Ποιο είναι το καλύτερο LLM για Mac με M3 Max και 128 GB;

Από τα μοντέλα με δημοσιευμένο Intelligence Index, το Qwen3.8 27B έχει την υψηλότερη βαθμολογία ανάμεσα σε όσα τρέχουν καλά εδώ: 4-bit, περίπου 12–21 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Qwen3.5 122B A10B.

Μπορεί ένας Mac με M3 Max και 128 GB να τρέξει το Llama 3.3 70B;

Ναι, αλλά αργά: 8-bit, με περίπου 2–4 tokens ανά δευτερόλεπτο.

Πόσο γρήγορο είναι το gpt-oss-20b σε M3 Max;

Περίπου 95–168 tokens ανά δευτερόλεπτο (εγγενές 4,25-bit), με βάση το εύρος ζώνης μνήμης του τσιπ, 400 GB/s.

M3 Max 128 GB για τοπικά LLM: καλύτερα μοντέλα, ταχύτητα

Τρέχει καλά 59

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

Μοντέλο	Έκδοση	Μνήμη	Tokens/s
Qwen3.8 27B27B · Νοημοσύνη 33,7	4-bit	15,2 GB	12–21
Nemotron 3.5 Super VL 120B A12B120B · 12B ενεργές · Νοημοσύνη 26,5	4-bit	67,5 GB	26–47
Nemotron 3.5 Bolt 74B A9B74B · 9B ενεργές · Νοημοσύνη 21,4	8-bit	78,6 GB	19–33
Qwen3.6 35B A3B35B · 3B ενεργές · Νοημοσύνη 18,2	8-bit	37,2 GB	56–100
Muse Glimmer 30B29,6B · Νοημοσύνη 17,5	4-bit	16,7 GB	11–19
Qwen3.5 122B A10B122B · 10B ενεργές · Νοημοσύνη 15,6	4-bit	68,6 GB	32–57
Gemma 4 31B30,7B · Νοημοσύνη 14,7	4-bit	17,3 GB	10–18
Nemotron 3.5 Lightning 30B A3B30B · 3B ενεργές · Νοημοσύνη 12,9	8-bit	31,9 GB	56–100
Granite 4.2 30B30B · Νοημοσύνη 12,7	4-bit	16,9 GB	11–19
MiniCPM5 2B2,52B · Νοημοσύνη 12,5	8-bit	2,7 GB	67–119
gpt-oss-120b117B · 5,1B ενεργές · Νοημοσύνη 11,6	εγγενές 4,25-bit	65,3 GB	67–119
Mistral Small 4 (119B)119B · 6,5B ενεργές · Νοημοσύνη 11,3	4-bit	66,9 GB	49–86
Qwen3.5 9B9B · Νοημοσύνη 11,2	8-bit	9,6 GB	19–33
Granite 4.2 8B8B · Νοημοσύνη 11,1	8-bit	8,5 GB	21–38
Qwen3 Coder Next80B · 3B ενεργές · Νοημοσύνη 9,2	8-bit	85 GB	56–100
Granite 4.2 3B3B · Νοημοσύνη 9,1	8-bit	3,2 GB	56–100
gpt-oss-20b21B · 3,6B ενεργές · Νοημοσύνη 9	εγγενές 4,25-bit	13,8 GB	95–168
Nemotron 3 Nano 30B A3B30B · 3,5B ενεργές · Νοημοσύνη 8,9	8-bit	31,9 GB	49–86
Gemma 4 E4B8B · Νοημοσύνη 8,9	8-bit	8,5 GB	38–67
Llama 4 Scout 17B-16E Instruct109B · 17B ενεργές · Νοημοσύνη 6,5	6-bit	88,6 GB	13–23
Ministral 3 8B8,9B · Νοημοσύνη 5,5	8-bit	9,5 GB	19–34
Nemotron 3 Nano 4B3,97B · Νοημοσύνη 4,8	8-bit	4,2 GB	43–76
Ornith 1.5 122B122B · 10B ενεργές	4-bit	68,6 GB	32–57
Nemotron 3 Super 120B A12B120B · 12B ενεργές	4-bit	67,5 GB	26–47
GLM-4.5 Air106B · 12B ενεργές	6-bit	86,1 GB	18–33
Recursive Flint39,8B · 2,5B ενεργές	8-bit	42,3 GB	67–119
Sage-A1.535B · 2,95B ενεργές	8-bit	37,2 GB	58–103
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B ενεργές	8-bit	32,4 GB	51–91
Hy-Memory-30B-A3B30,1B · 3,2B ενεργές	8-bit	31,9 GB	53–94
GLM-4.7 Flash30B · 3B ενεργές	8-bit	31,9 GB	56–100
Raon-1 mini Preview28,8B · 4,3B ενεργές	8-bit	30,6 GB	39–70
Qwen3.6 27B27B	4-bit	15,2 GB	12–21
Gemma 4 26B A4B25,2B · 3,8B ενεργές	8-bit	26,8 GB	45–80
Devstral Small 2 (24B)24B	4-bit	13,5 GB	13–24
Magistral Small 1.2 (2509)24B	4-bit	13,5 GB	13–24
Mistral Small 3.2 (24B)24B	4-bit	13,5 GB	13–24
LFM2.5 24B A2B24B · 2B ενεργές	8-bit	25,5 GB	86–152
Phi-4 Reasoning Vision 15B15B	8-bit	15,9 GB	11–20
Phi-4 (14B)14B	8-bit	14,9 GB	12–21
Gemma 4 12B Unified12B	8-bit	12,7 GB	14–25
Qwen3 8B8,2B	8-bit	8,7 GB	21–37
Llama 3.1 8B Instruct8B	8-bit	8,5 GB	21–38
Gemma 4 E2B5,1B	8-bit	5,4 GB	75–133
Nanbeige4.2 3B4,17B	8-bit	4,4 GB	23–41
Spark-X2.6 4B4,11B	8-bit	4,4 GB	41–73
Qwen3.5 4B4B	8-bit	4,3 GB	42–74
Nemotron-Labs Dory 1.0 4B3,98B	8-bit	4,2 GB	29–52
Phi-4 mini instruct3,8B	8-bit	4 GB	45–80
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	53–94
SmolLM3 3B3B	8-bit	3,2 GB	56–100
LFM2.5 2.6B2,69B	8-bit	2,9 GB	62–110
Qwen3.5 2B2B	8-bit	2,1 GB	86–152
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	138–246
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	200–356
Qwen3 0.6B0,6B	8-bit	0,6 GB	300–533
Qwen3.8 Flash Next180B · 6B ενεργές · Νοημοσύνη 39,8	3-bit χαμηλότερη ποιότητα	78,8 GB	69–123
Inkling Small276B · 12B ενεργές · Νοημοσύνη 25,7	2-bit χαμηλότερη ποιότητα	86,3 GB	47–84
DeepSeek V4 Flash 0731284B · 13B ενεργές	2-bit χαμηλότερη ποιότητα	88,8 GB	44–78
MiniMax M2.7230B · 10B ενεργές	2-bit χαμηλότερη ποιότητα	71,9 GB	58–103

Τρέχει, αλλά αργά 3

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

Μοντέλο	Έκδοση	Μνήμη	Tokens/s
Mistral Medium 3.5 (128B)128B · Νοημοσύνη 14,2	4-bit	72 GB	3–4
Devstral 2 (123B)123B	4-bit	69,2 GB	3–5
Llama 3.3 70B Instruct70B	8-bit	74,4 GB	2–4

Χωράει οριακά 3

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

Μοντέλο	Έκδοση	Μνήμη	Tokens/s
GLM-5.3 Flash320B · 18B ενεργές · Νοημοσύνη 41,8	2-bit χαμηλότερη ποιότητα	100 GB	32–57
MiMo V2.6 Flash309B · 15B ενεργές · Νοημοσύνη 37,9	2-bit χαμηλότερη ποιότητα	96,6 GB	38–68
Hy3295B · 21B ενεργές · Νοημοσύνη 25,3	2-bit χαμηλότερη ποιότητα	92,2 GB	27–48

Πολύ μεγάλο 17

Χρειάζεται περισσότερα από 128 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 128 GB, με οποιοδήποτε τσιπ.

Το M3 Max με περισσότερη ή λιγότερη μνήμη:

Γειτονικά τσιπ:

MacBook Pro M3 Max

Κατά μέτωπο:

Συγκρίνετέ το με οποιονδήποτε Mac ή GPU · Το M3 Max 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 M3 Max και 128 GB;: Από τα μοντέλα με δημοσιευμένο Intelligence Index, το Qwen3.8 27B έχει την υψηλότερη βαθμολογία ανάμεσα σε όσα τρέχουν καλά εδώ: 4-bit, περίπου 12–21 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Qwen3.5 122B A10B.
Μπορεί ένας Mac με M3 Max και 128 GB να τρέξει το Llama 3.3 70B;: Ναι, αλλά αργά: 8-bit, με περίπου 2–4 tokens ανά δευτερόλεπτο.
Πόσο γρήγορο είναι το gpt-oss-20b σε M3 Max;: Περίπου 95–168 tokens ανά δευτερόλεπτο (εγγενές 4,25-bit), με βάση το εύρος ζώνης μνήμης του τσιπ, 400 GB/s.

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)