はじめに ローカル環境で動作するAIエージェントは、プライバシー保護とコスト削減の観点から重要性を増しています。本稿では、家庭内サーバーの資源制約下で「推論時に追加計算を行う設計」が実際にどの程度効果を持つのかを、複数の実装モデルとOSWorldベンチマークを用いて検証します。対象モデルとして、Qwen3-VL-8B/30B-A3B、UI-TARS-1.5-7B、OpenCUA-7Bを取り上げ、ローカル環境での現実的な運用設計を論点に据えます。結論として、計算資源を単純に増やしても得られる改善は限定的である場合が多く、資源配分の方法と失敗モードへの対応が実務上の鍵となることが示唆されます。本稿は、家庭内サーバーでAIエージェントを安定的に動作させるための設計指針を、最新の研究知見と合わせて解説します。 また、現場の制約には冷却や電力消費、ノイズといった要因が伴い、これらが理論的な性能指標と乖離することがあります。そのため、推論時スケーリングを理解する際には、数値的な効果だけでなく実務的なコストとリスクの観点も併せて検討することが重要です。 技術解説 推論時スケーリングとは、エ