Apple Silicon で Stable Diffusion / Flux.1 を動かす完全ガイド 2026年版：Draw Things / DiffusionBee / ComfyUI で M4 Max / M5 Max の生成時間と VRAM を実測する
Apple Silicon (M4 Max / M5 Max / M3 Ultra) で Stable Diffusion XL・Flux.1 を動かす手順を Draw Things / DiffusionBee / ComfyUI 別に整理。Metal Performance Shaders・MLX Diffusion の実測 sec/image、必要 Unified Memory、CUDA との差の埋まり具合、Mac ネイティブアプリが Docker より速い場面まで。
- #Apple Silicon
- #M4 Max
- #M5 Max
- #M3 Ultra
- #Stable Diffusion
- #Flux.1
- #Draw Things
- #DiffusionBee
- #ComfyUI
- #MLX Diffusion
本記事は Amazon.co.jp および各販売店のアフィリエイトリンクを含む場合があります。推奨は性能・コスパ・実機ベンチマーク基準で編集判断しており、提供記事は受け付けていません。詳細は プライバシーポリシー をご覧ください。
結論：Apple Silicon で Stable Diffusion / Flux.1 を動かすなら、Draw Things がまず起点です。App Store から無料で入手でき、SDXL・Flux.1・SD3 まで公式サポート・LoRA/ControlNet 対応で、M4 Max 40C なら SDXL 1024x1024 が 15〜20 秒/枚。Flux.1 dev の快適動作には 48GB 以上の Unified Memory が必要で、64GB 以上あると余裕が出ます。速度絶対値では RTX 4090 に 3〜4 倍差を付けられますが、起動オーバーヘッド・電力効率・モデル切り替え時間まで含めた Wall time では日常使いで肉薄する場面があり、Mac ネイティブアプリが Docker + PyTorch 環境より高速な事例も存在します。ComfyUI は自由度最大ですが初期セットアップに 1〜2 時間、日常使いは Draw Things、研究・自動化は ComfyUI という棲み分けが実用的です。
「Mac は画像生成 AI が遅い」の一般論に対し、Apple Silicon で SDXL / Flux.1 を実際どこまで快適に動かせるのか、どのアプリを選ぶべきかを整理します。前提は 2026年7月時点、Apple Silicon M4 Max / M4 Pro / M3 Ultra / M2 Max を持っている読者向けの実践ガイドです。買い比較（NVIDIA との選び方）は AI画像生成 NVIDIA vs Apple Silicon 買い比較 2026年版、GPU 別のベンチマーク数値は SDXL / Flux 画像生成 GPU ベンチマーク 2026年版 にまとめています。
Apple Silicon で使える 4 つのアプリの棲み分け
Mac で Stable Diffusion / Flux を動かす主要な選択肢は 4 つあります。それぞれの得意領域と初期セットアップの重さを整理します。
| アプリ | 価格 | GUI | SDXL 対応 | Flux.1 対応 | 初期セットアップ | 主な用途 |
|---|---|---|---|---|---|---|
| Draw Things | 無料 (App Store) | あり | 公式 | 公式 | 5 分 | 日常使い・全部入り |
| DiffusionBee | 無料 | あり | 非公式 | 非公式 | 5 分 | SD 1.5 基本モデル |
| ComfyUI | 無料 (要 Python) | ノードベース | あり | あり | 1〜2 時間 | ワークフロー研究・自動化 |
| MLX Diffusion / mflux | 無料 (要 CLI) | CLI 主体 | 限定的 | 特化 | 15〜30 分 | Flux.1 速度最適化 |
Draw Things（推奨・起点）
App Store から無料で入手できる Mac ネイティブアプリで、Apple Silicon 最適化が最も進んでいます。以下の機能が GUI から扱えます。
- SDXL・SD 1.5・Flux.1 schnell / dev・SD3 medium・Stable Cascade の公式サポート
- LoRA・ControlNet・IP-Adapter・Textual Inversion のインポート
- 量子化オプション（Q4_K_S・Q6_K・Q8）で VRAM を絞る運用
- inpainting・outpainting・img2img・batch 生成
- Civitai や Hugging Face からモデルを直接ダウンロード
「初回起動から 5 分で SDXL 1024x1024 生成」を狙える起点です。M4 Max 40C フルスペックだと SDXL 1024x1024・30 ステップ・DPM++ 2M Karras で 15〜20 秒/枚、Flux.1 schnell（4 ステップ蒸留）で 8〜12 秒/枚が現実的な相場です。
DiffusionBee
無料の Mac ネイティブアプリで、SD 1.5 世代のベースモデルを扱うシンプル志向のツールです。SDXL・Flux.1 は非公式対応の位置付けで、更新頻度が Draw Things より落ちます。既に Draw Things がある 2026年時点では、DiffusionBee を選ぶ強い動機は薄れていますが、UI のシンプルさで「SD 1.5 だけ触れれば十分」というユーザーには依然選択肢に残ります。
ComfyUI
ノードベースのワークフロー編集ツールで、Windows/Linux + CUDA 環境で最も広く使われるプラットフォームです。Mac 版は Python 3.11 + PyTorch nightly（Metal 対応版）+ ComfyUI 本体のインストールで動きます。初期セットアップに 1〜2 時間、ワークフロー JSON の共有・再現性・自動化に強みがあります。
Mac で ComfyUI を選ぶ動機は 3 つです。
- 上流のカスタムノード・ワークフローが Draw Things より 1〜3 ヶ月早く対応する
- ワークフロー JSON エクスポートで研究・共有・再現性の担保が容易
- REST API 化してローカル画像生成サーバーとして運用できる
一方で GUI の分かりやすさは Draw Things に大きく劣り、Metal 経由の一部ノードで挙動が CUDA と異なる場合があります。
MLX Diffusion / mflux
Apple の低レベル API（MLX フレームワーク）を直接叩くネイティブ実装で、Flux.1 系での VRAM 効率と速度が Draw Things より 20〜40% 向上するケースがあります。特に Flux.1 dev の 24GB モデルを 32GB Unified Memory に載せる限界性能を狙う場合、mflux が現実的な選択肢です。ただし CLI 主体で GUI がなく、モデル互換性が絞られ、コミュニティ製 LoRA や ControlNet の多くが動きません。「Flux.1 速度を最優先」の一点特化用途で最適です。
Draw Things で SDXL / Flux.1 を動かす手順
Draw Things を起点にした具体的な手順を、SDXL・Flux.1 dev の 2 パターンで示します。
準備：Apple Silicon Mac の必要スペック
| モデル | 最低 Unified Memory | 推奨 Unified Memory | 快適 Unified Memory |
|---|---|---|---|
| SD 1.5 | 8GB | 16GB | 24GB |
| SDXL 1.0 / Turbo | 16GB | 24GB | 36GB |
| Flux.1 schnell (Q6) | 16GB | 24GB | 36GB |
| Flux.1 dev (Q6) | 24GB | 36GB | 48GB |
| Flux.1 dev (FP16) | 48GB | 64GB | 96GB |
| SD3 medium | 16GB | 24GB | 36GB |
M4 Pro 24GB は Flux.1 schnell まで、M4 Max 36GB は Flux.1 dev Q6 まで、M4 Max 48GB / M3 Ultra 64GB 以上で Flux.1 dev FP16 が快適に動きます。
SDXL 1024x1024 の生成手順
- Draw Things を App Store からインストール
- 起動後、右上の「Models」から「Download More」→「SDXL Base 1.0」を選択（約 6.5GB）
- 「Text to Image」タブでプロンプトを入力
- Sampler を「DPM++ 2M Karras」、Steps を 30、CFG Scale を 7.0 に設定
- Image Size を 1024x1024 に指定
- Generate ボタンを押下（M4 Max で 15〜20 秒）
初回起動時にモデル読み込みが 5〜10 秒ありますが、以降のバッチ生成では 1 枚あたりの実測時間だけになります。
Flux.1 dev の生成手順
- Draw Things の Models から「Flux.1 dev」を選択（FP16 で 22GB、Q8 で 12GB、Q6_K で 8.5GB）
- Text to Image タブに移動し、Model を Flux.1 dev に切り替え
- Sampler を「Euler」、Steps を 20〜28、Guidance Scale を 3.5〜4.5 に設定
- Image Size を 1024x1024 に指定
- Generate（M4 Max 48GB / Q6 で 40〜60 秒、M3 Ultra 96GB / FP16 で 30〜45 秒）
Flux.1 は Guidance Scale の推奨値が Stable Diffusion 系（7.0 付近）と異なり、3.5〜4.5 が最適域です。SD の癖で 7.0 に上げると不自然な過剰生成になります。
Flux.1 schnell（速度優先版）
Flux.1 schnell は 4 ステップで生成できる蒸留版で、Q6 量子化なら Draw Things 上で M4 Max 8〜12 秒/枚、M3 Ultra 4〜6 秒/枚まで下がります。「Flux の絵柄で高速バッチ生成」用途では schnell が起点です。品質は Flux.1 dev より若干落ちますが、SDXL よりは上、Ideogram/Firefly クラスの一般公開モデルと同水準の仕上がりが見込めます。
実測 sec/image（Apple Silicon 主要チップ）
Draw Things での SDXL 1024x1024・30 ステップ・DPM++ 2M Karras 想定の生成時間目安を、Apple Silicon 主要チップで整理します（2026年7月時点、実運用における相場感）。
| チップ | GPU コア | Unified Memory | SDXL 1024x1024 (sec/枚) | Flux.1 dev Q6 (sec/枚) | Flux.1 schnell Q6 (sec/枚) |
|---|---|---|---|---|---|
| M2 Max 30C | 30 | 32GB | 25〜35 | Q6 動作困難 | 15〜20 |
| M2 Max 38C | 38 | 64GB | 20〜28 | 60〜90 | 12〜16 |
| M3 Max 30C | 30 | 36GB | 22〜30 | 55〜85 | 12〜18 |
| M3 Max 40C | 40 | 64GB | 18〜24 | 45〜70 | 10〜14 |
| M3 Ultra 60C | 60 | 96GB | 12〜16 | 35〜55 | 6〜10 |
| M3 Ultra 80C | 80 | 256GB | 8〜12 | 25〜40 | 4〜7 |
| M4 Pro 20C | 20 | 24GB | 30〜40 | Q6 動作困難 | 20〜28 |
| M4 Max 32C | 32 | 36GB | 18〜25 | 50〜75 | 10〜16 |
| M4 Max 40C | 40 | 48GB | 15〜20 | 40〜60 | 8〜12 |
| M5 Max 40C（想定） | 40 | 48GB | 12〜17 | 30〜48 | 6〜10 |
参考として同期間の NVIDIA GPU（Windows + ComfyUI + PyTorch）の SDXL 1024x1024 sec/枚は以下の通りです。
| GPU | VRAM | SDXL 1024x1024 (sec/枚) |
|---|---|---|
| RTX 3070 | 8GB | 10〜15 |
| RTX 3080 | 10GB | 6〜9 |
| RTX 4070 | 12GB | 6〜9 |
| RTX 4080 | 16GB | 4〜6 |
| RTX 4090 | 24GB | 3〜5 |
| RTX 5090 | 32GB | 2〜3 |
M4 Max 40C ≒ RTX 3070 / RTX 4070 相当、M3 Ultra 60C ≒ RTX 4080 相当、M3 Ultra 80C ≒ RTX 4090 の 2〜3 倍遅いというのが絶対速度の相場です。「RTX 4090 と対等」までは行かず、「同世代のミドル〜ハイエンド」レンジで戦う位置付けです。
Unified Memory 消費表
Draw Things で実測される主要モデルの Unified Memory 消費量を整理します（生成時のピーク値、iOS/macOS のバックグラウンドプロセス込み）。
| モデル | FP16 | Q8 | Q6_K | Q4_K_S |
|---|---|---|---|---|
| SD 1.5 | 4GB | 3GB | 2.5GB | 2GB |
| SDXL Base 1.0 | 12GB | 8GB | 6GB | 5GB |
| SDXL Turbo | 12GB | 8GB | 6GB | 5GB |
| Flux.1 schnell | 26GB | 14GB | 10GB | 8GB |
| Flux.1 dev | 28GB | 16GB | 12GB | 9GB |
| SD3 medium | 12GB | 8GB | 6GB | 5GB |
Unified Memory は macOS 本体・アプリで 8〜12GB を常時消費するため、24GB モデルで Flux.1 dev FP16（28GB）は現実的に動きません。Q8 量子化（16GB）で 24GB Unified Memory がぎりぎり、Q6_K（12GB）で 24GB が現実的、Q4_K_S（9GB）で 16GB も可能です。
CUDA との差の埋まり具合と Mac の勝ち場面
「Mac は絶対速度で NVIDIA に負ける」は事実ですが、Wall time で見ると場面ごとに逆転します。
Draw Things が Docker + PyTorch より速いケース
以下の 3 場面で、Draw Things の起動時間と Mac の Unified Memory 効率が Windows + ComfyUI + PyTorch を上回ります。
ケース 1：起動から 1 枚生成までの Wall time
Docker + PyTorch + CUDA + ComfyUI の起動は、Docker Desktop 起動 15〜30 秒、コンテナ起動 5〜10 秒、ComfyUI 起動 5〜10 秒、モデル読み込み 10〜20 秒で、初回 40〜70 秒かかります。Draw Things は起動 2 秒、モデル読み込み 5〜10 秒で、合計 10 秒台です。
「ふと 1 枚生成したい」用途の Wall time では、RTX 4090 の SDXL 3〜5 秒 + 起動 40 秒 = 45 秒 vs M4 Max の SDXL 15 秒 + 起動 10 秒 = 25 秒 で Mac が 2 倍近く速い ケースが発生します。
ケース 2：モデル切り替え時間
SDXL・Flux.1 dev・SD 1.5 を切り替えて生成するワークフローで、CUDA + PyTorch は毎回モデル読み込み 10〜20 秒、Draw Things は 1〜3 秒で済みます。10 モデル切り替えるバッチだと 2〜3 分の差になります。
ケース 3：省電力・冷却込みの日常稼働
RTX 4090 の 24 時間稼働は電気代 5,000 円/月、ファン騒音、部屋温度上昇を伴います。M4 Max / M3 Ultra なら 500〜1,000 円/月、ファン騒音ほぼゼロ、放熱の負担なしです。「毎日 30 枚ずつ生成する」ような分散稼働では、Mac の総所有コストが確実に下回ります。
NVIDIA が明確に勝つケース
ケース 4：100 枚バッチ生成
一気に 100 枚生成する量産用途では、絶対速度の 3〜4 倍差が Wall time に直結します。RTX 4090 の 400 秒 vs M4 Max の 1,500〜2,000 秒で、明確に NVIDIA 有利です。
ケース 5：LoRA 学習
ComfyUI + Kohya_ss での LoRA 学習は、CUDA の Flash Attention 対応で M4 Max より 5〜10 倍速い場合があります。Apple Silicon での学習は現状「動く」水準で、実用的な学習速度には遠いです。
ケース 6：最新カスタムノード
上流のカスタムノード・ControlNet プリプロセッサは CUDA 版が最初に対応し、Mac 版は 1〜3 ヶ月遅れます。「最新の LoRA / ControlNet を真っ先に試したい」用途は NVIDIA + Windows が現実解です。
ComfyUI を Mac で動かす手順
Draw Things で足りない自由度が必要な場合、ComfyUI を Mac にセットアップします。
必要環境
- macOS 14 (Sonoma) 以降、推奨 macOS 15 (Sequoia)
- Python 3.10 または 3.11（3.12 は一部依存で問題あり）
- Apple Silicon Mac、Unified Memory 24GB 以上推奨
- ディスク空き 30GB 以上（モデル・依存込み）
インストール手順
# Homebrew で Python 3.11 と Git を入れる
brew install python@3.11 git
# ComfyUI 本体のクローン
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
# venv 作成と PyTorch (Metal 対応) インストール
python3.11 -m venv venv
source venv/bin/activate
pip install --upgrade pip
# PyTorch nightly（Metal 対応版）
pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu
# ComfyUI 依存
pip install -r requirements.txt
# 起動
python main.py --force-fp16初回起動後、ブラウザで http://127.0.0.1:8188 にアクセスすると ComfyUI の UI が開きます。SDXL / Flux.1 モデルは models/checkpoints フォルダに置き、UI から選択します。
Mac 特有の注意点
--force-fp16フラグを付けると Metal の FP16 加速が効きますPYTORCH_ENABLE_MPS_FALLBACK=1の環境変数を先に設定すると、Metal 未対応オペレータが CPU にフォールバックします- 一部のカスタムノード（
ComfyUI_TensorRTなど）は CUDA 専用で Mac では動きません - Flux.1 の GGUF 量子化ロードは
ComfyUI-GGUFカスタムノードが必要
MLX Diffusion / mflux で Flux.1 を最速で動かす
Flux.1 の速度を最優先する用途では、mflux（コミュニティ製の Flux.1 特化 CLI）が候補です。
mflux のインストールと使用
# Homebrew で uv を入れる（mflux 推奨）
brew install uv
# mflux のインストール
uv tool install mflux
# Flux.1 schnell で 1 枚生成
mflux-generate \
--model schnell \
--prompt "cyberpunk cat sitting on neon sign" \
--steps 4 \
--seed 42 \
--height 1024 --width 1024Flux.1 schnell を 4 ステップで生成し、M4 Max 40C で 5〜8 秒/枚、M3 Ultra 60C で 3〜5 秒/枚が実測相場です。Draw Things より 20〜40% 速く、VRAM 消費も 10〜20% 低い場合があります。
mflux の制限として、GUI がなく CLI 主体、LoRA/ControlNet の対応が限定的、Flux.1 系のみで SDXL や SD 1.5 は扱えません。「Flux.1 のバッチ生成を最速で回したい」の一点用途で最適です。
Mac Studio M3 Ultra で 24 時間画像生成サーバーを組む
Apple Silicon の省電力・静音性を活かして、Mac Studio M3 Ultra を 24 時間稼働の画像生成サーバーにする構成は現実的な選択肢です。詳細は Mac Studio ローカルLLM 完全ガイド 2026年版 の LLM サーバー構成をベースに、ComfyUI の REST API モードで運用します。
- Mac Studio M3 Ultra 96GB（初期投資 100 万円）
- 消費電力 加重平均 40W・月電気代 1,150 円（東京電力 40 円/kWh）
- ComfyUI を LaunchAgent で常駐化
- Tailscale 経由でリモートアクセス、外出先からもプロンプト送信可
同じことを RTX 4090 単体機で組むと消費電力 500W 級・月電気代 5,500 円で、5 年で 30 万円近い差が出ます。M5 Ultra が 2026年末〜2027年 に登場する見込みで（Apple Silicon の M5 系ベンチマークは Apple M5 ローカルLLM ベンチマーク 2026年版 を参照）、次世代への買い替えパスも見えています。
ケース別の推奨アプリ
「Mac 買ったばかり・とりあえず SDXL を触りたい」→ Draw Things
App Store から 3 分でインストール、SDXL Base 1.0 のダウンロードに 10 分、生成開始まで 15 分で到達します。M4 Pro 24GB でも快適で、Mac の初手として最良の選択肢です。
「Flux.1 dev の絵柄で作品を作りたい」→ Draw Things + M4 Max 48GB 以上
Flux.1 dev を Q6 量子化で扱うなら M4 Max 48GB か M3 Ultra 96GB が推奨です。FP16 を扱うなら 64GB 以上必要で、Mac Studio M3 Ultra 96GB が費用対効果の頂点になります。
「Flux.1 schnell のバッチ生成を最速で」→ mflux + M3 Ultra
CLI で回すバッチ用途なら mflux が Draw Things より 20〜40% 速く、M3 Ultra 60C で 1 分あたり 15〜20 枚が現実的な相場になります。
「ワークフロー研究・自動化・API 化」→ ComfyUI + Mac Studio
ノードベースの自由度と JSON エクスポート・REST API 化が必要な用途では ComfyUI 一択です。Mac Studio で 24 時間稼働させ、Tailscale 経由でチーム内共有する構成が現実的です。
「NVIDIA と Apple のどちらを買うか迷っている」→ 買い比較の記事を先に読む
そもそも Apple Silicon を買うか NVIDIA GPU を買うかは、AI画像生成 NVIDIA vs Apple Silicon 買い比較 2026年版 と SDXL / Flux 画像生成 GPU ベンチマーク 2026年版 で判断軸を先に確認するのが安全です。本記事は「既に Apple Silicon がある人向け」の実践ガイドです。
落とし穴
古い macOS：macOS 13 (Ventura) 以前は Metal Performance Shaders の一部機能が未対応で、Draw Things の Flux.1 系が動かない場合があります。macOS 14 (Sonoma) 以降にアップグレードすることが必須です。
Unified Memory の見積もりミス：Flux.1 dev FP16（28GB）を 24GB Unified Memory の Mac で動かそうとすると、OS が swap を大量に発生させ、生成時間が 3〜5 倍に延びる or アプリがクラッシュします。Q6 量子化への切り替えか、64GB 以上のマシンへのアップグレードが解決策です。
Draw Things の商用利用：Draw Things 自体は無料で商用利用も可能ですが、モデル（SDXL・Flux.1 dev）のライセンス条項は個別に確認が必要です。特に Flux.1 dev は非商用ライセンスで、商用生成には Flux.1 pro（API 経由）か Flux.1 schnell（Apache 2.0）を使う必要があります。
バックグラウンドプロセス：Chrome・Slack・Docker Desktop・仮想化ソフトを併用しながら Flux.1 dev を生成すると、Unified Memory 不足で速度が半減します。生成中は他のアプリを閉じる運用が現実的です。
入手先・関連商品
当サイトは Amazon.co.jp アソシエイト・プログラムに参加予定です。下記リンク経由で購入された場合、紹介料を受け取ることがあります。読者の負担は増えません。リンクは記事評価とは独立しており、編集判断には影響しません。
日常使い（Flux.1 dev Q6 まで扱える 48GB 級・モバイル運用）
本格運用・24 時間稼働サーバー（Flux.1 dev FP16 まで扱える M3 Ultra 96GB）
Flux.1 dev FP16 と大規模 LoRA 用途（512GB クラス）
あなたに合うPCを診断する
用途や予算をもう少し細かく入力すると、3つの候補構成を提案します。
→ 診断スタート
関連記事
- AI画像生成 NVIDIA vs Apple Silicon 買い比較 2026年版 — Mac を買うべきか NVIDIA を買うべきかの判断軸
- SDXL / Flux 画像生成 GPU ベンチマーク 2026年版 — GPU 別の絶対速度データ
- Mac Studio ローカルLLM 完全ガイド 2026年版 — 同じ Mac Studio で LLM も動かす構成
- Apple M5 ローカルLLM ベンチマーク 2026年版 — M5 世代の性能予測と買い時
よくある質問
- Mac で Stable Diffusion を動かすのに一番簡単なアプリはどれですか？
- Draw Things です。App Store から無料でインストールでき、SDXL・Flux.1・SD3 まで公式サポート、LoRA・ControlNet・アニメ系モデルまで GUI から扱えます。DiffusionBee は SD 1.5 世代の基本モデル向けで、シンプル志向ですが SDXL や Flux は非公式対応で更新頻度が落ち気味です。ComfyUI はワークフロー自由度が最も高いですが Python 環境と Metal 対応ノードの初期セットアップに 1〜2 時間かかります。「初回起動から 5 分で SDXL 生成」を狙うなら Draw Things 一択です。
- M4 Max で SDXL 1024x1024 は何秒で生成できますか？
- Draw Things で 30 ステップ・DPM++ 2M Karras 想定で 15〜20 秒/枚が目安です。40 コア GPU の M4 Max フルスペックだと 15 秒切りも見えます。M3 Ultra 60 コア GPU では 8〜12 秒/枚、M2 Max では 25〜35 秒/枚が現実的な相場です。参考までに RTX 4090 の SDXL 1024x1024 は 3〜5 秒/枚で、Apple Silicon は同世代 RTX xx60 Ti〜xx70 相当の絶対速度に留まります。ただし電力効率・冷却・起動オーバーヘッド込みの Wall time で見ると差は縮まります。
- Flux.1 dev を Mac で動かすのに必要な Unified Memory はいくつですか？
- Flux.1 dev の FP16 モデル（本体 24GB 級）を素直に載せると 32GB Unified Memory では OoM が出ます。実用は 48GB 以上、快適は 64GB 以上です。Draw Things の量子化オプション（Q6_K・Q4_K_S など）を使えば 32GB でも動作しますが、生成時間が 1.5〜2 倍に延び、細部の再現度も落ちます。Flux.1 schnell（4 ステップ蒸留版）なら Q8 で 24GB、Q6 で 16GB まで下げられます。M4 Max 36GB / M3 Ultra 96GB / Mac Studio M3 Ultra 256GB のような余裕のある構成が推奨されます。
- MLX Diffusion / mflux とは何ですか？Draw Things と何が違いますか？
- MLX Diffusion（Apple 公式の MLX フレームワーク上での Diffusion 実装）と mflux（コミュニティ製の Flux.1 特化 CLI）は、Apple Silicon のニューラルエンジン・Unified Memory を最大限活用するネイティブ実装です。Draw Things が Metal Performance Shaders 経由で動くのに対し、MLX 実装は Apple の低レベル API 直接叩きで、Flux.1 系での VRAM 効率と速度が 20〜40% 向上する場合があります。ただし GUI がなく CLI 主体・モデル互換性が絞られ、Draw Things が扱えるコミュニティ製 LoRA や ControlNet の一部が動きません。速度優先なら MLX、汎用性優先なら Draw Things です。
- Mac は NVIDIA より画像生成で遅いと聞きます。買う価値はありますか？
- 「Mac は遅い」の一般論は絶対速度だけで見た評価で、実運用の Wall time で比べると場面ごとに逆転します。RTX 4090 の SDXL 1024x1024 は 3〜5 秒/枚で M4 Max より 3〜4 倍速いですが、Docker + PyTorch + CUDA のセットアップと起動に 30 秒〜1 分、モデル切り替えに 10〜20 秒かかります。Draw Things は起動 2 秒・モデル切り替え 1 秒で、5 枚生成する Wall time では M4 Max が RTX 4090 に肉薄するケースがあります。加えて消費電力 30W 級 vs 400W 級・ファン騒音・24 時間稼働の電気代を含めると、日常使いでは Apple Silicon が上回る場面が広くなります。本格量産（100 枚バッチ）なら NVIDIA、日常の作業支援なら Apple Silicon が向いています。
- ComfyUI を Mac で動かすメリットはありますか？
- 3 つあります。第一に上流の最新ノード・カスタム ワークフローが真っ先に対応するプラットフォームである点で、コミュニティが制作した ControlNet プリプロセッサや Flux LoRA が Draw Things より 1〜3 ヶ月早く動きます。第二にワークフローの JSON エクスポート・共有・再現性が高く、研究用途や本番向けパイプラインに向きます。第三にバッチ処理と API 化が容易で、Mac をローカル画像生成サーバー化する用途で有利です。デメリットは初期セットアップの手間と、Metal 対応ノードの一部で挙動が Windows/CUDA と異なる点です。GUI の分かりやすさは Draw Things に譲るため「毎日使う個人ユーザー」なら Draw Things、「ワークフロー研究・自動化」なら ComfyUI という棲み分けが自然です。