Ποιο είναι το καλύτερο LLM για Mac με M4 Max και 36 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 12–22 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Recursive Flint.

Μπορεί ένας Mac με M4 Max και 36 GB να τρέξει το Llama 3.3 70B;

Ναι, αλλά αργά: 2-bit (χαμηλότερη ποιότητα), με περίπου 8–15 tokens ανά δευτερόλεπτο.

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

Περίπου 97–173 tokens ανά δευτερόλεπτο (εγγενές 4,25-bit), με βάση το εύρος ζώνης μνήμης του τσιπ, 410 GB/s.

M4 Max 36 GB για τοπικά LLM: καλύτερα μοντέλα, ταχύτητα

Τρέχει καλά 47

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	12–22
Qwen3.6 35B A3B35B · 3B ενεργές · Νοημοσύνη 18,2	4-bit	19,7 GB	109–193
Muse Glimmer 30B29,6B · Νοημοσύνη 17,5	4-bit	16,7 GB	11–20
Gemma 4 31B30,7B · Νοημοσύνη 14,7	4-bit	17,3 GB	11–19
Nemotron 3.5 Lightning 30B A3B30B · 3B ενεργές · Νοημοσύνη 12,9	6-bit	24,4 GB	77–137
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	68–121
Qwen3.5 9B9B · Νοημοσύνη 11,2	8-bit	9,6 GB	19–34
Granite 4.2 8B8B · Νοημοσύνη 11,1	8-bit	8,5 GB	22–39
Granite 4.2 3B3B · Νοημοσύνη 9,1	8-bit	3,2 GB	58–103
gpt-oss-20b21B · 3,6B ενεργές · Νοημοσύνη 9	εγγενές 4,25-bit	13,8 GB	97–173
Nemotron 3 Nano 30B A3B30B · 3,5B ενεργές · Νοημοσύνη 8,9	6-bit	24,4 GB	66–117
Gemma 4 E4B8B · Νοημοσύνη 8,9	8-bit	8,5 GB	38–68
Ministral 3 8B8,9B · Νοημοσύνη 5,5	8-bit	9,5 GB	19–35
Nemotron 3 Nano 4B3,97B · Νοημοσύνη 4,8	8-bit	4,2 GB	44–78
Recursive Flint39,8B · 2,5B ενεργές	4-bit	22,4 GB	132–234
Sage-A1.535B · 2,95B ενεργές	4-bit	19,7 GB	109–193
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B ενεργές	6-bit	24,8 GB	68–121
Hy-Memory-30B-A3B30,1B · 3,2B ενεργές	6-bit	24,4 GB	71–126
GLM-4.7 Flash30B · 3B ενεργές	6-bit	24,4 GB	77–137
Raon-1 mini Preview28,8B · 4,3B ενεργές	6-bit	23,4 GB	53–94
Qwen3.6 27B27B	4-bit	15,2 GB	12–22
Gemma 4 26B A4B25,2B · 3,8B ενεργές	6-bit	20,5 GB	60–106
Devstral Small 2 (24B)24B	4-bit	13,5 GB	14–24
Magistral Small 1.2 (2509)24B	4-bit	13,5 GB	14–24
Mistral Small 3.2 (24B)24B	4-bit	13,5 GB	14–24
LFM2.5 24B A2B24B · 2B ενεργές	6-bit	19,5 GB	115–205
Phi-4 Reasoning Vision 15B15B	8-bit	15,9 GB	12–21
Phi-4 (14B)14B	8-bit	14,9 GB	12–22
Gemma 4 12B Unified12B	8-bit	12,7 GB	15–26
Qwen3 8B8,2B	8-bit	8,7 GB	21–38
Llama 3.1 8B Instruct8B	8-bit	8,5 GB	22–39
Gemma 4 E2B5,1B	8-bit	5,4 GB	77–137
Nanbeige4.2 3B4,17B	8-bit	4,4 GB	24–42
Spark-X2.6 4B4,11B	8-bit	4,4 GB	42–75
Qwen3.5 4B4B	8-bit	4,3 GB	43–76
Nemotron-Labs Dory 1.0 4B3,98B	8-bit	4,2 GB	30–53
Phi-4 mini instruct3,8B	8-bit	4 GB	46–82
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	54–96
SmolLM3 3B3B	8-bit	3,2 GB	58–103
LFM2.5 2.6B2,69B	8-bit	2,9 GB	64–113
Qwen3.5 2B2B	8-bit	2,1 GB	88–156
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	142–252
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	205–364
Qwen3 0.6B0,6B	8-bit	0,6 GB	308–547
Nemotron 3.5 Bolt 74B A9B74B · 9B ενεργές · Νοημοσύνη 21,4	2-bit χαμηλότερη ποιότητα	23,1 GB	66–117
Qwen3 Coder Next80B · 3B ενεργές · Νοημοσύνη 9,2	2-bit χαμηλότερη ποιότητα	25 GB	205–364

Τρέχει, αλλά αργά 1

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

Μοντέλο	Έκδοση	Μνήμη	Tokens/s
Llama 3.3 70B Instruct70B	2-bit χαμηλότερη ποιότητα	21,9 GB	8–15

Πολύ μεγάλο 34

Χρειάζεται περισσότερα από 36 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 36 GB, με οποιοδήποτε τσιπ.

Το M4 Max με περισσότερη ή λιγότερη μνήμη:

Γειτονικά τσιπ:

Κατά μέτωπο:

Απέναντι σε PC και κάρτες γραφικών:

Συγκρίνετέ το με οποιονδήποτε Mac ή GPU · Το M4 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 M4 Max και 36 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 12–22 tokens ανά δευτερόλεπτο. Το μεγαλύτερο που τρέχει καλά είναι το Recursive Flint.
Μπορεί ένας Mac με M4 Max και 36 GB να τρέξει το Llama 3.3 70B;: Ναι, αλλά αργά: 2-bit (χαμηλότερη ποιότητα), με περίπου 8–15 tokens ανά δευτερόλεπτο.
Πόσο γρήγορο είναι το gpt-oss-20b σε M4 Max;: Περίπου 97–173 tokens ανά δευτερόλεπτο (εγγενές 4,25-bit), με βάση το εύρος ζώνης μνήμης του τσιπ, 410 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)