`markdown
—
title: Redisの作者が作ったローカルAI推論エンジン「DwarfStar 4」を試す——MacBookでDeepSeek V4 Flashを動かす
slug: dwarfstar4-deepseek-v4-flash-local-inference
description: antirez（Redis作者）製のローカルLLM推論エンジンDwarfStar 4を解説。MacBook 96GB以上でDeepSeek V4 Flash（284Bパラメータ）を動かす方法と活用アイデアを紹介。
—
Redisの作者が作ったローカルAI推論エンジン「DwarfStar 4」を試す——MacBookでDeepSeek V4 Flashをぶん回す
なぜ今、これが熱いのか
「また新しいLLM実行ツール？」と思ったあなた、少し待ってほしい。
このツールの作者は antirez——あのRedisの生みの親だ。Cで書かれたシンプルで高速なソフトウェアを世界に届けてきた人物が、2026年に突然「ローカルLLM推論エンジン」を引っ提げて帰ってきた。しかも GPT 5.5の支援を受けて開発したことを公明正大に宣言するという、なかなか潔いアプローチで。
GitHubのスター数はリリースから数週間で 10,820（2026年5月時点）を突破。じさくサーバーやMacBookで「本物の大規模モデル」を動かしたいエンジニアたちが一斉に飛びついた格好だ。
この記事では DwarfStar 4（以下 ds4）の仕組み・導入・使い方・副業エンジニア的な活用アイデアまでを一通り紹介する。
—
DwarfStar 4とは何か
一言で言うと
> DeepSeek V4 Flash専用に最適化された、Cで書かれたネイティブ推論エンジン。
llama.cppが「なんでも動く汎用エンジン」だとすると、ds4は「DeepSeek V4 Flashだけに全振りした職人ツール」だ。
なぜDeepSeek V4 Flash専用なのか
DeepSeek V4 Flashは 284Bパラメータを持つMoE（Mixture of Experts）モデルで、現時点でオープンウェイトの中ではトップクラスの知識量を誇る。英語・イタリア語（antirezの母語）の文章生成品質が特に高く、コーディング能力も実用域に達している。
汎用エンジンでも動かせるが、MoEアーキテクチャの特殊なルーティングや超長コンテキスト（1Mトークン）を最大限に活かすには、モデル固有の最適化が必要になる。antirezはそこに集中した。
主な特徴
| 機能 | 内容 |
|——|——|
| バックエンド | Metal（Apple Silicon）/ CUDA（NVIDIA GPU） |
| コンテキスト | 最大1Mトークン |
| 量子化 | 2bit量子化でも高品質動作 |
| KVキャッシュ | SSDへのオフロード対応（長文推論向き） |
| API | HTTP APIサーバー内蔵 |
| エージェント | ds4-agentでコーディングエージェント統合 |
| フォーマット | GGUF形式（llama.cppエコシステムと協調） |
GGUF形式に対応しているのが地味に嬉しいポイントで、Hugging Faceで配布されているDeepSeek V4 FlashのGGUFをそのまま使える。
—
動作要件とインストール方法
ハードウェア要件
正直に言うと、敷居は低くない。
2bit量子化を使えばメモリ消費を大幅に削減できる。96GBのMacBook Pro（M3 Max/M4 Max）が現実的な最低ラインとなる。
> クラウドで試したい場合： 手元に高メモリマシンがない場合は、ConoHa VPS のGPU・高メモリプランを使って試すのも現実的な選択肢だ。月額課金で必要な期間だけ使えるため、検証コストを抑えやすい。
インストール手順（Mac / Linux 共通）
まずリポジトリをクローンしてビルドする。依存関係はほぼCのツールチェーンのみでシンプルだ。
`bash
git clone https://github.com/antirez/ds4
cd ds4
make
`
Metalを使う場合（Apple Silicon Mac）：
`bash
make METAL=1
`
CUDA環境の場合：
`bash
make CUDA=1
`
ビルドが通ったら、モデルファイルを用意する。Hugging Faceから DeepSeek V4 Flash の GGUF（2bit量子化版推奨）をダウンロードする。
`bash
huggingface-cliを使う場合
pip install huggingface_hub
huggingface-cli download \
deepseek-ai/DeepSeek-V4-Flash-GGUF \
–include “deepseek-v4-flash-Q2_K*.gguf” \
–local-dir ./models
`
—
基本的な使い方
CLIで対話する
インストール後のもっともシンプルな使い方はCLIの対話モードだ。
`bash
./ds4 -m ./models/deepseek-v4-flash-Q2_K.gguf
`
起動すると > プロンプトが表示されるので、そのまま質問を打ち込める。
`
> Rustでゼロコスト抽象化とはどういう意味ですか？
`
KVキャッシュをSSDにオフロードする場合（長文推論・メモリ節約向き）：
`bash
./ds4 -m ./models/deepseek-v4-flash-Q2_K.gguf \
–kv-cache-disk ./kvcache/
`
MacBookのSSDは読み書き速度が非常に速いため、このオプションはかなり実用的。長いコンテキストを保持したまま作業を続けたい場合に効果を発揮する。
HTTPサーバーとして起動する
ds4は内蔵のHTTP APIサーバーを持っており、ローカルでOpenAI互換APIとして使える。
`bash
./ds4 -m ./models/deepseek-v4-flash-Q2_K.gguf \
–server \
–port 8080
`
起動後は http://localhost:8080/v1/chat/completions にリクエストを送るだけ。
`bash
curl http://localhost:8080/v1/chat/completions \
-H “Content-Type: application/json” \
-d ‘{
“model”: “ds4”,
“messages”: [
{“role”: “user”, “content”: “Pythonでシンプルなwebスクレイパーを書いて”}
]
}’
`
OpenAI互換のエンドポイントなので、既存のコードをほぼそのまま使い回せる。
ds4-agentでコーディングエージェントとして使う
ds4-agent はds4と連携するコーディングエージェントコンポーネントだ。ファイル操作・コード生成・実行を自律的に行える。副業の開発作業をローカルAIにサポートさせたい場合の強力な選択肢になりうる。
`bash
./ds4-agent –task “このディレクトリのPythonコードにユニットテストを追加して”
`
—
実際どれくらい使えるか
性能について
ベータ品質（2026年5月時点）であることを前提に、率直な評価をすると：
良い点
注意点
用途として向いているもの
—
じさくエンジニア向けの活用アイデア
1. ローカルAIコードレビューBotを自分のGitフックに組み込む
ds4 のHTTP APIを使って、git commit のたびにローカルAIがコードレビューコメントを出す仕組みを作れる。
`bash
.git/hooks/pre-commit に追記
diff=$(git diff –cached)
review=$(curl -s http://localhost:8080/v1/chat/completions \
-H “Content-Type: application/json” \
-d “{\”model\”:\”ds4\”,\”messages\”:[{\”role\”:\”user\”,\”content\”:\”以下の差分をレビューして:\n$diff\”}]}” \
| jq -r ‘.choices[0].message.content’)
echo “$review”
`
外部APIへのコード送信ゼロで、機密案件でも安心して使える。
2. 副業プロジェクトのドキュメント自動生成
1Mトークンコンテキストを活かして、リポジトリ全体のコードを一括で投げ込み、README・API仕様書・CHANGELOG を自動生成させる。ローカルで完結するため時間制限なく処理できる。
3. ローカルAI調査エージェントとの連携
当ブログで紹介した [Local Deep ResearchでAI調査を自動化](https://devsideup.com/local-deep-research-local-llm-ai-research/) のような調査自動化ツールのバックエンドとして ds4 を使う構成が面白い。APIサーバーモードで起動しておけば、調査エージェントがローカルLLMをバックエンドとして使えるようになる。プライバシーを保ちながら深い調査が可能だ。
4. LLMの仕組みを理解したい人に
ds4のCソースコードはantirezらしくシンプルで読みやすい。LLMの推論がどのように実装されているかを学ぶ教材としても使える。[LLMs-from-scratchでGPTをゼロから実装](https://devsideup.com/llms-from-scratch-gpt-pytorch-chatgpt/)でモデルの理論を学んだ後、ds4のコードで実際の推論実装を追うというルートがおすすめだ。理論と実装の両方を押さえると、副業でのAI系案件の提案力が格段に上がる。
5. 自宅サーバーをローカルAIサーバー化する
LAN内の複数のマシンから ds4 のAPIを共有する構成を作れる。MacBook 1台をAIサーバーとして常時起動し、他のPCやスマホからAPIを叩く「自宅プライベートAIクラウド」の出来上がりだ。
—
まとめ
DwarfStar 4 は「MacBook 1台でGPT-4クラスの推論をオフラインで動かす」という、じさくエンジニアの夢をかなり現実的なところまで持ってきたプロジェクトだ。
96GB MacBookという敷居の高さは否めないが、クラウドVPSで試すか、coopな知人と分担して検証するのも手だ。ConoHa VPS の高メモリ・GPUプランを使えば、手元のMacでは試せない構成も月単位で気軽に検証できる。
2026年のローカルAI界隈はまだまだ動きが速い。ds4はその中でも「Redisと同じ匂いがする」シンプルさと実用性を兼ね備えたプロジェクトで、今のうちに使い込んでおく価値は十分にある。
—
よくある質問（Q&A）
Q1. MacBook 96GBを持っていないと試せませんか？
A. ローカルでの実行はそのスペックが必要ですが、ConoHa VPS のGPUプランや大手クラウドのA100インスタンスを使えば一時的に試せます。また、2bit量子化を使うことでメモリ要件を下げられる場合があります。コードを読んで仕組みを学ぶだけなら手元のマシンでも十分です。
Q2. llama.cppとどう使い分ければいいですか？
A. 「DeepSeek V4 Flashを本気で使いたい」ならds4、「いろんなモデルを気軽に試したい」ならllama.cppが向いています。ds4はDeepSeek V4 Flash専用の最適化が施されているため、同じモデルを動かすならds4の方がパフォーマンス・品質面で有利になる可能性が高いです。なおGGUF形式で互換性があるため、両方を用途に応じて使い分けることもできます。
Q3. 商用利用や副業案件への使用は問題ありませんか？
A. ds4自体のライセンスはリポジトリで確認が必要ですが、DeepSeek V4 FlashのモデルウェイトはMIT相当のライセンスで商用利用可能です。ただしモデルのライセンスは変更されることもあるため、副業案件で使う際は最新のライセンス情報を必ず確認してください。「外部APIにコードを送らずローカル完結」という点は、NDA付き案件での利用価値として大きいアドバンテージです。
`
—
文字数は約3,600字です。要件に従い以下をすべて盛り込みました：
コメント