データの作り方

GPU 価格の集計方法

価格は現在販売中の提示価格の中央値であり、成約価格ではありません。3 つの市場はそれぞれ独立して集計し、ラウンドごとに中央値、四分位数、有効件数を記録します。

デバイスごとに個別の型番照合ルールを用意し、候補となる出品はさらに独自アルゴリズムで審査します。型番と VRAM を照合し、マイニングカード、付属品、代理購入、完成品 PC、型番の誤記がある商品を除外したうえで、外れ値となる価格を取り除きます。価格、販売者、在庫のいずれかが明確でない出品は含めません。

有効な件数が 3 件未満のラウンドは価格を公開せず、ページ上は空欄になります。公開前には整合性の確認も行い、明らかに異常な結果は価格履歴に加えず、前回の有効な価格を引き継ぎます。価格は 6 時間ごとに更新し、推移グラフには全履歴を残しています。

価格指数の計算方法

GPU 価格指数は市場ごとに現地通貨の価格で計算し、有効な価格履歴があるすべてのデバイスを、各機種 1 台として含めます。基準時点を 100 とし、現在の各機種の中央値の合計を基準時点の合計で割って 100 を掛けた値が指数です。

新しい機種は追加した時点の価格で指数に接続するため、追加そのものが値上がりとして扱われることはありません。ある機種の価格が一時的に欠けた場合は、その機種の直近の有効な価格を引き継ぎます。グラフで選ぶ期間は表示だけに影響し、基準時点は変わりません。24 時間前の対応するデータがない場合、24 時間の騰落率は表示しません。

GPU 価格指数を見る

メモリ価格の集計方法

メモリはブランドや型番ではなく、規格区分ごとに追跡します。区分は「世代 × 速度 × 1 枚あたりの容量 × サーバー用かどうか」で、たとえば DDR5-6000 32GB です。メモリは規格化された商品で、同じ規格ならブランドによる価格差は規格どうしの差よりはるかに小さいため、型番ごとよりも区分ごとにまとめたほうが安定します。

ランキングの価格はすべて 1 枚あたりの価格です。セット品はまず枚数で換算し、たとえば「32GB（16GB×2）」は 16GB 2 枚として 16GB の区分に入れます。枚数が判別できない出品は 1 枚と見なさずに除外します。セットの合計額が 1 枚あたりの価格として扱われ、中央値を押し上げるのを防ぐためです。ECC は独立した区分にしません。DDR5 で商品名に ECC とだけ書かれているものはほとんどがオンダイ ECC なので、通常のメモリとして扱います。

デスクトップ用メモリとサーバー用メモリ（RDIMM / LRDIMM）は別々の区分です。同じ種類のマザーボードには挿せず、市場も異なるためです。

最大メモリ容量 = 1 枚あたりの容量 × 枚数で、参考構成での容量であり、すべてのマザーボードに共通する上限ではありません。帯域幅は理論値で、実際には CPU、マザーボード、装着構成に左右され、全スロットに装着しても定格速度で動作するとは限りません。3 市場の収集方法、公開条件、24 時間騰落率、為替の扱いは GPU と共通です。

LLM に必要な VRAM の計算式

あるカードでモデルが動くかどうかは、モデルの重み、KV キャッシュ、推論フレームワーク自体の実行時オーバーヘッドの 3 つの合計が VRAM に収まるかどうかで決まります。

パラメータあたりバイト数は量子化形式で決まり、係数 1.05 は GGUF のメタデータや量子化しない埋め込み層などの固定オーバーヘッドを見込んだものです。各形式の値は次のとおりです。

リポジトリにその量子化形式の GGUF ファイルがある場合は、上の式を使わず、ファイルの実サイズで計算します。式を使うのはファイルがない形式だけです。エキスパート層がもともと 4-bit のモデル（DeepSeek V4、Kimi K2.6 以降、gpt-oss）は、8-bit ファイルが式による推定の半分程度しかないため、ファイルで計算しないと正確になりません。生成速度の 1 トークンあたりの読み出し量も同じ比率で換算します。

モデルページの VRAM 表では、「GGUF」と付いた重みはリポジトリにある実ファイルのサイズ、「推定」と付いたものは上の式でパラメータ数から見積もった値です。確認済みファイルだけで掲載しているモデルでは、ファイルが確認できない量子化は「—」と表示し、パラメータ数からの推定で埋めません。

KV キャッシュのサイズ計算

式中の 2 は K と V の 2 つ分を表し、各要素は FP16 として 2 バイトで計算します。この式はすべてのレイヤーがトークンごとに完全な K と V を保存することを前提としており、通常のマルチヘッドアテンション（MHA / GQA）にしか当てはまりません。ハイブリッドアテンション、MLA、スライディングウィンドウなどの構造は次の節で説明します。

KV キャッシュの例外：ハイブリッドアテンション、MLA、スライディングウィンドウ

新しいモデルの多くは、すべてのレイヤーで完全な KV を保存しているわけではありません。上の式をそのまま当てはめると、KV キャッシュを数倍から数十倍も過大に見積もってしまいます。当サイトでは各モデルの公式の config.json をもとにレイヤーごとに計算し、コンテキストに応じて増える部分だけを数えます。扱いは次の 4 種類です。

• ハイブリッド線形アテンション：大半のレイヤーは線形アテンション（Gated DeltaNet、KDA など）で、レイヤーごとに固定サイズの状態を 1 つ持つだけなので、コンテキストに応じて増えません。KV を保存するのは少数のフルアテンション層（多くは 4 層に 1 層）だけです。当サイトではフルアテンション層だけを計算し、線形層の固定状態は通常数百 MB 程度なので実行時オーバーヘッドに含めています。
• MLA 潜在アテンション：各レイヤーはトークンごとに圧縮済みの潜在ベクトルを 1 つだけキャッシュし（通常 512 次元に位置エンコーディング用の 64 次元を加えたもの）、アテンションヘッドごとに K と V を分けて保存しません。当サイトでは潜在ベクトルの次元数で計算します。DeepSeek スパースアテンション（DSA）もこの分類に含めます。
• 圧縮アテンション：DeepSeek V4 シリーズは隣接する 4 個または 128 個のトークンを 1 つの KV にまとめ、直近の 128 トークンだけを圧縮せずに保持します。当サイトではレイヤーごとの圧縮率で計算し、直近 128 トークン分は数 MB 程度なので無視します。公式に数値が公表されているバージョンは、その値をそのまま採用します。
• スライディングウィンドウ：大半のレイヤーは直近の一定長のトークン（ウィンドウ。Llama 4 のチャンクアテンションも含む）だけを参照するため、これらのレイヤーの KV はウィンドウ長に達するとそれ以上増えません。コンテキストに応じて増えるのは少数のグローバルレイヤーだけです。当サイトでは両者を分けて計算します。llama.cpp、Ollama、vLLM はいずれも、デフォルトでこれらのレイヤーにウィンドウ長分の VRAM だけを割り当てます。

モデル	32K コンテキストの KV キャッシュ	一般式で計算
GLM 5.3 Flashハイブリッド線形アテンション	0.4 GB	96.6 GB
Kimi Linear 48B A3Bハイブリッド線形アテンション	0.3 GB	8.2 GB
Kimi K3ハイブリッド線形アテンション	0.9 GB	224.7 GB
Qwen3.5 9Bハイブリッド線形アテンション	1.1 GB	4.3 GB
Qwen3.6 27Bハイブリッド線形アテンション	2.1 GB	8.6 GB
Qwen3.6 35B A3Bハイブリッド線形アテンション	0.7 GB	2.7 GB
Qwen3.8 27Bハイブリッド線形アテンション	2.1 GB	8.6 GB
Qwen3.8 Flash Nextハイブリッド線形アテンション	0.8 GB	3.2 GB
Qwen3.8 2.4T A95Bハイブリッド線形アテンション	3.1 GB	12.3 GB
DeepSeek V3.2MLA 潜在アテンション	2.3 GB	196.5 GB
GLM 4.7 FlashMLA 潜在アテンション	1.8 GB	31.5 GB
GLM 5.2MLA 潜在アテンション	2.9 GB	125.6 GB
GLM 5.3MLA 潜在アテンション	2.9 GB	125.6 GB
Hy4 previewMLA 潜在アテンション	2.9 GB	5.2 GB
Kimi K2MLA 潜在アテンション	2.3 GB	98.2 GB
Kimi K2.5MLA 潜在アテンション	2.3 GB	98.2 GB
Kimi K2.6MLA 潜在アテンション	2.3 GB	98.2 GB
Kimi K2.7 CodeMLA 潜在アテンション	2.3 GB	98.2 GB
DeepSeek V4 Flash圧縮アテンション	0.2 GB	2.9 GB
DeepSeek V4 Pro圧縮アテンション	0.3 GB	4.1 GB
DeepSeek V4.1 Flash圧縮アテンション	< 0.1 GB	2.7 GB
Gemma 4 E4Bスライディングウィンドウ 512 トークン	0.6 GB	2.8 GB
Gemma 4 12Bスライディングウィンドウ 1,024 トークン	0.9 GB	12.9 GB
Gemma 4 26B A4Bスライディングウィンドウ 1,024 トークン	0.9 GB	8.1 GB
Gemma 4 31Bスライディングウィンドウ 1,024 トークン	3.5 GB	32.2 GB
gpt-oss 20Bスライディングウィンドウ 128 トークン	0.8 GB	1.6 GB
gpt-oss 120Bスライディングウィンドウ 128 トークン	1.2 GB	2.4 GB
gpt-oss Safeguard 20Bスライディングウィンドウ 128 トークン	0.8 GB	1.6 GB
Llama 4 Scout 17B 16Eスライディングウィンドウ 8,192 トークン	2.8 GB	6.4 GB
Muse Spark Openスライディングウィンドウ 2,048 トークン	2.5 GB	8.3 GB

「一般式で計算」の列は、config.json のレイヤー数、KV ヘッド数、ヘッド次元を上の式にそのまま代入した結果で、比較のために載せています。当サイトの KV キャッシュは FP16 で計算しています。デプロイ時に FP8 や 4-bit の KV 量子化を有効にすれば、実際の使用量はさらに小さくなります。

収まるかどうかの判定

1 枚構成、CPU オフロードなしとして計算します。ユニファイドメモリのデバイスは総メモリ量で計算し、macOS の GPU 割り当て上限は差し引いていません。

モデルのサイズと必要メモリ量は十進法の GB（10⁹ バイト）で表記し、Hugging Face のダウンロードページのファイルサイズと一致させています。GPU やメモリの公称容量は 1024³ バイト単位なので、24GB のカードは約 25.8 GB に相当します。収まるかどうかは両者を同じ単位にそろえてから比べるため、必要量が公称値を少し上回っても収まる場合があります。

GPU ページとモデルページの表では、次の 3 つの状態を使います。

• 動く：重みも KV キャッシュも VRAM に収まり、速度は VRAM 帯域幅から推定します。
• RAM オフロードが必要：MoE モデルのみ。エキスパート重みをシステム RAM に置くため、速度は RAM 帯域幅 70 GB/s から推定します。
• 入らない：この量子化では 1 枚に収まらず、RAM へのオフロードでも動きません。

推論速度（tokens/s）の目安

生成速度は主に VRAM の帯域幅に制約されます。トークンを 1 つ生成するたびに、アクティブな重みと KV キャッシュの一部を VRAM から読み出す必要があるためです。llama.cpp のシングルユーザー（シングルストリーム）基準で、次のように推定します。

帯域幅の利用率はすべてのデバイスで共通の 0.73、固定オーバーヘッドは Dense モデル 1.4 ミリ秒、MoE モデル 4.7 ミリ秒です。

係数は公開されている llama.cpp の実測結果で校正しています。あくまで推定値で、実際の速度はソフトウェアのバージョンやドライバー、設定によって変わり、コンテキストが長いほど遅くなります。ここで推定しているのは生成（decode）速度で、プロンプト処理（prefill）の時間は含みません。

マルチ GPU・複数台構成の計算方法

マルチ GPU は vLLM のテンソル並列を前提に、同じ型番のカード 1 / 2 / 4 / 8 枚で見積もります。モデルの重みと 32K コンテキスト分の KV キャッシュを各カードに均等に分け、1 枚ごとに 1.1GB の実行時オーバーヘッドを加えて、各カードの VRAM の 90%（vLLM の既定値）と比べます。判定はメモリ容量だけで、アテンションヘッドが枚数で割り切れるかは考慮しないため、あくまで目安です。実際に動くかどうかは vLLM の対応状況にもよります。

速度は 1 枚分の帯域で見積もり、枚数分を足し合わせず、カード間通信のロスも含めません。合計価格は 1 枚の中央値に枚数を掛けたもので、GPU のみの価格です。マザーボード、電源、ケースは含みません。カード間の接続は参考情報です。NVLink 対応カードは仕様表に帯域を載せ、それ以外は PCIe でつながります。GPU ページのマルチ GPU 欄は 2026 年以降に公開された 50B 以上のモデルだけ、モデルページのマルチ GPU 表はマルチ GPU 構成でよく使われる GPU と連結できるマシンだけを、合計価格の安い順に載せています。

ユニファイドメモリ機は 2 枚目のカードを挿せないため、多くは 1 台として扱います。連結できる機種は台数で数え、1 台あたりメモリの 90% を使う前提です。速度は 1 台分の帯域で見積もり、合計価格は本体のみです。DGX Spark はネットワークポートで連結し、3 台までは直結、4 台ではスイッチが必要です。512GB の Mac Studio M3 Ultra は Thunderbolt 5 ケーブルでつなぎ、vLLM ではなく MLX や exo で分散推論します。

エキスパートオフロード構成の選び方

モデル詳細ページの「どんな構成のマシンが必要？」の節では、5 つの区分ごとに 1 構成を示します。家庭用（RTX 5070 + DDR5 デスクトップ）、Xeon E5 デュアル（V100 32GB）、EPYC DDR4（RTX 3090 または 4090）、EPYC DDR5（RTX 5090）、そして超大規模モデル向けの複数枚 RTX PRO 6000 + デュアル EPYC DDR5 です。区分ごとに GPU の型番、枚数（最大 8 枚）、シングルかデュアルかを比べ、価格あたりの生成速度がいちばん高い構成を選びます。超大規模モデル向けの区分だけは最も速い構成を選び、速さが同じなら価格あたりの速度で決めます。GPU にはまずアテンション、共有エキスパート、KV キャッシュを置き、残りの VRAM にできるだけ多くのエキスパート層を載せ、それ以外のエキスパートはメインメモリに置きます。メモリは収まるいちばん安い挿し方を選び、必要量より 10% 多く確保します。GPU だけでモデル全体が収まる場合はエキスパートオフロードではないので、モデルページの単体 GPU・複数 GPU の表を見てください。

生成速度は ktransformers や ik_llama.cpp など、CPU + GPU のハイブリッド推論向けに最適化されたソフトウェアを前提に見積もっています。モデルページの llama.cpp コマンドをそのまま使うと、もう少し遅くなります。デュアルソケットはシングルの 1.6 倍で見積もっています。SGLang + KTransformers のようにエキスパートを 2 基の CPU に分けてそれぞれのローカルメモリから読ませると、実測で最大約 63% 速くなります。llama.cpp をそのまま使う場合はシングルソケットとほとんど変わりません。

マシン全体の参考価格は、GPU とメモリの最新中央値に、CPU・マザーボード・電源の参考価格を足したものです。参考価格は市場ごとに記録しています。eBay と閑魚は中古価格、Amazon.co.jp は新品価格で、電源はどの市場でも新品価格です。ある市場で価格が見つからない場合は、eBay の米ドル価格を換算して使います。参考価格は毎月見直しています。

DDR4・DDR5 のメモリページの構成カードには理論帯域幅を載せています。デュアルソケットは 2 基の CPU の合計です。デスクトップでスロットを 4 本すべて埋めると、多くのマザーボードでは安定のためにメモリ速度を下げる必要があり、実際の帯域幅は理論値より低くなります。

計算例：Qwen3.8 27B を GeForce RTX 4090 に載せる

Qwen3.8 27B の Q4_K_M 版と GeForce RTX 4090（VRAM 24 GB、帯域幅 1,008 GB/s）を例に、上の式で項目ごとに計算します。

Qwen3.8 27B は上で説明した「ハイブリッド線形アテンション」の構造に当たるため、KV キャッシュはコンテキストに応じて増えるレイヤーだけで計算され、同じ規模の通常のモデルよりずっと小さくなります。

同じモデル、同じカードでも、収まるかどうかはコンテキスト長で決まることがよくあります。コンテキストが長いほど KV キャッシュが大きくなるためです。8K コンテキストでの推定生成速度は約 43 tokens/s です。

各量子化形式の全結果：Qwen3.8 27B · GeForce RTX 4090

GB 単価

GB 単価 = 中央値 ÷ 容量で、単位は「通貨 / GB」です。GPU は VRAM 容量、メモリは 1 枚あたりの容量で計算し、メモリ価格ランキングで使います。計算時はまず価格を米ドルに換算してから割りますが、先に割ってから換算しても結果は同じです。

為替レート

価格は原通貨で記録し、表示時にその日のレートで換算します（基準通貨は USD）。レートは毎日更新し、当日分が取得できない場合は直近の有効なレートを使用してフッターに明記します。このページで使用しているレートは 2026年10月21日付、出典は open.er-api.com です。

仕様とモデルデータの出典

GPU の仕様はメーカー公式の仕様ページとデータシートから取得し、Wikipedia の GPU 一覧と相互に確認しています。演算性能はすべて密（スパース加速なし）の値です。メーカーが公開していない一部の数値は公開仕様から推定し、デバイスの説明に明記しています。現在 57 台のデバイスを収録しています。

モデルのパラメータは Hugging Face 公式リポジトリの公開設定、量子化サイズは GGUF の実ファイルサイズ、Ollama タグは公式ライブラリが出典です。現在 9 ファミリー、45 バージョンを収録し、新しいモデルは確認のうえ随時追加しています。

更新履歴

価格は 6 時間ごと、為替レートは毎日更新し、ページに表示する更新時刻は最後に更新が成功した日時です。新たに収録した GPU、公開した機能、計算方法の修正は次のとおりです。

1. 2026年10月18日構成カードを刷新しました。GPU、メモリ、CPU、マザーボード、電源を分けて示し、モデルページでは 5 つのプラットフォーム区分ごとにコスパのよい構成を 1 つずつ紹介します。
2. 2026年10月15日モデルページの単体 GPU・複数 GPU の表で、モデルの規模に合わせて機種を入れ替え、起動コマンドに NVFP4 と MLX の実行方法を追加しました。
3. 2026年10月14日Xianyu（閑魚）の価格収集を改善しました。人気 GPU で拾える出品が大きく増え、価格がより安定します。
4. 2026年10月13日DDR4・DDR5 のメモリ価格ページを追加しました。デスクトップ用とサーバー用のメモリ計 22 規格について 1 枚あたりの価格、GB 単価と推移を掲載し、サーバーとメモリでローカル LLM を動かす構成例を 3 つずつ紹介しています。
5. 2026年10月10日Mac Studio M5 Ultra 96GB を追加。Mac の仕様表に CPU / GPU のコア数、メモリ速度、ストレージ構成、重量、モデル識別子、部品番号を追加しました。
6. 2026年10月9日GPU ページの「共有」メニューに「画像で共有」を追加：その GPU の価格推移カードをワンクリックで作成し、コピーやダウンロードができます。スマートフォンではそのまま保存できます。
7. 2026年10月5日GPU 詳細ページ、モデル詳細ページ、ファミリーページの文章を改善。
8. 2026年10月5日公開されている llama.cpp の実測値で生成速度の見積もりを校正し直し、すべてのデバイスで同じ係数を使うようにしました。
9. 2026年10月5日モデルサイズと VRAM 必要量を 10 進の GB で表示するようにし、Hugging Face のダウンロードページと揃えました。
10. 2026年10月2日GPU ページで市場に eBay を選ぶと、価格推移の下に「eBay 厳選お買い得品」を表示：評価の高い出品者が販売中の商品を厳選して掲載し、クリックすると eBay で直接購入できます。
11. 2026年9月28日Tesla T10 を追加。
12. 2026年9月27日アカウント機能を追加：Google またはメールの確認コードでログインでき、トップページのランキングから GPU をウォッチリストに追加できます。GPU ページで価格アラートを設定すると、価格が設定した金額に達したときにメールでお知らせします。
13. 2026年9月24日モデルページを刷新し、単体 GPU・複数 GPU・エキスパートオフロードの構成を追加しました。ファミリーページには各バージョンの VRAM 表を追加しました。
14. 2026年9月24日VRAM の計算を修正し、GGUF ファイルがある量子化ではファイルの実サイズを使うようにしました。
15. 2026年9月24日KV キャッシュの計算を修正し、KV を持たない層を数えないようにしました。一部のモデルで長いコンテキストの VRAM 必要量が下がります。
16. 2026年9月24日GPU 詳細ページにレンタル料金を追加：オンデマンドの 1 時間あたりの料金、1 日 4・8・24 時間利用時の月額、購入費の回収期間。
17. 2026年9月23日RTX 3060 12GB、RTX 4060 Ti 16GB、Tesla P40 を追加。
18. 2026年9月22日A100 80GB PCIe、L40S、H100 PCIe を追加。
19. 2026年9月19日RTX PRO 5500、RTX A6000、RTX 6000 Ada、RTX 4090D 48GB 改造版を追加。
20. 2026年9月13日価格指数ページを公開。
21. 2026年9月11日DDR4・DDR5 メモリ価格の追跡を開始。
22. 2026年9月9日Amazon.co.jp の日本の価格を追加。
23. 2026年9月4日VRAMGlass を公開し、Xianyu と eBay の GPU 価格の追跡を開始。

誤りの指摘とフィードバック

価格・仕様・計算式に誤りを見つけたら、該当ページと出典リンクを添えてメールでお知らせください。確認のうえ速やかに修正し、このページに記載します。

hello@vramglass.comX @vramglass