நன்றாக இயங்குபவை 21
கான்டெக்ஸ்ட்டுக்கு இடம் விட்டுப் பொருந்துகின்றன, வினாடிக்கு 10 அல்லது அதற்கு மேல் டோக்கன்களில்.
| மாடல் | பதிப்பு | மெமரி | டோக்கன்கள்/வினாடி |
|---|---|---|---|
| MiniCPM5 2B2.52B · இன்டெலிஜென்ஸ் 12.5 | 8-பிட் | 2.7 GB | 17–30 |
| Granite 4.2 8B8B · இன்டெலிஜென்ஸ் 11.1 | 4-பிட் | 4.5 GB | 10–18 |
| Granite 4.2 3B3B · இன்டெலிஜென்ஸ் 9.1 | 8-பிட் | 3.2 GB | 14–25 |
| Gemma 4 E4B8B · இன்டெலிஜென்ஸ் 8.9 | 4-பிட் | 4.5 GB | 18–32 |
| Nemotron 3 Nano 4B3.97B · இன்டெலிஜென்ஸ் 4.8 | 8-பிட் | 4.2 GB | 11–19 |
| Llama 3.1 8B Instruct8B | 4-பிட் | 4.5 GB | 10–18 |
| Gemma 4 E2B5.1B | 6-பிட் | 4.1 GB | 24–42 |
| Qwen3.5 4B4B | 8-பிட் | 4.3 GB | 10–19 |
| Phi-4 mini instruct3.8B | 8-பிட் | 4 GB | 11–20 |
| Llama 3.2 3B Instruct3.21B | 8-பிட் | 3.4 GB | 13–24 |
| SmolLM3 3B3B | 8-பிட் | 3.2 GB | 14–25 |
| LFM2.5 2.6B2.69B | 8-பிட் | 2.9 GB | 16–28 |
| Qwen3.5 2B2B | 8-பிட் | 2.1 GB | 21–38 |
| Llama 3.2 1B Instruct1.23B | 8-பிட் | 1.3 GB | 35–62 |
| Qwen3.5 0.8B0.8B | 8-பிட் | 0.9 GB | 50–89 |
| Qwen3 0.6B0.6B | 8-பிட் | 0.6 GB | 75–133 |
| Qwen3.5 9B9B · இன்டெலிஜென்ஸ் 11.2 | 3-பிட் குறைந்த தரம் | 3.9 GB | 12–21 |
| Ministral 3 8B8.9B · இன்டெலிஜென்ஸ் 5.5 | 3-பிட் குறைந்த தரம் | 3.9 GB | 12–21 |
| Phi-4 (14B)14B | 2-பிட் குறைந்த தரம் | 4.4 GB | 10–18 |
| Gemma 4 12B Unified12B | 2-பிட் குறைந்த தரம் | 3.7 GB | 12–22 |
| Qwen3 8B8.2B | 3-பிட் குறைந்த தரம் | 3.6 GB | 13–22 |
விளிம்பில் பொருந்துபவை 1
கிட்டத்தட்ட முழு மெமரியும் தேவை: GPU மெமரி வரம்பை உயர்த்தி, கான்டெக்ஸ்ட்டைச் சுருக்கமாக வையுங்கள்.
| மாடல் | பதிப்பு | மெமரி | டோக்கன்கள்/வினாடி |
|---|---|---|---|
| Phi-4 Reasoning Vision 15B15B | 2-பிட் குறைந்த தரம் | 4.7 GB | 10–17 |
மிகப் பெரியவை 51
8 GB-ஐ விட அதிக மெமரி தேவை, 2 பிட்டிலும் கூட.
- MiMo V2.6 Pro1,020B
- Kimi K32,800B
- MiMo V2.6 Flash309B
- Kimi K2.7 Code1,000B
- gpt-oss-120b117B
- gpt-oss-20b21B
- Kimi K2.61,000B
- DeepSeek V4.1 Flash 1017552B
- GLM-5.3744B
- GLM-5.3 Flash320B
- Qwen3.8 2.4T A95B2,400B
- Qwen3.8 Flash Next180B
- Muse Spark Open816B
- DeepSeek V4 Pro 08131,600B
- Qwen3.8 27B27B
- Beam 1.0501B
- MiniMax M3428B
- Inkling Small276B
- Hy3295B
- Inkling975B
- Nemotron 3 Ultra 550B A55B550B
- Nemotron 3.5 Bolt 74B A9B74B
- Qwen3.5 397B A17B397B
- Qwen3.6 35B A3B35B
- Muse Glimmer 30B29.6B
- Qwen3.5 122B A10B122B
- Gemma 4 31B30.7B
- Mistral Medium 3.5 (128B)128B
- Nemotron 3.5 Lightning 30B A3B30B
- Granite 4.2 30B30B
- Mistral Small 4 (119B)119B
- Llama 4 Maverick 17B-128E Instruct400B
- Qwen3 Coder Next80B
- Nemotron 3 Nano 30B A3B30B
- Llama 4 Scout 17B-16E Instruct109B
- Mistral Large 3 (675B)675B
- DeepSeek V4 Flash 0731284B
- MiniMax M2.7230B
- Devstral 2 (123B)123B
- Ornith 1.5 122B122B
- Nemotron 3 Super 120B A12B120B
- GLM-4.5 Air106B
- Llama 3.3 70B Instruct70B
- Qwen3 Coder 30B A3B Instruct30.5B
- GLM-4.7 Flash30B
- Qwen3.6 27B27B
- Gemma 4 26B A4B25.2B
- Devstral Small 2 (24B)24B
- Magistral Small 1.2 (2509)24B
- Mistral Small 3.2 (24B)24B
- LFM2.5 24B A2B24B
மற்ற Mac-கள்
8 GB கொண்ட எல்லா Mac-களும், எந்தச் சிப்பாக இருந்தாலும்.
குறைந்த அல்லது அதிக மெமரியுடன் M2:
அருகிலுள்ள சிப்கள்:
நேருக்கு நேர்:
எந்த Mac அல்லது GPU-உடனும் ஒப்பிடுங்கள் · லோக்கல் AI-க்கு M2 · லோக்கல் LLM-களுக்குச் சிறந்த Mac · எல்லா Mac-களும்
கேள்விகள்
- 8 GB கொண்ட M2-க்குச் சிறந்த LLM எது?
- Intelligence Index வெளியிடப்பட்ட மாடல்களில், இங்கே நன்றாக இயங்குபவற்றில் MiniCPM5 2B அதிக மதிப்பெண் பெறுகிறது: 8-பிட், வினாடிக்கு சுமார் 17–30 டோக்கன்கள். நன்றாக இயங்குவதில் மிகப் பெரியது Granite 4.2 8B.
- 8 GB கொண்ட M2, Llama 3.3 70B-ஐ இயக்குமா?
- இல்லை: 2 பிட்டிலும் கூட, இயல்பாக GPU பயன்படுத்தக்கூடிய 6 GB-ஐ விட இதற்கு அதிகம் தேவை.
- M2-இல் gpt-oss-20b எவ்வளவு வேகமாக இயங்கும்?
- இது 8 GB-இல் பொருந்தாது.
இவற்றை MLX Harness (இலவசம், ஓப்பன் சோர்ஸ்) மூலமோ, Terminal-இல் Apple-இன் mlx-lm மூலமோ இயக்குங்கள்: படிப்படியாக.
எப்படிக் கணக்கிடப்பட்டது
மெமரி: மாடலின் பாராமீட்டர்கள் ஒரு வெயிட்டுக்கு 8, 6, 4, 3 அல்லது 2 பிட்களில், கூடவே MLX-இன் குரூப் ஸ்கேல்கள் (ஒரு வெயிட்டுக்கு அரை பிட்), அல்லது அதன் நேட்டிவ் வடிவம், அதற்கு மேல் கான்டெக்ஸ்ட்டுக்கு இடம். இயல்பாக macOS, யூனிஃபைடு மெமரியில் சுமார் 75%-ஐ GPU பயன்படுத்த அனுமதிக்கிறது. வேகம்: மெமரி பேண்ட்வித்தை ஒவ்வொரு டோக்கனுக்கும் படிக்கப்படும் பைட்டுகளால் வகுத்தால், ஒரு உரையாடலுக்கான உச்சவரம்பு கிடைக்கும்; llama.cpp-இன் பொது Apple Silicon பெஞ்ச்மார்க்குகளில் உண்மையான ரன்கள் அதில் சுமார் 45% முதல் 80% வரை எட்டுகின்றன, அந்த வரம்பே காட்டப்படுகிறது. இவை மதிப்பீடுகள், அளவீடுகள் அல்ல: உங்கள் சொந்த Mac-ஐ MLX Bench-இல் அளந்து பாருங்கள். மாடல் விவரங்கள் ஒவ்வொரு அதிகாரப்பூர்வ மாடல் கார்டிலிருந்தும், சிப் விவரங்கள் Apple-இன் Tech Specs-இலிருந்தும். சரிபார்த்தது 2026-10-19. mlx.app/compare-இல் உள்ள அதே தரவு.