MasukBuat dompet

Apa yang bisa dijalankan M6 dengan 32 GB?

29 dari 73 model terbuka berjalan baik di sini. Secara bawaan GPU bisa memakai sekitar 24 GB dari 32 GB, dan membaca memori pada 170 GB/s, yang menentukan kecepatan menulisnya. Ada di: Mac mini (M6 or M5 Pro).

Paling cerdas yang berjalan baikQwen3.6 35B A3B4-bit · 19,7 GB · 45–80 tok/sTerbesar yang berjalan baikQwen3.6 35B A3B4-bit · 19,7 GB · 45–80 tok/sUntuk kodeQwen3 Coder 30B A3B Instruct4-bit · 17,2 GB · 40–72 tok/s

Berjalan baik 29

Muat dengan ruang untuk konteks, 10 token per detik atau lebih.

ModelVersiMemoriToken/s
Qwen3.6 35B A3B35B · 3B aktif · Kecerdasan 18,24-bit19,7 GB45–80
Nemotron 3.5 Lightning 30B A3B30B · 3B aktif · Kecerdasan 12,94-bit16,9 GB45–80
MiniCPM5 2B2,52B · Kecerdasan 12,58-bit2,7 GB28–50
Qwen3.5 9B9B · Kecerdasan 11,26-bit7,3 GB10–19
Granite 4.2 8B8B · Kecerdasan 11,16-bit6,5 GB12–21
Granite 4.2 3B3B · Kecerdasan 9,18-bit3,2 GB24–43
gpt-oss-20b21B · 3,6B aktif · Kecerdasan 94,25-bit bawaan13,8 GB40–72
Nemotron 3 Nano 30B A3B30B · 3,5B aktif · Kecerdasan 8,94-bit16,9 GB38–68
Gemma 4 E4B8B · Kecerdasan 8,98-bit8,5 GB16–28
Ministral 3 8B8,9B · Kecerdasan 5,56-bit7,2 GB11–19
Nemotron 3 Nano 4B3,97B · Kecerdasan 4,88-bit4,2 GB18–32
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B aktif4-bit17,2 GB40–72
GLM-4.7 Flash30B · 3B aktif4-bit16,9 GB45–80
Gemma 4 26B A4B25,2B · 3,8B aktif6-bit20,5 GB25–44
LFM2.5 24B A2B24B · 2B aktif6-bit19,5 GB48–85
Phi-4 (14B)14B4-bit7,9 GB10–17
Gemma 4 12B Unified12B4-bit6,7 GB11–20
Qwen3 8B8,2B6-bit6,7 GB11–20
Llama 3.1 8B Instruct8B6-bit6,5 GB12–21
Gemma 4 E2B5,1B8-bit5,4 GB32–57
Qwen3.5 4B4B8-bit4,3 GB18–32
Phi-4 mini instruct3,8B8-bit4 GB19–34
Llama 3.2 3B Instruct3,21B8-bit3,4 GB23–40
SmolLM3 3B3B8-bit3,2 GB24–43
LFM2.5 2.6B2,69B8-bit2,9 GB26–47
Qwen3.5 2B2B8-bit2,1 GB36–65
Llama 3.2 1B Instruct1,23B8-bit1,3 GB59–105
Qwen3.5 0.8B0,8B8-bit0,9 GB85–151
Qwen3 0.6B0,6B8-bit0,6 GB128–227

Berjalan, tapi lambat 10

Muat, tapi di bawah 10 token per detik: cocok untuk pekerjaan batch, lambat untuk chat.

ModelVersiMemoriToken/s
Qwen3.8 27B27B · Kecerdasan 33,76-bit21,9 GB3–6
Muse Glimmer 30B29,6B · Kecerdasan 17,54-bit16,7 GB5–8
Gemma 4 31B30,7B · Kecerdasan 14,74-bit17,3 GB4–8
Granite 4.2 30B30B · Kecerdasan 12,74-bit16,9 GB5–8
Qwen3.6 27B27B6-bit21,9 GB3–6
Devstral Small 2 (24B)24B6-bit19,5 GB4–7
Magistral Small 1.2 (2509)24B6-bit19,5 GB4–7
Mistral Small 3.2 (24B)24B6-bit19,5 GB4–7
Phi-4 Reasoning Vision 15B15B8-bit15,9 GB5–9
Llama 3.3 70B Instruct70B2-bit kualitas lebih rendah21,9 GB3–6

Pas-pasan muat 2

Butuh hampir seluruh memori: naikkan batas memori GPU dan buat konteks tetap pendek.

ModelVersiMemoriToken/s
Nemotron 3.5 Bolt 74B A9B74B · 9B aktif · Kecerdasan 21,42-bit kualitas lebih rendah23,1 GB27–49
Qwen3 Coder Next80B · 3B aktif · Kecerdasan 9,22-bit kualitas lebih rendah25 GB85–151

Terlalu besar 32

Butuh memori lebih dari 32 GB, bahkan pada 2 bit.

Mac lain

Semua Mac dengan 32 GB, dari chip apa pun.

M6 dengan memori lebih besar atau lebih kecil:

Chip terdekat:

Adu langsung:

Bandingkan dengan Mac atau GPU apa pun · M6 untuk AI lokal · Mac terbaik untuk LLM lokal · Semua Mac

Pertanyaan

Apa LLM terbaik untuk M6 dengan 32 GB?
Dari model yang punya skor Intelligence Index terbitan, Qwen3.6 35B A3B mendapat skor tertinggi di antara yang berjalan baik di sini: 4-bit, sekitar 45–80 token per detik.
Bisakah M6 dengan 32 GB menjalankan Llama 3.3 70B?
Ya, tapi lambat: 2-bit (kualitas lebih rendah), sekitar 3–6 token per detik.
Seberapa cepat gpt-oss-20b di M6?
Sekitar 40–72 token per detik (4,25-bit bawaan), dari bandwidth memori chip sebesar 170 GB/s.

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.

LLM apa yang jalan di M6 32 GB? Model dan kecepatan