Μνήμη σε κάθε ακρίβεια
| Έκδοση | Βάρη | Με συμφραζόμενα | Μικρότερος Mac |
|---|---|---|---|
| 8-bit | 25,5 GB | 27,5 GB | 48 GB |
| 6-bit | 19,5 GB | 21,1 GB | 32 GB |
| 4-bit | 13,5 GB | 15 GB | 24 GB |
| 3-bit χαμηλότερη ποιότητα | 10,5 GB | 12 GB | 16 GB |
| 2-bit χαμηλότερη ποιότητα | 7,5 GB | 9 GB | 16 GB |
Σε κάθε τσιπ της Apple
Το μικρότερο μέγεθος μνήμης κάθε τσιπ που τρέχει το LFM2.5 24B A2B, η καλύτερη έκδοση που χωράει και η ταχύτητα γραφής που μπορείτε να περιμένετε.
| Τσιπ | Απαιτεί | Έκδοση | Tokens/s |
|---|---|---|---|
| M6 | 24 GB | 4-bit Τρέχει καλά | 70–124 |
| M5 Ultra | 96 GB | 8-bit Τρέχει καλά | 257–457 |
| M5 Max | 36 GB | 6-bit Τρέχει καλά | 129–230 |
| M5 Pro | 24 GB | 4-bit Τρέχει καλά | 126–223 |
| M5 | 24 GB | 4-bit Τρέχει καλά | 63–111 |
| M4 Max | 36 GB | 6-bit Τρέχει καλά | 115–205 |
| M4 Pro | 24 GB | 4-bit Τρέχει καλά | 112–199 |
| M4 | 24 GB | 4-bit Τρέχει καλά | 49–87 |
| M3 Ultra | 96 GB | 8-bit Τρέχει καλά | 176–312 |
| M3 Max | 36 GB | 6-bit Τρέχει καλά | 84–150 |
| M3 Pro | 36 GB | 6-bit Τρέχει καλά | 42–75 |
| M3 | 24 GB | 4-bit Τρέχει καλά | 41–73 |
| M2 Ultra | 64 GB | 8-bit Τρέχει καλά | 171–305 |
| M2 Max | 32 GB | 6-bit Τρέχει καλά | 113–200 |
| M2 Pro | 32 GB | 6-bit Τρέχει καλά | 56–100 |
| M2 | 24 GB | 4-bit Τρέχει καλά | 41–73 |
| M1 Ultra | 64 GB | 8-bit Τρέχει καλά | 171–305 |
| M1 Max | 32 GB | 6-bit Τρέχει καλά | 113–200 |
| M1 Pro | 32 GB | 6-bit Τρέχει καλά | 56–100 |
| M1 | 16 GB | 3-bit Τρέχει καλά | 34–60 |
Πώς να το τρέξετε
pip install mlx-lmmlx_lm.chat --model mlx-community/LFM2.5-24B-A2B-OptiQ-4bitBuild: mlx-community/LFM2.5-24B-A2B-OptiQ-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 24B A2B
| Δημιουργός | Liquid AI |
|---|---|
| Παράμετροι | 24B συνολικά · 2B ενεργές (mixture of experts) |
| Συμφραζόμενα | 128K tokens |
| Άδεια | LFM Open License v1.0 (lfm1.0) |
| Κυκλοφορία | 2026-10 |
| Είσοδος | Κείμενο |
| Βάρη | LiquidAI/LFM2.5-24B-A2B |
Ερωτήσεις
- Πόση μνήμη χρειάζεται το LFM2.5 24B A2B;
- Περίπου 13,5 GB για τα βάρη σε 4-bit, συν χώρο για τα συμφραζόμενα: 15 GB συνολικά. Σε Mac αυτό σημαίνει 24 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 24B A2B 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 257–457 tokens ανά δευτερόλεπτο (8-bit). Ο μικρότερος Mac που το τρέχει, με 24 GB, φτάνει περίπου τα 126–223 με M5 Pro.
- Γιατί το LFM2.5 24B A2B τρέχει πιο γρήγορα απ’ ό,τι δείχνει το μέγεθός του;
- Είναι μοντέλο mixture of experts: κρατά 24B παραμέτρους στη μνήμη αλλά διαβάζει μόνο 2B για κάθε token, οπότε γράφει με την ταχύτητα ενός πολύ μικρότερου μοντέλου.
Παρόμοια μοντέλα
Για την κάρτα μοντέλου ή το README σας
Δείχνει τον μικρότερο Mac που τρέχει καλά το LFM2.5 24B A2B και οδηγεί εδώ.
[](https://mlx.app/run/lfm2.5-24b-a2b)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)