Ποιο είναι το καλύτερο LLM για Mac με M4 και 24 GB;

Από τα μοντέλα με δημοσιευμένο Intelligence Index, το MiniCPM5 2B έχει την υψηλότερη βαθμολογία ανάμεσα σε όσα τρέχουν καλά εδώ: 8-bit, περίπου 20–36 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Raon-1 mini Preview.

Μπορεί ένας Mac με M4 και 24 GB να τρέξει το Llama 3.3 70B;

Όχι: ακόμη και στα 2 bit χρειάζεται περισσότερα από τα 18 GB που μπορεί να χρησιμοποιήσει η GPU από προεπιλογή.

Πόσο γρήγορο είναι το gpt-oss-20b σε M4;

Περίπου 28–51 tokens ανά δευτερόλεπτο (εγγενές 4,25-bit), με βάση το εύρος ζώνης μνήμης του τσιπ, 120 GB/s.

M4 24 GB για τοπικά LLM: καλύτερα μοντέλα, ταχύτητα

Τρέχει καλά 34

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

Μοντέλο	Έκδοση	Μνήμη	Tokens/s
MiniCPM5 2B2,52B · Νοημοσύνη 12,5	8-bit	2,7 GB	20–36
Qwen3.5 9B9B · Νοημοσύνη 11,2	4-bit	5,1 GB	11–19
Granite 4.2 8B8B · Νοημοσύνη 11,1	4-bit	4,5 GB	12–21
Granite 4.2 3B3B · Νοημοσύνη 9,1	8-bit	3,2 GB	17–30
gpt-oss-20b21B · 3,6B ενεργές · Νοημοσύνη 9	εγγενές 4,25-bit	13,8 GB	28–51
Gemma 4 E4B8B · Νοημοσύνη 8,9	8-bit	8,5 GB	11–20
Ministral 3 8B8,9B · Νοημοσύνη 5,5	4-bit	5 GB	11–19
Nemotron 3 Nano 4B3,97B · Νοημοσύνη 4,8	8-bit	4,2 GB	13–23
Raon-1 mini Preview28,8B · 4,3B ενεργές	4-bit	16,2 GB	23–40
Gemma 4 26B A4B25,2B · 3,8B ενεργές	4-bit	14,2 GB	26–46
LFM2.5 24B A2B24B · 2B ενεργές	4-bit	13,5 GB	49–87
Qwen3 8B8,2B	4-bit	4,6 GB	12–21
Llama 3.1 8B Instruct8B	4-bit	4,5 GB	12–21
Gemma 4 E2B5,1B	8-bit	5,4 GB	23–40
Nanbeige4.2 3B4,17B	4-bit	2,3 GB	13–23
Spark-X2.6 4B4,11B	8-bit	4,4 GB	12–22
Qwen3.5 4B4B	8-bit	4,3 GB	13–22
Nemotron-Labs Dory 1.0 4B3,98B	6-bit	3,2 GB	11–20
Phi-4 mini instruct3,8B	8-bit	4 GB	14–24
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	16–28
SmolLM3 3B3B	8-bit	3,2 GB	17–30
LFM2.5 2.6B2,69B	8-bit	2,9 GB	19–33
Qwen3.5 2B2B	8-bit	2,1 GB	26–46
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	42–74
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	60–107
Qwen3 0.6B0,6B	8-bit	0,6 GB	90–160
Qwen3.6 35B A3B35B · 3B ενεργές · Νοημοσύνη 18,2	3-bit χαμηλότερη ποιότητα	15,3 GB	42–74
Nemotron 3.5 Lightning 30B A3B30B · 3B ενεργές · Νοημοσύνη 12,9	3-bit χαμηλότερη ποιότητα	13,1 GB	42–74
Nemotron 3 Nano 30B A3B30B · 3,5B ενεργές · Νοημοσύνη 8,9	3-bit χαμηλότερη ποιότητα	13,1 GB	36–64
Recursive Flint39,8B · 2,5B ενεργές	2-bit χαμηλότερη ποιότητα	12,4 GB	68–120
Sage-A1.535B · 2,95B ενεργές	3-bit χαμηλότερη ποιότητα	15,3 GB	42–74
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B ενεργές	3-bit χαμηλότερη ποιότητα	13,3 GB	39–69
Hy-Memory-30B-A3B30,1B · 3,2B ενεργές	3-bit χαμηλότερη ποιότητα	13,2 GB	39–69
GLM-4.7 Flash30B · 3B ενεργές	3-bit χαμηλότερη ποιότητα	13,1 GB	42–74

Τρέχει, αλλά αργά 11

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

Μοντέλο	Έκδοση	Μνήμη	Tokens/s
Qwen3.8 27B27B · Νοημοσύνη 33,7	4-bit	15,2 GB	4–6
Qwen3.6 27B27B	4-bit	15,2 GB	4–6
Devstral Small 2 (24B)24B	4-bit	13,5 GB	4–7
Magistral Small 1.2 (2509)24B	4-bit	13,5 GB	4–7
Mistral Small 3.2 (24B)24B	4-bit	13,5 GB	4–7
Phi-4 Reasoning Vision 15B15B	8-bit	15,9 GB	3–6
Phi-4 (14B)14B	8-bit	14,9 GB	4–6
Gemma 4 12B Unified12B	8-bit	12,7 GB	4–8
Muse Glimmer 30B29,6B · Νοημοσύνη 17,5	3-bit χαμηλότερη ποιότητα	13 GB	4–7
Gemma 4 31B30,7B · Νοημοσύνη 14,7	3-bit χαμηλότερη ποιότητα	13,4 GB	4–7
Granite 4.2 30B30B · Νοημοσύνη 12,7	3-bit χαμηλότερη ποιότητα	13,1 GB	4–7

Πολύ μεγάλο 37

Χρειάζεται περισσότερα από 24 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 24 GB, με οποιοδήποτε τσιπ.

Το M4 με περισσότερη ή λιγότερη μνήμη:

Γειτονικά τσιπ:

Κατά μέτωπο:

Συγκρίνετέ το με οποιονδήποτε Mac ή GPU · Το M4 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 M4 και 24 GB;: Από τα μοντέλα με δημοσιευμένο Intelligence Index, το MiniCPM5 2B έχει την υψηλότερη βαθμολογία ανάμεσα σε όσα τρέχουν καλά εδώ: 8-bit, περίπου 20–36 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Raon-1 mini Preview.
Μπορεί ένας Mac με M4 και 24 GB να τρέξει το Llama 3.3 70B;: Όχι: ακόμη και στα 2 bit χρειάζεται περισσότερα από τα 18 GB που μπορεί να χρησιμοποιήσει η GPU από προεπιλογή.
Πόσο γρήγορο είναι το gpt-oss-20b σε M4;: Περίπου 28–51 tokens ανά δευτερόλεπτο (εγγενές 4,25-bit), με βάση το εύρος ζώνης μνήμης του τσιπ, 120 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)