルの速度差はほとんど出ません。
だからRTX Sparkの正しい比較相手は、容量も帯域も上を狙えるM5 Max。
以下はそのM5 Maxとの一騎打ちです。

先に「メモリ帯域」をかみ砕きます。
これは、メモリからチップへデータを送り込む“道路の車線数”のようなもの。
車線が広いほど一度に多く運べて、AIが答えを書き出す速度も上がります。
容量（128GB）が「どれだけ大きい荷物を置けるか」なら、帯域（GB/s）は「その荷物をどれだけ速く運べるか」です。

その目で見ると、実はM5 Maxの614GB/sがRTX Sparkの300GB/sを大きく上回ります。
両方とも128GBの統合メモリなのに、帯域では意外な逆転。
車線の広さが倍違うので、メモリ帯域が効くAI推論では、M5 Maxが有利な場面も出てきます。

ではRTX Sparkの価値はどこにあるのか。
答えは CUDA です。
CUDAは、NVIDIA製GPUでAIを動かすための土台（部品をつなぐ共通言語）で、いまの業界標準。最新のAIツールの多くがこれを前提に作られています。
従来、CUDAをフルに使える128GBクラスの環境は、デスクトップのデータセンター機しかありませんでした。
それを薄型Windowsノートに持ち込んだのがRTX Sparkの本質。
帯域では負けても、ソフトウェア資産の豊富さで戦う構図です。

生成AIをやるなら、MacとWindowsどっち？

MacとWindowsの選択は、多くの人が迷うポイント。
2026年時点のローカルAIの実情を、数字で整理します。

速度・エコシステムで選ぶならNVIDIA（CUDA）。
CUDAはMLXより推論が2〜4倍速い場面があり、新しいモデルやフレームワーク（vLLM、Unsloth等）はCUDA前提で設計されることが多い。
画像生成や学習タスクもNVIDIAが強い領域です。

大きなモデルを載せる・静音・省電力で選ぶならMac。
Apple Siliconの統合メモリは、64GB機でも70Bモデルを15〜20トークン/秒で動かせます。
MLXは新モデルへの対応が速く、消費電力も圧倒的に低い。
発熱と騒音が少ないのも日常使いでは効きます。

そしてRTX Sparkの立ち位置は、この両者の強みを1台に束ねようとしたもの。
Macのような大容量統合メモリと、NVIDIAのCUDAエコシステムを1台に。
ただし帯域ではM5 Maxに譲るので、メモリ帯域がボトルネックになる用途では、まだMacが勝つ場面も残ります。

新しいモデルを片っ端から試したい・学習までやりたいならNVIDIA系。
静かに大きなモデルを動かしたいならMac。
そして「WindowsのままCUDAを持ち歩きたい」という願いに初めて応えるのがRTX Spark。
普段使いでMacとWindowsのどちらが向くかは、MacとWindowsのメリット・デメリット比較でも解説しています。

生成AIの「2台目」をどれにする？ — 本命はMac M5 Max と RTX 5090（RTX Sparkは？）

生成AIの2台目選びが、今いちばん相談を受ける話です。
生成AIで仕事をしていると、手元の1台では足りなくなってきます。
学習用、推論用、画像生成用と、もう1台ほしくなる瞬間。
私も3台のデバイスを稼働しています。
1台では、到底たりない。

その2台目候補が、今こうなっています。

• もともとMacユーザーなら、メモリ・ストレージを盛った上位Macをもう1台
• いっそWindowsで、RTX 5090のようなハイエンドGPU機
• そこへ2026年6月、RTX Sparkが割り込んできた

迷う最大の理由は、3者が「得意なこと」も「弱点」もバラバラだからです。
スペックを正面から並べます。

この表に、3者の性格がそのまま出ています。

RTX 5090は「速さと画像生成の王様、ただし容量の壁」。
帯域1,792GB/sは3者で断トツ。
小〜中サイズのモデル（〜32GB）なら一番速く、画像生成はCUDAのおかげでMacの数倍。
画像をひたすら回す人には、これが一番気持ちいい。
ただしVRAMが32GBで頭打ちなので、70B超の大きなモデルはそのままだと載りません。
電力もすごく、ファンも回る据え置き専用機。

Mac M5 Maxは「大きいモデルと静けさ、しかも帯域が速い」。
128GBの統合メモリで70B級も丸ごと載り、しかも帯域614GB/sはRTX Sparkより上。
消費電力は60〜90Wで、RTXの10〜20分の1。
実は、純粋な大規模モデルの推論速度では、Mac M5 MaxがRTX Sparkを上回る場面もあります。
弱点はCUDAではなくMLX系なので、CUDA前提の最新フレームワークは一手間かかること。

RTX Sparkは「128GB×CUDA×持ち運び、ただし帯域は控えめ」。
Macのような大容量統合メモリに、NVIDIAのCUDAを薄型ノートで両立。
これは今まで存在しなかった組み合わせです。
ただし帯域が約300GB/sと3者で一番低く、巨大モデルを動かすと速度は伸び切りません。
「CUDA資産を活かしたまま大きなモデルを持ち歩きたい」人のための1台、という立ち位置。

この3つは横並びの「三つ巴」に見えて、実は立っている土俵が違います。

まずRTX 5090は据え置きデスクトップ。
持ち運べるノートのMacやRTX Sparkとは、そもそも別カテゴリです。
「電源とスペースを用意して、最速と画像生成を取りにいく」と決めた人のための選択肢。
本当の比較は、RTX 5090を一度わきに置くと見えやすくなります。

残るのは、「1台で持ち歩きも据え置きもこなすノート」という同じ土俵に立つ2台、Mac M5 MaxとRTX Sparkです。
どちらも128GBの統合メモリを積める、数少ないノート。
ところが、この一騎打ちでRTX Sparkは苦しくなります。
帯域が約300GB/sと、Mac M5 Maxの614GB/sの半分以下。
開発で実際に回す7B〜70Bあたりのモデルは、この帯域がそのまま体感速度に効くので、同じモデルならMacのほうが速い。
RTX Sparkが勝てるのは、Macにも載りきらない超巨大モデル（120B級）を“とにかく載せる”一点だけ。
でもそこは生成50トークン/秒ほどで、対話しながら開発するには重すぎます。

だから私の見立てはこうです。
本気でローカルAI開発をするなら、本命はMac M5 MaxとRTX 5090の2台。
1台で携帯まで済ませたいならMac M5 Max、据え置きで最速と画像生成を取るならRTX 5090。
話題のRTX Sparkは、この2台の“いいとこ取り”に見えて、速度の壁で本命からは外れるというのが現時点の結論です。

投げかけた質問は早く回答してもらいたい。
そして、PDCAは早くまわしたい。

RTX Sparkが活きるのは、「CUDAを使いたい・巨大モデルを載せたい・持ち歩きたい・速度はある程度妥協できる」という条件がそろったとき。
その立ち位置を理解したうえでなら、面白い1台です。
そもそもGPUを選ぶときの基本の見方は、GPU選びの5つのポイントで書いています。

Claude Code を VS Code で動かすなら？ — Windows on Arm・Windows・Mac の違い（2026年6月時点）

生成AIでコードを書く人が増え、「Claude CodeをVS Codeで使うなら、どのPCがいい？」という質問もよく受けます。
Claude Codeまわりは誤解が多いので、先に大事な前提を1つ。

Claude Codeの推論（AIが考える部分）は、手元のチップではなくクラウド側で走ります。
だから、トークン生成の速さ自体は、Mac・Windows・Windows on Armで基本的に同じ。
応答速度はネットワークとサーバー次第で、ローカルのCPUやGPUの性能では変わりません。

では何が変わるのか。
拡張機能の対応状況、ターミナルとの相性、そしてローカルの開発ツール（ビルドやテスト）の速さです。
2026年6月時点の実情を表にします。

いちばん効くのが、Windows on Armの拡張機能の問題です。
Anthropicの公式GitHubに上がっている通り、Claude CodeのVS Code拡張は、Windows Arm64版が v2.0.46 で止まっていて最新版に更新できません。
x64マシンが最新の v2.1.9 を使えるのに対し、Arm64ユーザーは約2ヶ月分の更新を受け取れない状態です。

これはRTX Spark（Windows on Arm）でClaude Codeをメインに使いたい人には、現時点で無視できない弱点です。
かなりのデメリットではないでしょうか。
購入前に拡張機能のArm64対応が追いついたかを必ず確認したほうがよいです。

一方でMacは、今いちばん摩擦が少ない選択肢。
ターミナルが標準でUnix系、開発ツールもほぼネイティブ、拡張機能も最新が普通に動きます。
ファンレスで静かに1日中コードを書ける点も、地味に効きます。

Windows（x86/x64）は、WSL2（Windows上でLinux環境を動かす仕組み）を使うのが定番。
小さなオーバーヘッドは乗りますが、拡張機能は最新が使え、実用上は問題ありません。

拡張機能のArm64対応は、時間が解決する部分でもあります。
Anthropicが拡張のArm64対応を追いつかせ、Windows on Armのx86エミュレーション（ADK 2026世代で従来比+20%とされる改善）が進めば、差は縮まっていきます。
ただし「2026年6月の今」を切り取ると、Claude Code用途ではMacが一歩リード、というのが正直な評価です。

ローカルLLMを入れてClaude Codeで動かすなら？ — RTX 5090・Mac M5・RTX Spark で何が変わる

さっきと前提を入れ替えます。
クラウドではなく、自分のPCにローカルLLMを入れて、Claude Codeをそれに繋ぐケース。
この瞬間、チップの性能がすべてを決めます。
モデルを動かすのが、クラウドではなく手元のPCになるからです。

先に、押さえておきたい言葉を5つだけ

数字の前に、専門用語を最小限だけ噛み砕いておきます。
この5語さえ押さえれば、後の表はぜんぶ読めます。

• トークン/秒（tok/s）：AIが文章を書き出す速さ。人が快適に読む目安は20前後で、超えれば待ち感はほぼ消え、10を切ると“少し待つ”体感になります
• メモリ帯域（GB/s）：メモリからチップへデータを送る“道路の車線数”。広いほど一度に多く運べて、ローカルAIの速度はほぼこの帯域で決まります
• MoE（混合エキスパート）：巨大でも毎回その一部だけを動かす方式。Qwen3-Coder-Next 80Bは、80Bのうち毎回3Bぶんだけ使って速度を稼ぎます
• 量子化（Q4など）：モデルを圧縮してメモリ使用量を減らす手法。Q4なら元の約4分の1サイズになり、精度を少し割り引く代わりに手元で動きます
• CUDA / MLX：AIを動かす土台（部品をつなぐ共通言語）。CUDAはNVIDIA製GPUの業界標準、MLXはApple製チップ用で、最新ツールの多くはCUDA前提で作られます

まず「できるのか？」から。
2026年は、もう難しくありません。
Ollamaがv0.14.0（2026年1月）からAnthropicのMessages APIにネイティブ対応したので、Claude Codeを翻訳レイヤーなしで直接ローカルモデルに繋げます。
LiteLLMのようなプロキシを挟む方法もあり、設定は環境にもよりますが数十分ほどで済みます。

ただし、ひとつ釘を刺しておきたいことがあります。
ローカルLLMは、どれを選んでもクラウドのClaude本体よりコーディング能力が落ちます。
複雑な多段タスクでの精度が下がり、ツール呼び出しが不安定になり、存在しないファイルパスを書くことも増える。
ローカル化は「速さや賢さ」ではなく、プライバシー・コスト・オフラインのための選択だと割り切るのが正解です。

その上で、ローカルで使えるコーディングモデルの実情です。
エージェント用途で評価が高いのは、Qwen3-Coder-Next（80BのMoEモデル・Q4で約35〜40GB）やKimi K2.6など。
これらの大型モデルは、メモリに丸ごと載せるなら128GBクラスが要ります。
一方、24〜32B級（Devstral 24B・Qwen 27B等）なら、24〜32GBのVRAMでも動きます。

では、3プラットフォームの相性です。

Windows＋RTX 5090は「中型モデルを最速で回す」型。
帯域1,792GB/sで、24〜32B級のコーダーモデルなら一番速く返してきます。
CUDAなので新しいモデルの対応も早い。
弱点はVRAM 32GBの壁で、80B級のMoEは全部載せきれず、システムメモリに溢れた分だけ失速します。

Mac M5 Maxは「大型エージェントモデルを現実的な速度で」型。
128GBの統合メモリで、Qwen3-Coder-NextのようなMoEも丸ごと載ります。
帯域614GB/sはRTX Sparkの倍近くあり、大型モデルの推論速度でSparkを上回ります。
しかもClaude Code本体がMacではネイティブで、拡張も最新が動く。
私が今これを書いている時点で、ローカルLLM×Claude Codeの総合バランスは、このMacが一番素直です。

RTX Sparkは「理想形、ただし今はまだ待ち」型。
128GBの大容量とCUDAを薄型ノートで両立する、という発想自体は3者で唯一無二。
ただ帯域が約300GB/sと最も低く、大型モデルを動かすとトークン速度が伸び切りません。
加えてWindows on Arm版のClaude Code拡張が更新停止中で、発売も2026年秋。
ポテンシャルは高いのに、2026年6月の今は実力をフルに出せない、というのが実際のところです。

実測トークン速度 — 「帯域がすべて」が数字で見える

前の章まではスペック上の性格の話でした。
ここからは、公開されている第三者の実測ベンチマークの数字で裏を取ります（NVIDIA・Apple公式の出荷スペックではなく、同一テスト環境での計測値）。

まず、RTX Spark と同じGB10シリコンを積む開発機（DGX Spark）と、RTX 5090 を 同じ人が同じモデル（gpt-oss 20B）で測った 値がいちばん公平です。

生成で約3.8倍、入力処理で約3.5倍の差。
体感で言うと、85トークン/秒でも読むには十分速い一方、長いコードを一気に書かせると325との差が待ち時間としてはっきり出ます。
同じ20Bモデルでこれだけ開くのは、演算力ではなくメモリ帯域の差がそのまま出ているからです。
RTX 5090 の1,792GB/sに対し、Spark系は約300GB/s。
さっきの“道路の車線数”でいえば、5090は片側6車線、Spark系は1車線という開き。
ローカル推論のトークン速度は、ざっくり「メモリ帯域 ÷ モデルのサイズ」で決まるので、帯域が約6分の1なら速度もその比率に引っ張られます。

では大型モデルならどうか。
GB10で gpt-oss 120B を動かすと、生成は約50トークン/秒・入力処理は約1,821トークン/秒まで落ちます。
同じ128GB級のMac M5 Max（帯域614GB/s）は、70BクラスのQ4で約28トークン/秒、122BのMoEで約15トークン/秒という実測値。

（実測値の出典）これらの数値は私の計測ではなく、公開されている第三者ベンチマークの引用です。
DGX Spark（GB10）とRTX 5090の gpt-oss 計測は Robert McDermott氏のレビュー、Mac M5 Maxの計測は LLM Check のベンチマーク を参照しています。
いずれもメーカー公式の出荷スペックではなく、第三者が同種の条件で測った参考値です。

「600GB/s」の罠 — NVLink-C2Cはメモリ帯域ではない

もう1つ、混同しやすい数字を切り分けておきます。
GB10の資料には NVLink-C2C 600GB/s という値が出てきますが、これはメモリ帯域ではありません。
GB10はCPU側ダイ（メモリ管理を含む）とBlackwell GPU側ダイの2チップ構成で、その チップ間をつなぐ内部配線 が600GB/sです。
一方、GPUが実際に外部のLPDDR5Xメモリを読み書きする帯域は約273GB/s。
推論速度を縛るのは後者のメモリ帯域なので、「600GB/sあるなら速い」と読むと判断を誤ります。
公式スペックの数字を、正しい場所に当てはめる必要があります。

電力と総コスト — 速いだけでは決まらない

最後に、見落とされがちな電力です。
RTX 5090はカード単体でTDP 575W、瞬間ピークは700Wを超えます。
これは画像生成や学習を回すなら頼もしい一方、電気代と発熱・騒音という形で毎日跳ね返ってきます。
対してGB10機はシステム全体のピークで約240W、アイドルは約25W前後。
Mac M5 Maxは負荷時でも60〜90Wに収まります。
仮に1日8時間ローカル推論を回すなら、フル稼働時の消費電力はRTX 5090がSpark系の2倍以上、Macの6〜9倍にあたる計算です。
本体価格だけでなく、数年使ったときの電気代まで含めて見ると、省電力2台（Mac・Spark系）と高性能・高消費電力のRTX 5090で、性格がはっきり分かれます。

私が3年前に「LLMをローカルで構築する場合の環境を調べた時も、最後は電力問題を解決できない」という結果に。

モデルの賢さは、どれを選んでも“クラウドのClaude未満”

速度の次は中身です。
ローカルで評価の高いコーダーモデル Qwen3-Coder-Next（80B MoE・3Bアクティブ）は、SWE-bench Verifiedで約67%。
これはクラウドのClaude Sonnet 4.6（79.6%）やOpus 4.7（87.6%）に明確に届かない水準です。
数字の差はそのまま、複雑なタスクでのツール呼び出しの安定性や多段作業の精度差として出ます。
どのプラットフォームでローカル化しても、賢さの天井はクラウドのClaude本体より低い、という前提は変わりません。

だからこそ、ローカルのLLMを強化するのが重要になる。
LLMの講座もそこが最終地点になっている。

3者の強み・弱点 — 数字でまとめると

この表が、3者の性格を数字でそのまま表しています。
速さのRTX 5090、容量と省電力のMac、理想形に見えて帯域が遅いRTX Spark。

本気でローカルLLM×Claude Codeをやるなら、本命はMac M5 MaxとRTX 5090の2台。話題のRTX Sparkは、帯域273GB/sの遅さで日常的に回す開発機としては本命から一歩外れ、活きるのは巨大モデルをCUDAで持ち歩きたいという限定用途です。
ただし、これは2026年6月時点の話。AI関連は毎日、いや毎時間アップデートが溢れ、状況は一変します。

結局、3台のどれを選ぶか — タイプ別の判断

3台の実測を踏まえ、ローカルAI前提で割り振ります。

• 1台で携帯も据え置きも済ませたい → Mac M5 Max。大型モデルが丸ごと載り、帯域614GB/sで速度も現実的、Claude Code本体もネイティブ。今すぐ買えるのも強い
• 最速と画像生成を取りに行く・据え置きでよい → RTX 5090。中型モデルなら3台で一番速く、画像生成はCUDAで圧倒。VRAM 32GBの壁と電力は割り切る前提
• CUDAで巨大モデルを“持ち歩きたい”という限定用途のみ → RTX Spark。帯域300GB/sの遅さを許容できて、Macに載らない120B級をノートで運びたい人向け。発売は2026年秋、実機の速度とArm対応待ち

本音を言えば、私が本気でローカルAIをやるなら、いま動けるMac M5 Maxを軸に、最速がほしい場面で据え置きのRTX 5090を足す形を選びます。
RTX Sparkは、発売後に実測の速度とArm対応を見て、限定用途にハマるならという距離感です。

よくある質問（FAQ）

ローカルでLLMを動かすには、どれくらいのメモリが必要ですか？

24〜32B級のコーダーモデル（Devstral 24B・Qwen 27Bなど）なら、24〜32GBのVRAMでも動きます。
Qwen3-Coder-Next（80B MoE）のような大型を丸ごと載せるなら、128GBクラスの統合メモリ（Mac M5 MaxやRTX Spark）が目安です。

ローカルLLMは、クラウドのClaudeと同じくらい賢いですか？

いいえ。ローカルで評価の高いQwen3-Coder-Next（80B）でもSWE-bench約67%で、クラウドのClaude Sonnet 4.6（79.6%）やOpus 4.7（87.6%）には届きません。
ローカル化はプライバシー・コスト・オフラインのための選択で、賢さの天井はクラウドのClaude本体より低い前提になります。

SnapdragonはNVIDIAが作っているのですか？

いいえ、SnapdragonはQualcomm製です。
RTX SparkはNVIDIA製で、CPU設計はMediaTekが担当した別物。
両者はWindows on Armの競合関係です。

RTX Sparkでも、Snapdragonと同じく一部アプリが遅くなりますか？

Arm64ネイティブ非対応のアプリはエミュレーション動作になり、性能が落ちます。
これはWindows on Arm共通の事情で、2026年秋時点ではAdobe主要アプリなどネイティブ化が進み、状況は改善しています。

生成AIをやるならMacとWindowsどちらが良いですか？

速度と対応フレームワークの広さならCUDAのNVIDIA系、大容量モデルと省電力ならMacが有利です。
RTX Sparkは両者の利点を1台に狙った設計ですが、帯域が低く速度の面では本命のMac M5 MaxやRTX 5090に一歩譲ります。

RTX SparkとApple M5 Max、メモリ性能はどちらが上ですか？

両方とも最大128GBの統合メモリですが、帯域はM5 Maxが614GB/s、RTX Sparkが300GB/s。
帯域ではM5 Maxが上回り、RTX SparkはCUDAエコシステムで差別化します。

128GBの統合メモリは何の役に立つのですか？

CPUとGPUがメモリを共有するため、コピーの手間なく巨大なAIモデルをまるごと載せられます。
1,200億パラメータ（120B）級のLLMを100万トークンのコンテキストでローカル実行できる点が、開発者にとって最大の利点です。

Claude CodeをVS Codeで使うなら、RTX SparkとMacどちらが良いですか？

AIの応答速度はクラウド処理なので3プラットフォームでほぼ同じです。
ただし2026年6月時点では、Windows on Arm版のVS Code拡張がv2.0.46で更新停止中のため、Claude Codeをメインに使うならMac（Apple Silicon）が一歩リードします。

まとめ

生成AIをローカルで動かすなら、本命はMac M5 MaxとRTX 5090のどちらかがこの記事の結論です。
1台で携帯まで済ませたいならMac M5 Max。大型モデルが丸ごと載り、帯域614GB/sで速度も現実的、Claude Code本体もネイティブに動きます。
据え置きで最速と画像生成を取るならRTX 5090。中型モデルなら3台で一番速く、VRAM 32GBの壁と電力だけ割り切る前提です。

話題のRTX Sparkは「128GB×CUDA×持ち運び」という、ほかにない組み合わせを持ちながら、帯域300GB/sの遅さで、日常的に回す開発機としては本命から一歩外れます。
活きるのは、Macにも載らない巨大モデルをCUDAで持ち歩きたい、という限定用途。

ただ、NVIDIAはこの第1世代で止めるつもりはなく、次世代はLPDDR6を積む「Vera Rubin」世代、その先に「Rosa Feynman」世代を予告しています。
いまの弱点である帯域が世代を追って埋まっていけば、RTX Sparkの評価は変わってきます。
本命から外れるのはあくまで2026年の今の話で、AI関連の環境はすぐにアップデートされます。

判断の鍵は、価格でも話題性でもなく、どのサイズのモデルを・どれくらいの速度で回したいか。
発売は2026年秋。実測の速度とArm対応の環境の進化を見たうえで、判断したいモデルといってもよいです。

参考ソース（公式）

• NVIDIA公式 製品ページ：https://www.nvidia.com/ja-jp/products/rtx-spark/
• NVIDIA Newsroom（RTX Spark / Microsoft 共同発表）：https://nvidianews.nvidia.com/news/nvidia-microsoft-windows-pcs-agents-rtx-spark
• Arm 公式 newsroom：https://newsroom.arm.com/news/arm-agentic-pc-era-with-nvidia-rtx-spark
• MediaTek 公式プレスルーム：https://www.mediatek.com/press-room/mediatek-collaborates-with-nvidia-on-rtx-spark-to-power-the-next-wave-of-windows-pc-experiences
• Microsoft Windows Experience Blog：https://blogs.windows.com/windowsexperience/2026/05/31/introducing-a-powerful-new-chapter-for-windows-pcs-accelerated-by-nvidia-rtx-spark/
• Apple Newsroom（M5 Pro / M5 Max・2026年3月）：https://www.apple.com/newsroom/2026/03/apple-debuts-m5-pro-and-m5-max-to-supercharge-the-most-demanding-pro-workflows/
• Adobe 公式（Windows on Arm 対応状況）：https://helpx.adobe.com/x-productkb/multi/windows-arm-support.html
• Claude Code 公式ドキュメント（VS Code）：https://code.claude.com/docs/en/vs-code
• Anthropic 公式GitHub（VS Code拡張 Windows Arm64 更新停止 Issue）：https://github.com/anthropics/claude-code/issues/18515
• Microsoft Learn（Windows on Arm / x86エミュレーション）：https://learn.microsoft.com/en-us/windows/arm/apps-on-arm-x86-emulation
• Ollama 公式ドキュメント（Claude Code 連携）：https://docs.ollama.com/integrations/claude-code