Ano ang pinakamagandang LLM para sa Mac na may 128 GB?

Sa mga model na may nailathalang Intelligence Index, Qwen3.8 27B ang may pinakamataas na score sa mga tumatakbo nang maayos sa 128 GB (8-bit). Ang pinakamalaking tumatakbo nang maayos ay Qwen3.5 122B A10B. Para sa code: Qwen3 Coder Next.

Sapat ba ang 128 GB para sa local AI sa Mac?

47 sa 73 na open model dito ang tumatakbo nang maayos dito sa 4 bit o mas mataas. Bilang default, mga 96 GB nito ang ipinapagamit ng macOS sa GPU; doon dapat magkasya ang model at ang context nito.

Kaya ba ng 128 GB na Mac ang gpt-oss-20b?

Oo, native na 4.25-bit, sa mga 95–168 token bawat segundo sa M3 Max at 189–337 sa M1 Ultra.

Pinakamagandang local LLM para sa 128 GB na Mac (M1 hanggang M5)

Mga Mac na may 128 GB

5 chip mula M1 hanggang M5 ang may 128 GB. Buksan ang alinman para sa sarili nitong listahan at bilis.

Tumatakbo nang maayos 51

Kasya at may espasyo pa para sa context, sa 10 o higit pang token bawat segundo sa M1 Ultra.

Model	Bersyon	Memory	M3 Max	M1 Ultra
Qwen3.8 27B27B · Intelligence 33.7	8-bit	28.7 GB	12–21	13–22
Nemotron 3.5 Bolt 74B A9B74B · 9B aktibo · Intelligence 21.4	8-bit	78.6 GB	19–33	38–67
Qwen3.6 35B A3B35B · 3B aktibo · Intelligence 18.2	8-bit	37.2 GB	56–100	113–200
Muse Glimmer 30B29.6B · Intelligence 17.5	8-bit	31.5 GB	11–19	11–20
Qwen3.5 122B A10B122B · 10B aktibo · Intelligence 15.6	4-bit	68.6 GB	32–57	64–114
Gemma 4 31B30.7B · Intelligence 14.7	8-bit	32.6 GB	10–18	11–20
Nemotron 3.5 Lightning 30B A3B30B · 3B aktibo · Intelligence 12.9	8-bit	31.9 GB	56–100	113–200
Granite 4.2 30B30B · Intelligence 12.7	8-bit	31.9 GB	11–19	11–20
MiniCPM5 2B2.52B · Intelligence 12.5	8-bit	2.7 GB	67–119	133–237
gpt-oss-120b117B · 5.1B aktibo · Intelligence 11.6	native na 4.25-bit	65.3 GB	67–119	133–237
Mistral Small 4 (119B)119B · 6.5B aktibo · Intelligence 11.3	4-bit	66.9 GB	49–86	97–173
Qwen3.5 9B9B · Intelligence 11.2	8-bit	9.6 GB	19–33	38–67
Granite 4.2 8B8B · Intelligence 11.1	8-bit	8.5 GB	21–38	42–75
Qwen3 Coder Next80B · 3B aktibo · Intelligence 9.2	8-bit	85 GB	56–100	113–200
Granite 4.2 3B3B · Intelligence 9.1	8-bit	3.2 GB	56–100	113–200
gpt-oss-20b21B · 3.6B aktibo · Intelligence 9	native na 4.25-bit	13.8 GB	95–168	189–337
Nemotron 3 Nano 30B A3B30B · 3.5B aktibo · Intelligence 8.9	8-bit	31.9 GB	49–86	97–173
Gemma 4 E4B8B · Intelligence 8.9	8-bit	8.5 GB	38–67	75–133
Llama 4 Scout 17B-16E Instruct109B · 17B aktibo · Intelligence 6.5	6-bit	88.6 GB	13–23	26–46
Ministral 3 8B8.9B · Intelligence 5.5	8-bit	9.5 GB	19–34	38–67
Nemotron 3 Nano 4B3.97B · Intelligence 4.8	8-bit	4.2 GB	43–76	86–152
Ornith 1.5 122B122B · 10B aktibo	4-bit	68.6 GB	32–57	64–114
Nemotron 3 Super 120B A12B120B · 12B aktibo	4-bit	67.5 GB	26–47	53–94
GLM-4.5 Air106B · 12B aktibo	6-bit	86.1 GB	18–33	37–65
Qwen3 Coder 30B A3B Instruct30.5B · 3.3B aktibo	8-bit	32.4 GB	51–91	103–183
GLM-4.7 Flash30B · 3B aktibo	8-bit	31.9 GB	56–100	113–200
Qwen3.6 27B27B	8-bit	28.7 GB	12–21	13–22
Gemma 4 26B A4B25.2B · 3.8B aktibo	8-bit	26.8 GB	45–80	90–160
Devstral Small 2 (24B)24B	8-bit	25.5 GB	13–24	14–25
Magistral Small 1.2 (2509)24B	8-bit	25.5 GB	13–24	14–25
Mistral Small 3.2 (24B)24B	8-bit	25.5 GB	13–24	14–25
LFM2.5 24B A2B24B · 2B aktibo	8-bit	25.5 GB	86–152	171–305
Phi-4 Reasoning Vision 15B15B	8-bit	15.9 GB	11–20	23–40
Phi-4 (14B)14B	8-bit	14.9 GB	12–21	24–43
Gemma 4 12B Unified12B	8-bit	12.7 GB	14–25	28–50
Qwen3 8B8.2B	8-bit	8.7 GB	21–37	41–74
Llama 3.1 8B Instruct8B	8-bit	8.5 GB	21–38	42–75
Gemma 4 E2B5.1B	8-bit	5.4 GB	75–133	150–267
Qwen3.5 4B4B	8-bit	4.3 GB	42–74	84–149
Phi-4 mini instruct3.8B	8-bit	4 GB	45–80	90–160
Llama 3.2 3B Instruct3.21B	8-bit	3.4 GB	53–94	106–188
SmolLM3 3B3B	8-bit	3.2 GB	56–100	113–200
LFM2.5 2.6B2.69B	8-bit	2.9 GB	62–110	124–221
Qwen3.5 2B2B	8-bit	2.1 GB	86–152	171–305
Llama 3.2 1B Instruct1.23B	8-bit	1.3 GB	138–246	277–492
Qwen3.5 0.8B0.8B	8-bit	0.9 GB	200–356	400–711
Qwen3 0.6B0.6B	8-bit	0.6 GB	300–533	600–1067
Qwen3.8 Flash Next180B · 6B aktibo · Intelligence 39.8	3-bit mas mababang kalidad	78.8 GB	69–123	138–246
Inkling Small276B · 12B aktibo · Intelligence 25.7	2-bit mas mababang kalidad	86.3 GB	47–84	95–168
DeepSeek V4 Flash 0731284B · 13B aktibo	2-bit mas mababang kalidad	88.8 GB	44–78	88–156
MiniMax M2.7230B · 10B aktibo	2-bit mas mababang kalidad	71.9 GB	58–103	116–206

Tumatakbo, pero mabagal 3

Kasya, pero wala pang 10 token bawat segundo: ayos para sa batch work, mabagal para sa chat.

Model	Bersyon	Memory	M3 Max	M1 Ultra
Mistral Medium 3.5 (128B)128B · Intelligence 14.2	4-bit	72 GB	3–4	5–9
Devstral 2 (123B)123B	4-bit	69.2 GB	3–5	5–9
Llama 3.3 70B Instruct70B	8-bit	74.4 GB	2–4	5–9

Halos hindi kasya 3

Halos lahat ng memory ang kailangan: itaas ang GPU memory limit at panatilihing maikli ang context.

Model	Bersyon	Memory	M3 Max	M1 Ultra
GLM-5.3 Flash320B · 18B aktibo · Intelligence 41.8	2-bit mas mababang kalidad	100 GB	32–57	64–114
MiMo V2.6 Flash309B · 15B aktibo · Intelligence 37.9	2-bit mas mababang kalidad	96.6 GB	38–68	77–136
Hy3295B · 21B aktibo · Intelligence 25.3	2-bit mas mababang kalidad	92.2 GB	27–48	55–97

Masyadong malaki 16

Kailangan ng higit sa 128 GB na memory, kahit sa 2 bit.

Mga tanong

Ano ang pinakamagandang LLM para sa Mac na may 128 GB?: Sa mga model na may nailathalang Intelligence Index, Qwen3.8 27B ang may pinakamataas na score sa mga tumatakbo nang maayos sa 128 GB (8-bit). Ang pinakamalaking tumatakbo nang maayos ay Qwen3.5 122B A10B. Para sa code: Qwen3 Coder Next.
Sapat ba ang 128 GB para sa local AI sa Mac?: 47 sa 73 na open model dito ang tumatakbo nang maayos dito sa 4 bit o mas mataas. Bilang default, mga 96 GB nito ang ipinapagamit ng macOS sa GPU; doon dapat magkasya ang model at ang context nito.
Kaya ba ng 128 GB na Mac ang gpt-oss-20b?: Oo, native na 4.25-bit, sa mga 95–168 token bawat segundo sa M3 Max at 189–337 sa M1 Ultra.

Ibang size: 8 GB · 16 GB · 18 GB · 24 GB · 32 GB · 36 GB · 48 GB · 64 GB · 96 GB · 128 GB · 192 GB · 256 GB · 512 GB

Patakbuhin ang mga ito gamit ang MLX Harness (libre, open source) o ang mlx-lm ng Apple sa Terminal: hakbang-hakbang.

Paano ito kinuwenta

Memory: ang mga parameter ng model sa 8, 6, 4, 3 o 2 bit kada weight dagdag ang group scales ng MLX (kalahating bit kada weight), o ang native format nito, at may espasyo pa para sa context. Bilang default, mga 75% ng unified memory ang ipinapagamit ng macOS sa GPU. Bilis: ang memory bandwidth na hinati sa mga byte na binabasa kada token ang pinakamataas na posible para sa isang usapan; sa mga pampublikong benchmark ng llama.cpp sa Apple Silicon, umaabot ang totoong takbo sa mga 45% hanggang 80% nito, at iyon ang range na ipinapakita. Mga tantiya ito, hindi sukat: sukatin ang sarili mong Mac sa MLX Bench. Ang mga numero ng model ay mula sa opisyal na model card ng bawat isa, at ang sa chip ay mula sa Tech Specs ng Apple. Sinuri noong 2026-10-19. Parehong data ng mlx.app/compare.