ΣύνδεσηΔημιουργία πορτοφολιού

Τι τρέχει ένας Mac με M2 και 8 GB;

19 από 82 ανοιχτά μοντέλα τρέχουν καλά σε αυτόν. Από προεπιλογή η GPU μπορεί να χρησιμοποιήσει περίπου 6 GB από τα 8 GB, και διαβάζει τη μνήμη με 100 GB/s, κάτι που καθορίζει πόσο γρήγορα γράφει. Υπάρχει σε: MacBook Air (M2, 2022), MacBook Pro (13-inch, M2, 2022), MacBook Air (15-inch, M2, 2023), Mac mini (2023).

Ενημέρωση

Το εξυπνότερο που τρέχει καλάMiniCPM5 2B8-bit · 2,7 GB · 17–30 tok/sΤο μεγαλύτερο που τρέχει καλάGranite 4.2 8B4-bit · 4,5 GB · 10–18 tok/s

Τρέχει καλά 24

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

ΜοντέλοΈκδοσηΜνήμηTokens/s
MiniCPM5 2B2,52B · Νοημοσύνη 12,58-bit2,7 GB17–30
Granite 4.2 8B8B · Νοημοσύνη 11,14-bit4,5 GB10–18
Granite 4.2 3B3B · Νοημοσύνη 9,18-bit3,2 GB14–25
Gemma 4 E4B8B · Νοημοσύνη 8,94-bit4,5 GB18–32
Nemotron 3 Nano 4B3,97B · Νοημοσύνη 4,88-bit4,2 GB11–19
Llama 3.1 8B Instruct8B4-bit4,5 GB10–18
Gemma 4 E2B5,1B6-bit4,1 GB24–42
Nanbeige4.2 3B4,17B4-bit2,3 GB11–20
Spark-X2.6 4B4,11B8-bit4,4 GB10–18
Qwen3.5 4B4B8-bit4,3 GB10–19
Nemotron-Labs Dory 1.0 4B3,98B6-bit3,2 GB10–17
Phi-4 mini instruct3,8B8-bit4 GB11–20
Llama 3.2 3B Instruct3,21B8-bit3,4 GB13–24
SmolLM3 3B3B8-bit3,2 GB14–25
LFM2.5 2.6B2,69B8-bit2,9 GB16–28
Qwen3.5 2B2B8-bit2,1 GB21–38
Llama 3.2 1B Instruct1,23B8-bit1,3 GB35–62
Qwen3.5 0.8B0,8B8-bit0,9 GB50–89
Qwen3 0.6B0,6B8-bit0,6 GB75–133
Qwen3.5 9B9B · Νοημοσύνη 11,23-bit χαμηλότερη ποιότητα3,9 GB12–21
Ministral 3 8B8,9B · Νοημοσύνη 5,53-bit χαμηλότερη ποιότητα3,9 GB12–21
Phi-4 (14B)14B2-bit χαμηλότερη ποιότητα4,4 GB10–18
Gemma 4 12B Unified12B2-bit χαμηλότερη ποιότητα3,7 GB12–22
Qwen3 8B8,2B3-bit χαμηλότερη ποιότητα3,6 GB13–22

Χωράει οριακά 1

Χρειάζεται σχεδόν όλη τη μνήμη: αυξήστε το όριο μνήμης της GPU και κρατήστε τα συμφραζόμενα σύντομα.

ΜοντέλοΈκδοσηΜνήμηTokens/s
Phi-4 Reasoning Vision 15B15B2-bit χαμηλότερη ποιότητα4,7 GB10–17

Πολύ μεγάλο 57

Χρειάζεται περισσότερα από 8 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.

Άλλοι Mac

Όλοι οι Mac με 8 GB, με οποιοδήποτε τσιπ.

Το M2 με περισσότερη ή λιγότερη μνήμη:

Γειτονικά τσιπ:

Κατά μέτωπο:

Συγκρίνετέ το με οποιονδήποτε Mac ή GPU · Το M2 για τοπικό AI · Ο καλύτερος Mac για τοπικά LLM · Πόση RAM χρειάζεται ένα LLM · Όλοι οι Mac

Ερωτήσεις

Ποιο είναι το καλύτερο LLM για Mac με M2 και 8 GB;
Από τα μοντέλα με δημοσιευμένο Intelligence Index, το MiniCPM5 2B έχει την υψηλότερη βαθμολογία ανάμεσα σε όσα τρέχουν καλά εδώ: 8-bit, περίπου 17–30 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Granite 4.2 8B.
Μπορεί ένας Mac με M2 και 8 GB να τρέξει το Llama 3.3 70B;
Όχι: ακόμη και στα 2 bit χρειάζεται περισσότερα από τα 6 GB που μπορεί να χρησιμοποιήσει η GPU από προεπιλογή.
Πόσο γρήγορο είναι το gpt-oss-20b σε M2;
Δεν χωράει σε 8 GB.

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

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)