ΣύνδεσηΔημιουργία πορτοφολιού

Mac mini με M2 Pro για τοπικό AI.

Με 32 GB τρέχει καλά 36 από 82 ανοιχτά μοντέλα, έως και το Qwen3.6 35B A3B, και γράφει περίπου 47–84 tokens ανά δευτερόλεπτο με το gpt-oss-20b. Το M2 Pro διαβάζει τη μνήμη με 200 GB/s, κάτι που καθορίζει πόσο γρήγορα γράφει.

Ενημέρωση

16 GB25 μοντέλα τρέχουν καλάPhi-4 Reasoning Vision 15B · 11–19 tok/s32 GB36 μοντέλα τρέχουν καλάQwen3.6 35B A3B · 53–94 tok/s

Ανά μέγεθος μνήμης

ΜνήμηΤρέχουν καλάΤο μεγαλύτερο που τρέχει καλάgpt-oss-20b
16 GB200 GB/s25Phi-4 Reasoning Vision 15B56–100 tok/s
32 GB200 GB/s36Qwen3.6 35B A3B47–84 tok/s

Μοντέλα: Mac mini (2023). Δεν διατίθεται κάθε μέγεθος μνήμης με κάθε μοντέλο· τα Τεχνικά χαρακτηριστικά της Apple αναφέρουν τι προσφέρει το καθένα.

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

Ερωτήσεις

Είναι ο Mac mini με M2 Pro καλός για τοπικά LLM;
Με 32 GB τρέχει καλά 36 από 82 ανοιχτά μοντέλα, έως και το Qwen3.6 35B A3B, και γράφει περίπου 47–84 tokens ανά δευτερόλεπτο με το gpt-oss-20b. Το M2 Pro διαβάζει τη μνήμη με 200 GB/s, κάτι που καθορίζει πόσο γρήγορα γράφει.
Πόση μνήμη πρέπει να έχει ένας Mac mini με M2 Pro για AI;
Με 16 GB τρέχει καλά 25 ανοιχτά μοντέλα· με 32 GB, 36, έως και το Qwen3.6 35B A3B. Η μνήμη καθορίζει ποια μοντέλα χωρούν και δεν αναβαθμίζεται αργότερα.

Άλλοι Mac

Ο Mac mini με άλλα τσιπ:

Άλλοι Mac με M2 Pro:

Κατά μέτωπο:

Το M2 Pro για τοπικό AI · Mac mini ως server για AI · Mac mini ή Mac Studio για AI · Ο καλύτερος Mac για τοπικά LLM · Πόση RAM χρειάζεται ένα LLM · Όλοι οι Mac

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)