M1 vs M2 untuk AI lokal.

M2 membaca memori sekitar 47% lebih cepat daripada M1 (100 vs 68 GB/s), jadi ia menulis sekitar 47% lebih cepat untuk model apa pun yang muat di keduanya. M2 tersedia hingga 24 GB memori, M1 hingga 16 GB.

M168 GB/shingga 16 GB · 14 model berjalan baikM2100 GB/shingga 24 GB · 20 model berjalan baik

Berdampingan

M1M2
Ukuran memori8, 16 GB8, 16, 24 GB
Bandwidth memori68 GB/s100 GB/s
Untuk model, paling banyaksekitar 12 GBsekitar 18 GB
Model yang berjalan baik14 dari 7320 dari 73
Kelas kursi MLXCoreCore
Ada diMacBook Air (M1, 2020), MacBook Pro (13-inch, M1, 2020), Mac mini (M1, 2020), iMac (24-inch, M1, 2021)MacBook Air (M2, 2022), MacBook Pro (13-inch, M2, 2022), MacBook Air (15-inch, M2, 2023), Mac mini (2023)

Kecepatan dengan model populer

Token per detik untuk satu percakapan, setiap chip pada ukuran memori terbesarnya (16 GB dan 24 GB), dengan versi terbaik model yang muat.

ModelM1M2
Llama 3.1 8B Instruct8B4–6 8-bit10–18 4-bit
gpt-oss-20b21B · 3,6B aktif19–34 3-bit kualitas lebih rendah24–42 4,25-bit bawaan
Qwen3.6 35B A3B35B · 3B aktif34–60 2-bit kualitas lebih rendah35–62 3-bit kualitas lebih rendah
Qwen3.8 27B27B4–6 2-bit kualitas lebih rendah3–5 4-bit
Llama 3.3 70B Instruct70Bterlalu besarterlalu besar
gpt-oss-120b117B · 5,1B aktifterlalu besarterlalu besar
Qwen3.5 122B A10B122B · 10B aktifterlalu besarterlalu besar
DeepSeek V4 Flash 0731284B · 13B aktifterlalu besarterlalu besar

Pertanyaan

Apakah M2 lebih cepat daripada M1 untuk LLM?
M2 membaca memori sekitar 47% lebih cepat daripada M1 (100 vs 68 GB/s), jadi ia menulis sekitar 47% lebih cepat untuk model apa pun yang muat di keduanya. Membaca prompt yang panjang bergantung pada daya komputasi GPU, yang tidak dicakup perbandingan ini.
Mana yang bisa menjalankan model lebih besar, M1 atau M2?
M2: M2 tersedia hingga 24 GB memori, M1 hingga 16 GB. Pada konfigurasi terbesarnya, ia menjalankan 20 dari 73 model terbuka dengan baik, dibandingkan 14.

Perbandingan lainnya

M1 untuk AI lokal · M2 untuk AI lokal · Bandingkan semua model · Mac terbaik untuk LLM lokal

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.

M1 vs M2 untuk LLM: memori, kecepatan, pilih mana