LLM nào tốt nhất cho M1 Ultra với 128 GB?

Trong các mô hình có Intelligence Index công bố, Qwen3.8 27B đạt điểm cao nhất trong số những mô hình chạy tốt ở đây: 8-bit, khoảng 13–22 token mỗi giây. Mô hình lớn nhất chạy tốt là Qwen3.5 122B A10B.

M1 Ultra với 128 GB có chạy được Llama 3.3 70B không?

Có, nhưng chậm: 8-bit, khoảng 5–9 token mỗi giây.

gpt-oss-20b chạy nhanh đến đâu trên M1 Ultra?

Khoảng 189–337 token mỗi giây (4,25-bit gốc), dựa trên băng thông bộ nhớ 800 GB/s của chip.

M1 Ultra 128 GB chạy được LLM nào? Mọi mô hình, kèm tốc độ

Chạy tốt 51

Vừa bộ nhớ, còn chỗ cho ngữ cảnh, từ 10 token mỗi giây trở lên.

Mô hình	Phiên bản	Bộ nhớ	Token/giây
Qwen3.8 27B27B · Trí tuệ 33,7	8-bit	28,7 GB	13–22
Nemotron 3.5 Bolt 74B A9B74B · 9B hoạt động · Trí tuệ 21,4	8-bit	78,6 GB	38–67
Qwen3.6 35B A3B35B · 3B hoạt động · Trí tuệ 18,2	8-bit	37,2 GB	113–200
Muse Glimmer 30B29,6B · Trí tuệ 17,5	8-bit	31,5 GB	11–20
Qwen3.5 122B A10B122B · 10B hoạt động · Trí tuệ 15,6	4-bit	68,6 GB	64–114
Gemma 4 31B30,7B · Trí tuệ 14,7	8-bit	32,6 GB	11–20
Nemotron 3.5 Lightning 30B A3B30B · 3B hoạt động · Trí tuệ 12,9	8-bit	31,9 GB	113–200
Granite 4.2 30B30B · Trí tuệ 12,7	8-bit	31,9 GB	11–20
MiniCPM5 2B2,52B · Trí tuệ 12,5	8-bit	2,7 GB	133–237
gpt-oss-120b117B · 5,1B hoạt động · Trí tuệ 11,6	4,25-bit gốc	65,3 GB	133–237
Mistral Small 4 (119B)119B · 6,5B hoạt động · Trí tuệ 11,3	4-bit	66,9 GB	97–173
Qwen3.5 9B9B · Trí tuệ 11,2	8-bit	9,6 GB	38–67
Granite 4.2 8B8B · Trí tuệ 11,1	8-bit	8,5 GB	42–75
Qwen3 Coder Next80B · 3B hoạt động · Trí tuệ 9,2	8-bit	85 GB	113–200
Granite 4.2 3B3B · Trí tuệ 9,1	8-bit	3,2 GB	113–200
gpt-oss-20b21B · 3,6B hoạt động · Trí tuệ 9	4,25-bit gốc	13,8 GB	189–337
Nemotron 3 Nano 30B A3B30B · 3,5B hoạt động · Trí tuệ 8,9	8-bit	31,9 GB	97–173
Gemma 4 E4B8B · Trí tuệ 8,9	8-bit	8,5 GB	75–133
Llama 4 Scout 17B-16E Instruct109B · 17B hoạt động · Trí tuệ 6,5	6-bit	88,6 GB	26–46
Ministral 3 8B8,9B · Trí tuệ 5,5	8-bit	9,5 GB	38–67
Nemotron 3 Nano 4B3,97B · Trí tuệ 4,8	8-bit	4,2 GB	86–152
Ornith 1.5 122B122B · 10B hoạt động	4-bit	68,6 GB	64–114
Nemotron 3 Super 120B A12B120B · 12B hoạt động	4-bit	67,5 GB	53–94
GLM-4.5 Air106B · 12B hoạt động	6-bit	86,1 GB	37–65
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B hoạt động	8-bit	32,4 GB	103–183
GLM-4.7 Flash30B · 3B hoạt động	8-bit	31,9 GB	113–200
Qwen3.6 27B27B	8-bit	28,7 GB	13–22
Gemma 4 26B A4B25,2B · 3,8B hoạt động	8-bit	26,8 GB	90–160
Devstral Small 2 (24B)24B	8-bit	25,5 GB	14–25
Magistral Small 1.2 (2509)24B	8-bit	25,5 GB	14–25
Mistral Small 3.2 (24B)24B	8-bit	25,5 GB	14–25
LFM2.5 24B A2B24B · 2B hoạt động	8-bit	25,5 GB	171–305
Phi-4 Reasoning Vision 15B15B	8-bit	15,9 GB	23–40
Phi-4 (14B)14B	8-bit	14,9 GB	24–43
Gemma 4 12B Unified12B	8-bit	12,7 GB	28–50
Qwen3 8B8,2B	8-bit	8,7 GB	41–74
Llama 3.1 8B Instruct8B	8-bit	8,5 GB	42–75
Gemma 4 E2B5,1B	8-bit	5,4 GB	150–267
Qwen3.5 4B4B	8-bit	4,3 GB	84–149
Phi-4 mini instruct3,8B	8-bit	4 GB	90–160
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	106–188
SmolLM3 3B3B	8-bit	3,2 GB	113–200
LFM2.5 2.6B2,69B	8-bit	2,9 GB	124–221
Qwen3.5 2B2B	8-bit	2,1 GB	171–305
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	277–492
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	400–711
Qwen3 0.6B0,6B	8-bit	0,6 GB	600–1067
Qwen3.8 Flash Next180B · 6B hoạt động · Trí tuệ 39,8	3-bit chất lượng thấp hơn	78,8 GB	138–246
Inkling Small276B · 12B hoạt động · Trí tuệ 25,7	2-bit chất lượng thấp hơn	86,3 GB	95–168
DeepSeek V4 Flash 0731284B · 13B hoạt động	2-bit chất lượng thấp hơn	88,8 GB	88–156
MiniMax M2.7230B · 10B hoạt động	2-bit chất lượng thấp hơn	71,9 GB	116–206

Chạy được, nhưng chậm 3

Vừa bộ nhớ, nhưng dưới 10 token mỗi giây: ổn cho xử lý hàng loạt, chậm khi trò chuyện.

Mô hình	Phiên bản	Bộ nhớ	Token/giây
Mistral Medium 3.5 (128B)128B · Trí tuệ 14,2	4-bit	72 GB	5–9
Devstral 2 (123B)123B	4-bit	69,2 GB	5–9
Llama 3.3 70B Instruct70B	8-bit	74,4 GB	5–9

Vừa đủ chỗ 3

Cần gần hết bộ nhớ: hãy nâng giới hạn bộ nhớ GPU và giữ ngữ cảnh ngắn.

Mô hình	Phiên bản	Bộ nhớ	Token/giây
GLM-5.3 Flash320B · 18B hoạt động · Trí tuệ 41,8	2-bit chất lượng thấp hơn	100 GB	64–114
MiMo V2.6 Flash309B · 15B hoạt động · Trí tuệ 37,9	2-bit chất lượng thấp hơn	96,6 GB	77–136
Hy3295B · 21B hoạt động · Trí tuệ 25,3	2-bit chất lượng thấp hơn	92,2 GB	55–97

Quá lớn 16

Cần hơn 128 GB bộ nhớ, kể cả ở mức 2 bit.

Các Mac khác

Mọi Mac có 128 GB, với bất kỳ chip nào.

M1 Ultra với nhiều hoặc ít bộ nhớ hơn:

64 GB39 chạy tốt

Chip lân cận:

Mac Studio M1 Ultra

Đối đầu:

So sánh với bất kỳ Mac hoặc GPU nào · M1 Ultra cho AI cục bộ · Mac tốt nhất cho LLM cục bộ · Mọi Mac

Câu hỏi

LLM nào tốt nhất cho M1 Ultra với 128 GB?: Trong các mô hình có Intelligence Index công bố, Qwen3.8 27B đạt điểm cao nhất trong số những mô hình chạy tốt ở đây: 8-bit, khoảng 13–22 token mỗi giây. Mô hình lớn nhất chạy tốt là Qwen3.5 122B A10B.
M1 Ultra với 128 GB có chạy được Llama 3.3 70B không?: Có, nhưng chậm: 8-bit, khoảng 5–9 token mỗi giây.
gpt-oss-20b chạy nhanh đến đâu trên M1 Ultra?: Khoảng 189–337 token mỗi giây (4,25-bit gốc), dựa trên băng thông bộ nhớ 800 GB/s của chip.

Chạy bằng MLX Harness (miễn phí, mã nguồn mở) hoặc mlx-lm của Apple trong Terminal: hướng dẫn từng bước.

Cách tính

Bộ nhớ: số tham số của mô hình ở 8, 6, 4, 3 hoặc 2 bit mỗi trọng số cộng với hệ số tỷ lệ theo nhóm của MLX (nửa bit mỗi trọng số), hoặc theo định dạng gốc, rồi thêm chỗ cho ngữ cảnh. Mặc định macOS cho GPU dùng khoảng 75% bộ nhớ hợp nhất. Tốc độ: băng thông bộ nhớ chia cho số byte đọc mỗi token là mức trần cho một cuộc trò chuyện; trong benchmark Apple Silicon công khai của llama.cpp, thực tế đạt khoảng 45% đến 80% mức đó, và đó là khoảng được hiển thị. Đây là ước tính, không phải số đo: hãy đo chính Mac của bạn trên MLX Bench. Số liệu mô hình lấy từ thẻ mô hình chính thức, số liệu chip từ Thông số kỹ thuật của Apple. Kiểm tra ngày 2026-10-19. Cùng dữ liệu với mlx.app/compare.