Qual é o melhor LLM para um M3 com 16 GB?

Entre os modelos com Intelligence Index publicado, MiniCPM5 2B tem a maior pontuação entre os que rodam bem aqui: 8 bits, cerca de 17–30 tokens por segundo. O maior que roda bem é Qwen3 8B.

Um M3 com 16 GB roda Llama 3.3 70B?

Não: mesmo com 2 bits, ele precisa de mais do que os 12 GB que a GPU pode usar por padrão.

Qual é a velocidade do gpt-oss-20b em um M3?

Cerca de 28–50 tokens por segundo (3 bits), pelos 100 GB/s de largura de banda da memória do chip.

Quais LLMs um M3 com 16 GB roda? Modelos e velocidade

Roda bem 24

Cabe com espaço para o contexto, a 10 tokens por segundo ou mais.

Modelo	Versão	Memória	Tokens/s
MiniCPM5 2B2,52B · Inteligência 12,5	8 bits	2,7 GB	17–30
Granite 4.2 8B8B · Inteligência 11,1	4 bits	4,5 GB	10–18
Granite 4.2 3B3B · Inteligência 9,1	8 bits	3,2 GB	14–25
Gemma 4 E4B8B · Inteligência 8,9	6 bits	6,5 GB	12–22
Nemotron 3 Nano 4B3,97B · Inteligência 4,8	8 bits	4,2 GB	11–19
Qwen3 8B8,2B	4 bits	4,6 GB	10–17
Llama 3.1 8B Instruct8B	4 bits	4,5 GB	10–18
Gemma 4 E2B5,1B	8 bits	5,4 GB	19–33
Qwen3.5 4B4B	8 bits	4,3 GB	10–19
Phi-4 mini instruct3,8B	8 bits	4 GB	11–20
Llama 3.2 3B Instruct3,21B	8 bits	3,4 GB	13–24
SmolLM3 3B3B	8 bits	3,2 GB	14–25
LFM2.5 2.6B2,69B	8 bits	2,9 GB	16–28
Qwen3.5 2B2B	8 bits	2,1 GB	21–38
Llama 3.2 1B Instruct1,23B	8 bits	1,3 GB	35–62
Qwen3.5 0.8B0,8B	8 bits	0,9 GB	50–89
Qwen3 0.6B0,6B	8 bits	0,6 GB	75–133
Nemotron 3.5 Lightning 30B A3B30B · 3B ativos · Inteligência 12,9	2 bits qualidade menor	9,4 GB	50–89
gpt-oss-20b21B · 3,6B ativos · Inteligência 9	3 bits qualidade menor	9,2 GB	28–50
Nemotron 3 Nano 30B A3B30B · 3,5B ativos · Inteligência 8,9	2 bits qualidade menor	9,4 GB	41–73
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B ativos	2 bits qualidade menor	9,5 GB	45–80
GLM-4.7 Flash30B · 3B ativos	2 bits qualidade menor	9,4 GB	50–89
Gemma 4 26B A4B25,2B · 3,8B ativos	2 bits qualidade menor	7,9 GB	38–67
LFM2.5 24B A2B24B · 2B ativos	3 bits qualidade menor	10,5 GB	50–89

Roda, mas devagar 13

Cabe, mas abaixo de 10 tokens por segundo: serve para trabalho em lote, mas é lento para chat.

Modelo	Versão	Memória	Tokens/s
Qwen3.5 9B9B · Inteligência 11,2	8 bits	9,6 GB	5–8
Ministral 3 8B8,9B · Inteligência 5,5	8 bits	9,5 GB	5–8
Phi-4 Reasoning Vision 15B15B	4 bits	8,4 GB	5–10
Phi-4 (14B)14B	4 bits	7,9 GB	6–10
Gemma 4 12B Unified12B	6 bits	9,7 GB	5–8
Qwen3.8 27B27B · Inteligência 33,7	2 bits qualidade menor	8,4 GB	5–10
Muse Glimmer 30B29,6B · Inteligência 17,5	2 bits qualidade menor	9,3 GB	5–9
Gemma 4 31B30,7B · Inteligência 14,7	2 bits qualidade menor	9,6 GB	5–8
Granite 4.2 30B30B · Inteligência 12,7	2 bits qualidade menor	9,4 GB	5–9
Qwen3.6 27B27B	2 bits qualidade menor	8,4 GB	5–10
Devstral Small 2 (24B)24B	3 bits qualidade menor	10,5 GB	4–8
Magistral Small 1.2 (2509)24B	3 bits qualidade menor	10,5 GB	4–8
Mistral Small 3.2 (24B)24B	3 bits qualidade menor	10,5 GB	4–8

Cabe no limite 1

Precisa de quase toda a memória: aumente o limite de memória da GPU e mantenha o contexto curto.

Modelo	Versão	Memória	Tokens/s
Qwen3.6 35B A3B35B · 3B ativos · Inteligência 18,2	2 bits qualidade menor	10,9 GB	50–89

Outros Macs

Todos os Macs com 16 GB, de qualquer chip.

O M3 com mais ou menos memória:

Chips vizinhos:

Frente a frente:

Compare com qualquer Mac ou GPU · O M3 para IA local · O melhor Mac para LLMs locais · Todos os Macs

Perguntas

Qual é o melhor LLM para um M3 com 16 GB?: Entre os modelos com Intelligence Index publicado, MiniCPM5 2B tem a maior pontuação entre os que rodam bem aqui: 8 bits, cerca de 17–30 tokens por segundo. O maior que roda bem é Qwen3 8B.
Um M3 com 16 GB roda Llama 3.3 70B?: Não: mesmo com 2 bits, ele precisa de mais do que os 12 GB que a GPU pode usar por padrão.
Qual é a velocidade do gpt-oss-20b em um M3?: Cerca de 28–50 tokens por segundo (3 bits), pelos 100 GB/s de largura de banda da memória do chip.

Rode os modelos com o MLX Harness (grátis, open source) ou com o mlx-lm da Apple no Terminal: passo a passo.

Como é calculado

Memória: os parâmetros do modelo com 8, 6, 4, 3 ou 2 bits por peso, mais as escalas por grupo do MLX (meio bit por peso), ou o formato nativo do modelo, com espaço extra para o contexto. Por padrão, o macOS deixa a GPU usar cerca de 75% da memória unificada. Velocidade: a largura de banda da memória dividida pelos bytes lidos por token é o teto para uma conversa; nos benchmarks públicos de Apple Silicon do llama.cpp, execuções reais chegam a cerca de 45% a 80% desse teto, que é a faixa mostrada. São estimativas, não medições: meça o seu Mac no MLX Bench. Dados dos modelos tirados de cada model card oficial; dados dos chips, das especificações técnicas da Apple. Verificado em 2026-10-19. Os mesmos dados de mlx.app/compare.

O que um M3 com 16 GB roda?