Mac dengan 18 GB
1 chip dari M3 tersedia dengan 18 GB. Buka salah satu untuk daftar dan kecepatannya sendiri.
Berjalan baik 27
Muat dengan ruang untuk konteks, 10 token per detik atau lebih di M3 Pro.
| Model | Versi | Memori | Token/s |
|---|---|---|---|
| MiniCPM5 2B2,52B · Kecerdasan 12,5 | 8-bit | 2,7 GB | 25–44 |
| Qwen3.5 9B9B · Kecerdasan 11,2 | 4-bit | 5,1 GB | 13–24 |
| Granite 4.2 8B8B · Kecerdasan 11,1 | 6-bit | 6,5 GB | 10–18 |
| Granite 4.2 3B3B · Kecerdasan 9,1 | 8-bit | 3,2 GB | 21–38 |
| Gemma 4 E4B8B · Kecerdasan 8,9 | 8-bit | 8,5 GB | 14–25 |
| Ministral 3 8B8,9B · Kecerdasan 5,5 | 4-bit | 5 GB | 14–24 |
| Nemotron 3 Nano 4B3,97B · Kecerdasan 4,8 | 8-bit | 4,2 GB | 16–29 |
| Gemma 4 12B Unified12B | 4-bit | 6,7 GB | 10–18 |
| Qwen3 8B8,2B | 6-bit | 6,7 GB | 10–18 |
| Llama 3.1 8B Instruct8B | 6-bit | 6,5 GB | 10–18 |
| Gemma 4 E2B5,1B | 8-bit | 5,4 GB | 28–50 |
| Qwen3.5 4B4B | 8-bit | 4,3 GB | 16–28 |
| Phi-4 mini instruct3,8B | 8-bit | 4 GB | 17–30 |
| Llama 3.2 3B Instruct3,21B | 8-bit | 3,4 GB | 20–35 |
| SmolLM3 3B3B | 8-bit | 3,2 GB | 21–38 |
| LFM2.5 2.6B2,69B | 8-bit | 2,9 GB | 23–41 |
| Qwen3.5 2B2B | 8-bit | 2,1 GB | 32–57 |
| Llama 3.2 1B Instruct1,23B | 8-bit | 1,3 GB | 52–92 |
| Qwen3.5 0.8B0,8B | 8-bit | 0,9 GB | 75–133 |
| Qwen3 0.6B0,6B | 8-bit | 0,6 GB | 113–200 |
| Qwen3.6 35B A3B35B · 3B aktif · Kecerdasan 18,2 | 2-bit kualitas lebih rendah | 10,9 GB | 75–133 |
| Nemotron 3.5 Lightning 30B A3B30B · 3B aktif · Kecerdasan 12,9 | 2-bit kualitas lebih rendah | 9,4 GB | 75–133 |
| Nemotron 3 Nano 30B A3B30B · 3,5B aktif · Kecerdasan 8,9 | 2-bit kualitas lebih rendah | 9,4 GB | 61–109 |
| Qwen3 Coder 30B A3B Instruct30,5B · 3,3B aktif | 2-bit kualitas lebih rendah | 9,5 GB | 68–120 |
| GLM-4.7 Flash30B · 3B aktif | 2-bit kualitas lebih rendah | 9,4 GB | 75–133 |
| Gemma 4 26B A4B25,2B · 3,8B aktif | 3-bit kualitas lebih rendah | 11 GB | 40–71 |
| LFM2.5 24B A2B24B · 2B aktif | 3-bit kualitas lebih rendah | 10,5 GB | 75–133 |
Berjalan, tapi lambat 10
Muat, tapi di bawah 10 token per detik: cocok untuk pekerjaan batch, lambat untuk chat.
| Model | Versi | Memori | Token/s |
|---|---|---|---|
| Phi-4 Reasoning Vision 15B15B | 4-bit | 8,4 GB | 8–14 |
| Phi-4 (14B)14B | 6-bit | 11,4 GB | 6–11 |
| Qwen3.8 27B27B · Kecerdasan 33,7 | 3-bit kualitas lebih rendah | 11,8 GB | 6–10 |
| Muse Glimmer 30B29,6B · Kecerdasan 17,5 | 2-bit kualitas lebih rendah | 9,3 GB | 7–13 |
| Gemma 4 31B30,7B · Kecerdasan 14,7 | 2-bit kualitas lebih rendah | 9,6 GB | 7–13 |
| Granite 4.2 30B30B · Kecerdasan 12,7 | 2-bit kualitas lebih rendah | 9,4 GB | 7–13 |
| Qwen3.6 27B27B | 3-bit kualitas lebih rendah | 11,8 GB | 6–10 |
| Devstral Small 2 (24B)24B | 3-bit kualitas lebih rendah | 10,5 GB | 6–11 |
| Magistral Small 1.2 (2509)24B | 3-bit kualitas lebih rendah | 10,5 GB | 6–11 |
| Mistral Small 3.2 (24B)24B | 3-bit kualitas lebih rendah | 10,5 GB | 6–11 |
Pas-pasan muat 1
Butuh hampir seluruh memori: naikkan batas memori GPU dan buat konteks tetap pendek.
| Model | Versi | Memori | Token/s |
|---|---|---|---|
| gpt-oss-20b21B · 3,6B aktif · Kecerdasan 9 | 4,25-bit bawaan | 13,8 GB | 36–63 |
Terlalu besar 35
Butuh memori lebih dari 18 GB, bahkan pada 2 bit.
- MiMo V2.6 Pro1.020B
- Kimi K32.800B
- MiMo V2.6 Flash309B
- Kimi K2.7 Code1.000B
- gpt-oss-120b117B
- Kimi K2.61.000B
- DeepSeek V4.1 Flash 1017552B
- GLM-5.3744B
- GLM-5.3 Flash320B
- Qwen3.8 2.4T A95B2.400B
- Qwen3.8 Flash Next180B
- Muse Spark Open816B
- DeepSeek V4 Pro 08131.600B
- Beam 1.0501B
- MiniMax M3428B
- Inkling Small276B
- Hy3295B
- Inkling975B
- Nemotron 3 Ultra 550B A55B550B
- Nemotron 3.5 Bolt 74B A9B74B
- Qwen3.5 397B A17B397B
- Qwen3.5 122B A10B122B
- Mistral Medium 3.5 (128B)128B
- Mistral Small 4 (119B)119B
- Llama 4 Maverick 17B-128E Instruct400B
- Qwen3 Coder Next80B
- Llama 4 Scout 17B-16E Instruct109B
- Mistral Large 3 (675B)675B
- DeepSeek V4 Flash 0731284B
- MiniMax M2.7230B
- Devstral 2 (123B)123B
- Ornith 1.5 122B122B
- Nemotron 3 Super 120B A12B120B
- GLM-4.5 Air106B
- Llama 3.3 70B Instruct70B
Pertanyaan
- Apa LLM terbaik untuk Mac dengan 18 GB?
- Dari model yang punya skor Intelligence Index terbitan, MiniCPM5 2B mendapat skor tertinggi di antara yang berjalan baik di 18 GB (8-bit). Yang terbesar yang berjalan baik adalah Gemma 4 12B Unified.
- Apakah 18 GB cukup untuk AI lokal di Mac?
- 20 dari 73 model terbuka di sini berjalan baik di dalamnya pada 4 bit atau lebih baik. Secara bawaan macOS mengizinkan GPU memakai sekitar 14 GB darinya; model beserta konteksnya harus muat di situ.
- Bisakah Mac 18 GB menjalankan gpt-oss-20b?
- Pas-pasan: naikkan batas memori GPU dan buat konteks tetap pendek.
Ukuran lain: 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
Jalankan dengan MLX Harness (gratis, open source) atau mlx-lm dari Apple di Terminal: langkah demi langkah.
Cara menghitungnya
Memori: parameter model pada 8, 6, 4, 3, atau 2 bit per bobot ditambah skala grup MLX (setengah bit per bobot), atau format bawaannya, ditambah ruang untuk konteks. Secara bawaan macOS mengizinkan GPU memakai sekitar 75% memori terpadu. Kecepatan: bandwidth memori dibagi jumlah byte yang dibaca per token adalah batas atas untuk satu percakapan; dalam benchmark Apple Silicon publik llama.cpp, proses nyata mencapai sekitar 45% hingga 80% darinya, dan rentang itulah yang ditampilkan. Ini perkiraan, bukan pengukuran: ukur Mac Anda sendiri di MLX Bench. Angka model dari kartu model resmi masing-masing, angka chip dari Spesifikasi Teknis Apple. Diperiksa 2026-10-19. Data sama dengan mlx.app/compare.