Apakah LLM terbaik untuk Mac dengan 96 GB?

Antara model yang mempunyai skor Intelligence Index yang diterbitkan, Qwen3.8 27B mendapat skor tertinggi dalam kalangan yang berjalan baik dalam 96 GB (8-bit). Yang terbesar yang berjalan baik ialah gpt-oss-120b. Untuk kod: Qwen3 Coder Next.

Adakah 96 GB cukup untuk AI tempatan pada Mac?

44 daripada 73 model terbuka di sini berjalan baik di dalamnya pada 4 bit atau lebih baik. Secara lalai macOS membenarkan GPU menggunakan kira-kira 72 GB daripadanya; model dan konteksnya mesti muat di situ.

Bolehkah Mac 96 GB menjalankan gpt-oss-20b?

Ya, 4.25-bit asli, kira-kira 71–126 token sesaat pada M3 Max dan 284–505 pada M5 Ultra.

LLM tempatan terbaik untuk Mac 96 GB (M2 hingga M5)

Mac dengan 96 GB

4 cip daripada M2 hingga M5 tersedia dengan 96 GB. Buka satu untuk senarai dan kelajuannya sendiri.

Berjalan baik 51

Muat dengan ruang untuk konteks, 10 token sesaat atau lebih pada M5 Ultra.

Model	Versi	Memori	M3 Max	M5 Ultra
Qwen3.8 27B27B · Kecerdasan 33.7	8-bit	28.7 GB	5–8	19–33
Nemotron 3.5 Bolt 74B A9B74B · 9B aktif · Kecerdasan 21.4	6-bit	60.1 GB	18–33	74–132
Qwen3.6 35B A3B35B · 3B aktif · Kecerdasan 18.2	8-bit	37.2 GB	42–75	169–300
Muse Glimmer 30B29.6B · Kecerdasan 17.5	8-bit	31.5 GB	4–8	17–30
Gemma 4 31B30.7B · Kecerdasan 14.7	8-bit	32.6 GB	4–7	17–29
Nemotron 3.5 Lightning 30B A3B30B · 3B aktif · Kecerdasan 12.9	8-bit	31.9 GB	42–75	169–300
Granite 4.2 30B30B · Kecerdasan 12.7	8-bit	31.9 GB	4–8	17–30
MiniCPM5 2B2.52B · Kecerdasan 12.5	8-bit	2.7 GB	50–89	200–356
gpt-oss-120b117B · 5.1B aktif · Kecerdasan 11.6	4.25-bit asli	65.3 GB	50–89	200–356
Qwen3.5 9B9B · Kecerdasan 11.2	8-bit	9.6 GB	14–25	56–100
Granite 4.2 8B8B · Kecerdasan 11.1	8-bit	8.5 GB	16–28	64–113
Qwen3 Coder Next80B · 3B aktif · Kecerdasan 9.2	6-bit	65 GB	56–100	225–400
Granite 4.2 3B3B · Kecerdasan 9.1	8-bit	3.2 GB	42–75	169–300
gpt-oss-20b21B · 3.6B aktif · Kecerdasan 9	4.25-bit asli	13.8 GB	71–126	284–505
Nemotron 3 Nano 30B A3B30B · 3.5B aktif · Kecerdasan 8.9	8-bit	31.9 GB	36–65	146–259
Gemma 4 E4B8B · Kecerdasan 8.9	8-bit	8.5 GB	28–50	113–200
Llama 4 Scout 17B-16E Instruct109B · 17B aktif · Kecerdasan 6.5	4-bit	61.3 GB	14–25	56–100
Ministral 3 8B8.9B · Kecerdasan 5.5	8-bit	9.5 GB	14–25	57–101
Nemotron 3 Nano 4B3.97B · Kecerdasan 4.8	8-bit	4.2 GB	32–57	129–229
GLM-4.5 Air106B · 12B aktif	4-bit	59.6 GB	20–35	79–141
Llama 3.3 70B Instruct70B	4-bit	39.4 GB	2–4	14–24
Qwen3 Coder 30B A3B Instruct30.5B · 3.3B aktif	8-bit	32.4 GB	39–69	154–274
GLM-4.7 Flash30B · 3B aktif	8-bit	31.9 GB	42–75	169–300
Qwen3.6 27B27B	8-bit	28.7 GB	5–8	19–33
Gemma 4 26B A4B25.2B · 3.8B aktif	8-bit	26.8 GB	34–60	135–240
Devstral Small 2 (24B)24B	8-bit	25.5 GB	10–18	21–38
Magistral Small 1.2 (2509)24B	8-bit	25.5 GB	10–18	21–38
Mistral Small 3.2 (24B)24B	8-bit	25.5 GB	10–18	21–38
LFM2.5 24B A2B24B · 2B aktif	8-bit	25.5 GB	64–114	257–457
Phi-4 Reasoning Vision 15B15B	8-bit	15.9 GB	11–20	34–60
Phi-4 (14B)14B	8-bit	14.9 GB	12–21	36–64
Gemma 4 12B Unified12B	8-bit	12.7 GB	11–19	43–76
Qwen3 8B8.2B	8-bit	8.7 GB	16–28	62–110
Llama 3.1 8B Instruct8B	8-bit	8.5 GB	16–28	64–113
Gemma 4 E2B5.1B	8-bit	5.4 GB	56–100	225–400
Qwen3.5 4B4B	8-bit	4.3 GB	31–56	126–223
Phi-4 mini instruct3.8B	8-bit	4 GB	34–60	135–240
Llama 3.2 3B Instruct3.21B	8-bit	3.4 GB	40–71	159–282
SmolLM3 3B3B	8-bit	3.2 GB	42–75	169–300
LFM2.5 2.6B2.69B	8-bit	2.9 GB	47–83	186–331
Qwen3.5 2B2B	8-bit	2.1 GB	64–114	257–457
Llama 3.2 1B Instruct1.23B	8-bit	1.3 GB	104–185	415–738
Qwen3.5 0.8B0.8B	8-bit	0.9 GB	150–267	600–1067
Qwen3 0.6B0.6B	8-bit	0.6 GB	225–400	900–1600
Qwen3.8 Flash Next180B · 6B aktif · Kecerdasan 39.8	2-bit kualiti lebih rendah	56.3 GB	71–126	284–505
Qwen3.5 122B A10B122B · 10B aktif · Kecerdasan 15.6	3-bit kualiti lebih rendah	53.4 GB	31–55	123–218
Mistral Medium 3.5 (128B)128B · Kecerdasan 14.2	3-bit kualiti lebih rendah	56 GB	2–4	10–17
Mistral Small 4 (119B)119B · 6.5B aktif · Kecerdasan 11.3	3-bit kualiti lebih rendah	52.1 GB	48–86	193–343
Devstral 2 (123B)123B	3-bit kualiti lebih rendah	53.8 GB	3–4	10–18
Ornith 1.5 122B122B · 10B aktif	3-bit kualiti lebih rendah	53.4 GB	31–55	123–218
Nemotron 3 Super 120B A12B120B · 12B aktif	3-bit kualiti lebih rendah	52.5 GB	25–45	102–181

Cukup-cukup muat 1

Memerlukan hampir semua memori: naikkan had memori GPU dan pastikan konteks pendek.

Model	Versi	Memori	M3 Max	M5 Ultra
MiniMax M2.7230B · 10B aktif	2-bit kualiti lebih rendah	71.9 GB	44–77	174–310

Soalan

Apakah LLM terbaik untuk Mac dengan 96 GB?: Antara model yang mempunyai skor Intelligence Index yang diterbitkan, Qwen3.8 27B mendapat skor tertinggi dalam kalangan yang berjalan baik dalam 96 GB (8-bit). Yang terbesar yang berjalan baik ialah gpt-oss-120b. Untuk kod: Qwen3 Coder Next.
Adakah 96 GB cukup untuk AI tempatan pada Mac?: 44 daripada 73 model terbuka di sini berjalan baik di dalamnya pada 4 bit atau lebih baik. Secara lalai macOS membenarkan GPU menggunakan kira-kira 72 GB daripadanya; model dan konteksnya mesti muat di situ.
Bolehkah Mac 96 GB menjalankan gpt-oss-20b?: Ya, 4.25-bit asli, kira-kira 71–126 token sesaat pada M3 Max dan 284–505 pada M5 Ultra.

Saiz 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 (percuma, sumber terbuka) atau mlx-lm daripada Apple dalam Terminal: langkah demi langkah.

Cara ia dikira

Memori: parameter model pada 8, 6, 4, 3 atau 2 bit setiap pemberat serta skala kumpulan MLX (setengah bit setiap pemberat), atau format aslinya, dengan ruang untuk konteks di atasnya. Secara lalai macOS membenarkan GPU menggunakan kira-kira 75% memori bersatu. Kelajuan: lebar jalur memori dibahagikan dengan bait yang dibaca bagi setiap token ialah had atas untuk satu perbualan; dalam penanda aras Apple Silicon awam llama.cpp, larian sebenar mencapai kira-kira 45% hingga 80% daripadanya, dan julat itulah yang ditunjukkan. Ini anggaran, bukan ukuran: ukur Mac anda sendiri di MLX Bench. Angka model daripada kad model rasmi setiap model, angka cip daripada Spesifikasi Teknikal Apple. Disemak 2026-10-19. Data yang sama seperti mlx.app/compare.

LLM terbaik untuk Mac 96 GB.