Memori di setiap presisi
| Versi | Bobot | Dengan konteks | Mac terkecil |
|---|---|---|---|
| 8-bit | 26,8 GB | 28,9 GB | 48 GB |
| 6-bit | 20,5 GB | 22,1 GB | 32 GB |
| 4-bit | 14,2 GB | 15,7 GB | 24 GB |
| 3-bit kualitas lebih rendah | 11 GB | 12,5 GB | 18 GB |
| 2-bit kualitas lebih rendah | 7,9 GB | 9,4 GB | 16 GB |
Di setiap chip Apple
Ukuran memori terkecil setiap chip yang bisa menjalankan Gemma 4 26B A4B, versi terbaik yang muat, dan kecepatan menulis yang bisa Anda harapkan.
| Chip | Butuh | Versi | Token/s |
|---|---|---|---|
| M6 | 24 GB | 4-bit Berjalan baik | 36–65 |
| M5 Ultra | 96 GB | 8-bit Berjalan baik | 135–240 |
| M5 Max | 36 GB | 6-bit Berjalan baik | 67–119 |
| M5 Pro | 24 GB | 4-bit Berjalan baik | 66–117 |
| M5 | 24 GB | 4-bit Berjalan baik | 33–58 |
| M4 Max | 36 GB | 6-bit Berjalan baik | 60–106 |
| M4 Pro | 24 GB | 4-bit Berjalan baik | 59–104 |
| M4 | 24 GB | 4-bit Berjalan baik | 26–46 |
| M3 Ultra | 96 GB | 8-bit Berjalan baik | 92–164 |
| M3 Max | 36 GB | 6-bit Berjalan baik | 44–77 |
| M3 Pro | 36 GB | 6-bit Berjalan baik | 22–39 |
| M3 | 24 GB | 4-bit Berjalan baik | 21–38 |
| M2 Ultra | 64 GB | 8-bit Berjalan baik | 90–160 |
| M2 Max | 32 GB | 6-bit Berjalan baik | 58–103 |
| M2 Pro | 32 GB | 6-bit Berjalan baik | 29–52 |
| M2 | 24 GB | 4-bit Berjalan baik | 21–38 |
| M1 Ultra | 64 GB | 8-bit Berjalan baik | 90–160 |
| M1 Max | 32 GB | 6-bit Berjalan baik | 58–103 |
| M1 Pro | 32 GB | 6-bit Berjalan baik | 29–52 |
| M1 | 16 GB | 2-bit Berjalan baik | 26–45 |
Cara menjalankannya
- Cara mudah: unduh MLX Harness, gratis dan open source. Cari Gemma 4 26B A4B, unduh versi yang cocok untuk Mac Anda, lalu mulai chat. Aplikasi ini juga menyajikan model ke aplikasi Anda yang lain melalui API yang kompatibel dengan OpenAI.Unduh MLX HarnessGratis · Apple Silicon · macOS 14.5 atau lebih baru
- Di Terminal dengan MLX dari Apple:
pip install mlx-lmmlx_lm.chat --model mlx-community/gemma-4-26b-a4b-it-4bitBuild: mlx-community/gemma-4-26b-a4b-it-4bit di Hugging Face. Presisi lain ada di sebelahnya.
Langkah demi langkah: unduh dan jalankan LLM di Mac · cara memakai MLX Harness · MLX vs Ollama vs llama.cpp
Tentang Gemma 4 26B A4B
| Dibuat oleh | Google DeepMind |
|---|---|
| Parameter | 25,2B total · 3,8B aktif (mixture of experts) |
| Konteks | 256K token |
| Lisensi | Apache-2.0 |
| Dirilis | 2026-03 |
| Input | Teks dan gambar |
| Bobot | google/gemma-4-26B-A4B-it |
Pertanyaan
- Berapa memori yang dibutuhkan Gemma 4 26B A4B?
- Sekitar 14,2 GB untuk bobot pada 4-bit, ditambah ruang untuk konteks: total 15,7 GB. Di Mac artinya memori terpadu 24 GB atau lebih, karena secara bawaan macOS mengizinkan GPU memakai sekitar 75% darinya.
- Seberapa cepat Gemma 4 26B A4B di Mac?
- Kecepatan menulis bergantung pada bandwidth memori. Mac tercepat untuknya di sini adalah M5 Ultra dengan 96 GB, sekitar 135–240 token per detik (8-bit). Mac terkecil yang bisa menjalankannya, dengan 24 GB, mencapai sekitar 66–117 pada M5 Pro.
- Mengapa Gemma 4 26B A4B berjalan lebih cepat daripada ukurannya?
- Ini model mixture-of-experts: ia menyimpan 25,2B parameter di memori tetapi hanya membaca 3,8B untuk setiap token, sehingga menulis secepat model yang jauh lebih kecil.
Model serupa
Untuk kartu model atau README Anda
Menampilkan Mac terkecil yang menjalankan Gemma 4 26B A4B dengan baik dan menautkan ke sini.
[](https://mlx.app/run/gemma-4-26b-a4b)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.