ΣύνδεσηΔημιουργία πορτοφολιού

Τα καλύτερα LLM για Mac με 64 GB.

46 από 82 ανοιχτά μοντέλα τρέχουν καλά σε 64 GB. Από προεπιλογή η GPU μπορεί να χρησιμοποιήσει περίπου 48 GB από αυτά. Η ταχύτητα εξαρτάται από το τσιπ: από 273 GB/s στο M4 Pro έως 800 GB/s στο M1 Ultra.

Ενημέρωση

Το εξυπνότερο που τρέχει καλάQwen3.8 27B8-bit · 28,7 GB · 4–22 tok/sΤο μεγαλύτερο που τρέχει καλάNemotron 3.5 Bolt 74B A9B4-bit · 41,6 GB · 24–125 tok/sΓια κώδικαQwen3 Coder 30B A3B Instruct8-bit · 32,4 GB · 35–183 tok/s

Mac με 64 GB

9 τσιπ από M1 έως M5 διατίθενται με 64 GB. Ανοίξτε ένα για τη δική του λίστα και τις ταχύτητές του.

Τρέχει καλά 55

Χωράει με χώρο για τα συμφραζόμενα, με 10 ή περισσότερα tokens ανά δευτερόλεπτο στο M1 Ultra.

ΜοντέλοΈκδοσηΜνήμηM4 ProM1 Ultra
Qwen3.8 27B27B · Νοημοσύνη 33,78-bit28,7 GB4–813–22
Nemotron 3.5 Bolt 74B A9B74B · 9B ενεργές · Νοημοσύνη 21,44-bit41,6 GB24–4371–125
Qwen3.6 35B A3B35B · 3B ενεργές · Νοημοσύνη 18,28-bit37,2 GB38–68113–200
Muse Glimmer 30B29,6B · Νοημοσύνη 17,58-bit31,5 GB4–711–20
Gemma 4 31B30,7B · Νοημοσύνη 14,78-bit32,6 GB4–711–20
Nemotron 3.5 Lightning 30B A3B30B · 3B ενεργές · Νοημοσύνη 12,98-bit31,9 GB38–68113–200
Granite 4.2 30B30B · Νοημοσύνη 12,78-bit31,9 GB4–711–20
MiniCPM5 2B2,52B · Νοημοσύνη 12,58-bit2,7 GB45–81133–237
Qwen3.5 9B9B · Νοημοσύνη 11,28-bit9,6 GB13–2338–67
Granite 4.2 8B8B · Νοημοσύνη 11,18-bit8,5 GB14–2642–75
Granite 4.2 3B3B · Νοημοσύνη 9,18-bit3,2 GB38–68113–200
gpt-oss-20b21B · 3,6B ενεργές · Νοημοσύνη 9εγγενές 4,25-bit13,8 GB65–115189–337
Nemotron 3 Nano 30B A3B30B · 3,5B ενεργές · Νοημοσύνη 8,98-bit31,9 GB33–5997–173
Gemma 4 E4B8B · Νοημοσύνη 8,98-bit8,5 GB26–4675–133
Ministral 3 8B8,9B · Νοημοσύνη 5,58-bit9,5 GB13–2338–67
Nemotron 3 Nano 4B3,97B · Νοημοσύνη 4,88-bit4,2 GB29–5286–152
Recursive Flint39,8B · 2,5B ενεργές8-bit42,3 GB45–81133–237
Sage-A1.535B · 2,95B ενεργές8-bit37,2 GB40–70116–206
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B ενεργές8-bit32,4 GB35–62103–183
Hy-Memory-30B-A3B30,1B · 3,2B ενεργές8-bit31,9 GB36–64106–188
GLM-4.7 Flash30B · 3B ενεργές8-bit31,9 GB38–68113–200
Raon-1 mini Preview28,8B · 4,3B ενεργές8-bit30,6 GB27–4778–139
Qwen3.6 27B27B8-bit28,7 GB4–813–22
Gemma 4 26B A4B25,2B · 3,8B ενεργές8-bit26,8 GB31–5590–160
Devstral Small 2 (24B)24B8-bit25,5 GB5–914–25
Magistral Small 1.2 (2509)24B8-bit25,5 GB5–914–25
Mistral Small 3.2 (24B)24B8-bit25,5 GB5–914–25
LFM2.5 24B A2B24B · 2B ενεργές8-bit25,5 GB59–104171–305
Phi-4 Reasoning Vision 15B15B8-bit15,9 GB10–1823–40
Phi-4 (14B)14B8-bit14,9 GB11–1924–43
Gemma 4 12B Unified12B8-bit12,7 GB10–1728–50
Qwen3 8B8,2B8-bit8,7 GB14–2541–74
Llama 3.1 8B Instruct8B8-bit8,5 GB14–2642–75
Gemma 4 E2B5,1B8-bit5,4 GB51–91150–267
Nanbeige4.2 3B4,17B8-bit4,4 GB16–2846–82
Spark-X2.6 4B4,11B8-bit4,4 GB28–5082–145
Qwen3.5 4B4B8-bit4,3 GB29–5184–149
Nemotron-Labs Dory 1.0 4B3,98B8-bit4,2 GB20–3558–103
Phi-4 mini instruct3,8B8-bit4 GB31–5590–160
Llama 3.2 3B Instruct3,21B8-bit3,4 GB36–64106–188
SmolLM3 3B3B8-bit3,2 GB38–68113–200
LFM2.5 2.6B2,69B8-bit2,9 GB42–75124–221
Qwen3.5 2B2B8-bit2,1 GB59–104171–305
Llama 3.2 1B Instruct1,23B8-bit1,3 GB95–168277–492
Qwen3.5 0.8B0,8B8-bit0,9 GB137–243400–711
Qwen3 0.6B0,6B8-bit0,6 GB205–364600–1067
Nemotron 3.5 Super VL 120B A12B120B · 12B ενεργές · Νοημοσύνη 26,52-bit χαμηλότερη ποιότητα37,5 GB32–5795–168
Qwen3.5 122B A10B122B · 10B ενεργές · Νοημοσύνη 15,62-bit χαμηλότερη ποιότητα38,1 GB40–70116–206
gpt-oss-120b117B · 5,1B ενεργές · Νοημοσύνη 11,62-bit χαμηλότερη ποιότητα36,6 GB77–137225–400
Mistral Small 4 (119B)119B · 6,5B ενεργές · Νοημοσύνη 11,32-bit χαμηλότερη ποιότητα37,2 GB61–109180–320
Qwen3 Coder Next80B · 3B ενεργές · Νοημοσύνη 9,23-bit χαμηλότερη ποιότητα35 GB95–168277–492
Llama 4 Scout 17B-16E Instruct109B · 17B ενεργές · Νοημοσύνη 6,52-bit χαμηλότερη ποιότητα34,1 GB23–4168–121
Ornith 1.5 122B122B · 10B ενεργές2-bit χαμηλότερη ποιότητα38,1 GB40–70116–206
Nemotron 3 Super 120B A12B120B · 12B ενεργές2-bit χαμηλότερη ποιότητα37,5 GB32–5795–168
GLM-4.5 Air106B · 12B ενεργές2-bit χαμηλότερη ποιότητα33,1 GB32–5795–168

Τρέχει, αλλά αργά 3

Χωράει, αλλά με λιγότερα από 10 tokens ανά δευτερόλεπτο: καλό για μαζικές εργασίες, αργό για συνομιλία.

ΜοντέλοΈκδοσηΜνήμηM4 ProM1 Ultra
Llama 3.3 70B Instruct70B4-bit39,4 GB3–69–16
Mistral Medium 3.5 (128B)128B · Νοημοσύνη 14,22-bit χαμηλότερη ποιότητα40 GB3–59–16
Devstral 2 (123B)123B2-bit χαμηλότερη ποιότητα38,4 GB3–69–17

Πολύ μεγάλο 24

Χρειάζεται περισσότερα από 64 GB μνήμης, ακόμη και στα 2 bit.

Οι καλύτερες εφαρμογές AI για ένα Mac σαν αυτό στο AI App Store: τιμή, άδεια και πού πηγαίνουν τα δεδομένα σας.

Ερωτήσεις

Ποιο είναι το καλύτερο LLM για Mac με 64 GB;
Από τα μοντέλα με δημοσιευμένο Intelligence Index, το Qwen3.8 27B έχει την υψηλότερη βαθμολογία ανάμεσα σε όσα τρέχουν καλά σε 64 GB (8-bit). Το μεγαλύτερο που τρέχει καλά είναι το Nemotron 3.5 Bolt 74B A9B. Για κώδικα: Qwen3 Coder 30B A3B Instruct.
Αρκούν 64 GB για τοπικό AI σε Mac;
46 από τα 82 ανοιχτά μοντέλα εδώ τρέχουν καλά σε αυτά, σε 4 bit ή καλύτερα. Από προεπιλογή το macOS αφήνει την GPU να χρησιμοποιεί περίπου 48 GB από αυτά· το μοντέλο και τα συμφραζόμενά του πρέπει να χωρούν εκεί.
Μπορεί ένας Mac με 64 GB να τρέξει το gpt-oss-20b;
Ναι, εγγενές 4,25-bit, με περίπου 65–115 tokens ανά δευτερόλεπτο σε M4 Pro και 189–337 σε M1 Ultra.

Άλλα μεγέθη: 8 GB · 16 GB · 18 GB · 24 GB · 32 GB · 36 GB · 48 GB · 64 GB · 96 GB · 128 GB · 192 GB · 256 GB · 512 GB

Εκτελέστε τα με το mlx-lm της Apple στο Terminal: βήμα προς βήμα.

Πόση RAM χρειάζεται ένα LLM · Το καλύτερο τοπικό LLM για προγραμματισμό

Πώς υπολογίζεται

Μνήμη: οι παράμετροι του μοντέλου σε 8, 6, 4, 3 ή 2 bit ανά βάρος συν τις κλίμακες ομάδων του MLX (μισό bit ανά βάρος), ή στην εγγενή του μορφή, με χώρο για τα συμφραζόμενα από πάνω. Από προεπιλογή το macOS αφήνει την GPU να χρησιμοποιεί περίπου το 75% της ενοποιημένης μνήμης. Ταχύτητα: το εύρος ζώνης μνήμης διαιρεμένο με τα bytes που διαβάζονται ανά token είναι το ανώτατο όριο για μία συνομιλία· στα δημόσια benchmarks Apple Silicon του llama.cpp οι πραγματικές εκτελέσεις φτάνουν περίπου το 45% έως 80% του ορίου, και αυτό το εύρος δείχνουμε. Είναι εκτιμήσεις, όχι μετρήσεις: μετρήστε τον δικό σας Mac στο MLX Bench. Στοιχεία μοντέλων από την επίσημη κάρτα κάθε μοντέλου, στοιχεία τσιπ από τα Τεχνικά χαρακτηριστικά της Apple. Ελέγχθηκε 2026-10-19. Ίδια δεδομένα με το mlx.app/compare.

Ανοιχτά δεδομένα: mlx.app/data (JSON, CSV)