Μπορεί ένας Mac να τρέξει το LFM2.5 2.6B;

Ναι, με 8 GB ενοποιημένης μνήμης ή περισσότερα. Το LFM2.5 2.6B έχει 2,69B παραμέτρους· εδώ θα δείτε τη μνήμη που χρειάζεται σε κάθε ακρίβεια και πόσο γρήγορα το τρέχει κάθε τσιπ της Apple.

Ενημέρωση

Μνήμη σε 4-bit3 GBβάρη 1,5 GB + συμφραζόμενα
Μικρότερος Mac8 GB8-bit · 58 διαμορφώσεις Mac
Ταχύτερος Mac186–331tokens/s · M5 Ultra 96 GB (εκτίμηση)

Μνήμη σε κάθε ακρίβεια

ΈκδοσηΒάρηΜε συμφραζόμεναΜικρότερος Mac
8-bit2,9 GB4,4 GB8 GB
6-bit2,2 GB3,7 GB8 GB
4-bit1,5 GB3 GB8 GB
3-bit χαμηλότερη ποιότητα1,2 GB2,7 GB8 GB
2-bit χαμηλότερη ποιότητα0,8 GB2,3 GB8 GB

Πόση RAM χρειάζεται ένα LLM

Σε κάθε τσιπ της Apple

Το μικρότερο μέγεθος μνήμης κάθε τσιπ που τρέχει το LFM2.5 2.6B, η καλύτερη έκδοση που χωράει και η ταχύτητα γραφής που μπορείτε να περιμένετε.

ΤσιπΑπαιτείΈκδοσηTokens/s
M616 GB8-bit Τρέχει καλά24–42
M5 Ultra96 GB8-bit Τρέχει καλά186–331
M5 Max36 GB8-bit Τρέχει καλά71–127
M5 Pro24 GB8-bit Τρέχει καλά48–85
M516 GB8-bit Τρέχει καλά24–42
M4 Max36 GB8-bit Τρέχει καλά64–113
M4 Pro24 GB8-bit Τρέχει καλά42–75
M416 GB8-bit Τρέχει καλά19–33
M3 Ultra96 GB8-bit Τρέχει καλά127–226
M3 Max36 GB8-bit Τρέχει καλά47–83
M3 Pro18 GB8-bit Τρέχει καλά23–41
M38 GB8-bit Τρέχει καλά16–28
M2 Ultra64 GB8-bit Τρέχει καλά124–221
M2 Max32 GB8-bit Τρέχει καλά62–110
M2 Pro16 GB8-bit Τρέχει καλά31–55
M28 GB8-bit Τρέχει καλά16–28
M1 Ultra64 GB8-bit Τρέχει καλά124–221
M1 Max32 GB8-bit Τρέχει καλά62–110
M1 Pro16 GB8-bit Τρέχει καλά31–55
M18 GB8-bit Τρέχει καλά11–19

Πώς να το τρέξετε

Στο Terminal με το MLX της Apple:pip install mlx-lmmlx_lm.chat --model mlx-community/LFM2.5-2.6B-4bitBuild: mlx-community/LFM2.5-2.6B-4bit στο Hugging Face. Οι άλλες ακρίβειες βρίσκονται ακριβώς δίπλα.

Βήμα προς βήμα: λήψη και εκτέλεση LLM σε Mac · MLX vs Ollama vs llama.cpp

Προτιμάτε μια εφαρμογή από το Τερματικό; Συγκρίνετε τις εφαρμογές Mac που τρέχουν τοπικά μοντέλα στο AI App Store: τιμή, άδεια και πού πηγαίνουν τα δεδομένα σας.

Σχετικά με το LFM2.5 2.6B

ΔημιουργόςLiquid AI
Παράμετροι2,69B (dense)
Συμφραζόμενα128K tokens
ΆδειαLFM Open License v1.0 (lfm1.0)
Κυκλοφορία2026-07
ΕίσοδοςΚείμενο
ΒάρηLiquidAI/LFM2.5-2.6B

Ερωτήσεις

Πόση μνήμη χρειάζεται το LFM2.5 2.6B;
Περίπου 1,5 GB για τα βάρη σε 4-bit, συν χώρο για τα συμφραζόμενα: 3 GB συνολικά. Σε Mac αυτό σημαίνει 8 GB ενοποιημένης μνήμης ή περισσότερα, αφού το macOS αφήνει από προεπιλογή την GPU να χρησιμοποιεί περίπου το 75% της.
Πόσο γρήγορο είναι το LFM2.5 2.6B σε Mac;
Η ταχύτητα γραφής εξαρτάται από το εύρος ζώνης μνήμης. Ο ταχύτερος Mac γι’ αυτό εδώ είναι ένας Mac με M5 Ultra και 96 GB, με περίπου 186–331 tokens ανά δευτερόλεπτο (8-bit). Ο μικρότερος Mac που το τρέχει, με 8 GB, φτάνει περίπου τα 16–28 με M3.
Βλάπτει η κβαντοποίηση το LFM2.5 2.6B;
Στα 4 bit τα περισσότερα μοντέλα μένουν κοντά στην αρχική ποιότητα· κάτω από τα 4 bit η ποιότητα πέφτει πιο γρήγορα. Επιλέξτε την υψηλότερη ακρίβεια που χωράει στον Mac σας με περιθώριο.

Παρόμοια μοντέλα

Όλα τα μοντέλα · Όλοι οι Mac · Συγκρίνετε τον Mac σας

Για την κάρτα μοντέλου ή το README σας

Runs on a Mac: LFM2.5 2.6B Δείχνει τον μικρότερο Mac που τρέχει καλά το LFM2.5 2.6B και οδηγεί εδώ.

[![Runs on a Mac](https://mlx.app/badge/run/lfm2.5-2.6b.svg)](https://mlx.app/run/lfm2.5-2.6b)

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)