Jaki LLM jest najlepszy dla Maca z 24 GB?

Spośród modeli z opublikowanym Intelligence Index najwyżej ocenianym z tych, które działają dobrze w 24 GB, jest MiniCPM5 2B (8-bit). Największy z dobrze działających to Gemma 4 26B A4B. Do kodu: Devstral Small 2 (24B).

Czy 24 GB wystarczy do lokalnej AI na Macu?

28 z 73 otwartych modeli z tej listy działa w tej pamięci dobrze przy 4 bitach lub więcej. macOS domyślnie pozwala GPU używać około 18 GB; model i jego kontekst muszą się w tym zmieścić.

Czy Mac z 24 GB uruchomi gpt-oss-20b?

Tak, natywnie 4,25-bit: około 24–42 tokenów na sekundę na M3 i 73–129 na M5 Pro.

Najlepsze lokalne LLM dla Maca z 24 GB (M2

Maki z 24 GB

Układy M2–M6 z 24 GB: 7. Otwórz dowolny, by zobaczyć jego listę i szybkości.

Działają dobrze 36

Mieści się z zapasem na kontekst, 10 lub więcej tokenów na sekundę na M5 Pro.

Model	Wersja	Pamięć	M3	M5 Pro
MiniCPM5 2B2,52B · Inteligencja 12,5	8-bit	2,7 GB	17–30	51–91
Qwen3.5 9B9B · Inteligencja 11,2	8-bit	9,6 GB	5–8	14–26
Granite 4.2 8B8B · Inteligencja 11,1	8-bit	8,5 GB	10–18	16–29
Granite 4.2 3B3B · Inteligencja 9,1	8-bit	3,2 GB	14–25	43–77
gpt-oss-20b21B · aktywne: 3,6B · Inteligencja 9	natywnie 4,25-bit	13,8 GB	24–42	73–129
Gemma 4 E4B8B · Inteligencja 8,9	8-bit	8,5 GB	12–22	29–51
Ministral 3 8B8,9B · Inteligencja 5,5	8-bit	9,5 GB	5–8	15–26
Nemotron 3 Nano 4B3,97B · Inteligencja 4,8	8-bit	4,2 GB	11–19	33–58
Gemma 4 26B A4B25,2B · aktywne: 3,8B	4-bit	14,2 GB	21–38	66–117
Devstral Small 2 (24B)24B	4-bit	13,5 GB	3–6	10–18
Magistral Small 1.2 (2509)24B	4-bit	13,5 GB	3–6	10–18
Mistral Small 3.2 (24B)24B	4-bit	13,5 GB	3–6	10–18
LFM2.5 24B A2B24B · aktywne: 2B	4-bit	13,5 GB	41–73	126–223
Phi-4 Reasoning Vision 15B15B	6-bit	12,2 GB	3–5	11–20
Phi-4 (14B)14B	6-bit	11,4 GB	3–5	12–22
Gemma 4 12B Unified12B	8-bit	12,7 GB	4–6	11–19
Qwen3 8B8,2B	8-bit	8,7 GB	10–17	16–28
Llama 3.1 8B Instruct8B	8-bit	8,5 GB	10–18	16–29
Gemma 4 E2B5,1B	8-bit	5,4 GB	19–33	58–102
Qwen3.5 4B4B	8-bit	4,3 GB	10–19	32–57
Phi-4 mini instruct3,8B	8-bit	4 GB	11–20	35–61
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	13–24	41–72
SmolLM3 3B3B	8-bit	3,2 GB	14–25	43–77
LFM2.5 2.6B2,69B	8-bit	2,9 GB	16–28	48–85
Qwen3.5 2B2B	8-bit	2,1 GB	21–38	66–117
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	35–62	106–189
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	50–89	154–273
Qwen3 0.6B0,6B	8-bit	0,6 GB	75–133	230–409
Qwen3.6 35B A3B35B · aktywne: 3B · Inteligencja 18,2	3-bit niższa jakość	15,3 GB	35–62	106–189
Muse Glimmer 30B29,6B · Inteligencja 17,5	3-bit niższa jakość	13 GB	3–6	11–19
Gemma 4 31B30,7B · Inteligencja 14,7	3-bit niższa jakość	13,4 GB	3–6	10–18
Nemotron 3.5 Lightning 30B A3B30B · aktywne: 3B · Inteligencja 12,9	3-bit niższa jakość	13,1 GB	35–62	106–189
Granite 4.2 30B30B · Inteligencja 12,7	3-bit niższa jakość	13,1 GB	3–6	11–19
Nemotron 3 Nano 30B A3B30B · aktywne: 3,5B · Inteligencja 8,9	3-bit niższa jakość	13,1 GB	30–53	92–164
Qwen3 Coder 30B A3B Instruct30,5B · aktywne: 3,3B	3-bit niższa jakość	13,3 GB	32–57	99–175
GLM-4.7 Flash30B · aktywne: 3B	3-bit niższa jakość	13,1 GB	35–62	106–189

Działają, ale wolno 2

Mieści się, ale poniżej 10 tokenów na sekundę: dobre do pracy wsadowej, wolne do czatu.

Model	Wersja	Pamięć	M3	M5 Pro
Qwen3.8 27B27B · Inteligencja 33,7	4-bit	15,2 GB	3–5	9–16
Qwen3.6 27B27B	4-bit	15,2 GB	3–5	9–16

Pytania

Jaki LLM jest najlepszy dla Maca z 24 GB?: Spośród modeli z opublikowanym Intelligence Index najwyżej ocenianym z tych, które działają dobrze w 24 GB, jest MiniCPM5 2B (8-bit). Największy z dobrze działających to Gemma 4 26B A4B. Do kodu: Devstral Small 2 (24B).
Czy 24 GB wystarczy do lokalnej AI na Macu?: 28 z 73 otwartych modeli z tej listy działa w tej pamięci dobrze przy 4 bitach lub więcej. macOS domyślnie pozwala GPU używać około 18 GB; model i jego kontekst muszą się w tym zmieścić.
Czy Mac z 24 GB uruchomi gpt-oss-20b?: Tak, natywnie 4,25-bit: około 24–42 tokenów na sekundę na M3 i 73–129 na M5 Pro.

Inne rozmiary: 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

Uruchamiaj je w MLX Harness (za darmo, otwarte źródło) albo przez mlx-lm od Apple w Terminalu: krok po kroku.

Jak to liczymy

Pamięć: parametry modelu przy 8, 6, 4, 3 lub 2 bitach na wagę plus skale grup MLX (pół bita na wagę) albo jego natywny format, a do tego miejsce na kontekst. Domyślnie macOS pozwala GPU używać około 75% pamięci zunifikowanej. Szybkość: przepustowość pamięci podzielona przez liczbę bajtów odczytywanych na token to górna granica dla jednej rozmowy; w publicznych testach llama.cpp na Apple Silicon rzeczywiste uruchomienia osiągają od około 45% do 80% tej wartości i właśnie ten zakres pokazujemy. To szacunki, nie pomiary: zmierz swojego Maca w MLX Bench. Dane modeli pochodzą z oficjalnych kart modeli, dane układów ze specyfikacji technicznych Apple. Sprawdzono 2026-10-19. Te same dane co na mlx.app/compare.

Najlepsze LLM dla Maca z 24 GB.