LLM nào tốt nhất cho M3 với 16 GB?

Trong các mô hình có Intelligence Index công bố, MiniCPM5 2B đạt điểm cao nhất trong số những mô hình chạy tốt ở đây: 8-bit, khoảng 17–30 token mỗi giây. Mô hình lớn nhất chạy tốt là Qwen3 8B.

M3 với 16 GB có chạy được Llama 3.3 70B không?

Không: ngay cả ở mức 2 bit, nó vẫn cần hơn 12 GB mà GPU được dùng theo mặc định.

gpt-oss-20b chạy nhanh đến đâu trên M3?

Khoảng 28–50 token mỗi giây (3-bit), dựa trên băng thông bộ nhớ 100 GB/s của chip.

M3 16 GB chạy được LLM nào? Mọi mô hình, kèm tốc độ

Chạy tốt 24

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

Mô hình	Phiên bản	Bộ nhớ	Token/giây
MiniCPM5 2B2,52B · Trí tuệ 12,5	8-bit	2,7 GB	17–30
Granite 4.2 8B8B · Trí tuệ 11,1	4-bit	4,5 GB	10–18
Granite 4.2 3B3B · Trí tuệ 9,1	8-bit	3,2 GB	14–25
Gemma 4 E4B8B · Trí tuệ 8,9	6-bit	6,5 GB	12–22
Nemotron 3 Nano 4B3,97B · Trí tuệ 4,8	8-bit	4,2 GB	11–19
Qwen3 8B8,2B	4-bit	4,6 GB	10–17
Llama 3.1 8B Instruct8B	4-bit	4,5 GB	10–18
Gemma 4 E2B5,1B	8-bit	5,4 GB	19–33
Qwen3.5 4B4B	8-bit	4,3 GB	10–19
Phi-4 mini instruct3,8B	8-bit	4 GB	11–20
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	13–24
SmolLM3 3B3B	8-bit	3,2 GB	14–25
LFM2.5 2.6B2,69B	8-bit	2,9 GB	16–28
Qwen3.5 2B2B	8-bit	2,1 GB	21–38
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	35–62
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	50–89
Qwen3 0.6B0,6B	8-bit	0,6 GB	75–133
Nemotron 3.5 Lightning 30B A3B30B · 3B hoạt động · Trí tuệ 12,9	2-bit chất lượng thấp hơn	9,4 GB	50–89
gpt-oss-20b21B · 3,6B hoạt động · Trí tuệ 9	3-bit chất lượng thấp hơn	9,2 GB	28–50
Nemotron 3 Nano 30B A3B30B · 3,5B hoạt động · Trí tuệ 8,9	2-bit chất lượng thấp hơn	9,4 GB	41–73
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B hoạt động	2-bit chất lượng thấp hơn	9,5 GB	45–80
GLM-4.7 Flash30B · 3B hoạt động	2-bit chất lượng thấp hơn	9,4 GB	50–89
Gemma 4 26B A4B25,2B · 3,8B hoạt động	2-bit chất lượng thấp hơn	7,9 GB	38–67
LFM2.5 24B A2B24B · 2B hoạt động	3-bit chất lượng thấp hơn	10,5 GB	50–89

Chạy được, nhưng chậm 13

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
Qwen3.5 9B9B · Trí tuệ 11,2	8-bit	9,6 GB	5–8
Ministral 3 8B8,9B · Trí tuệ 5,5	8-bit	9,5 GB	5–8
Phi-4 Reasoning Vision 15B15B	4-bit	8,4 GB	5–10
Phi-4 (14B)14B	4-bit	7,9 GB	6–10
Gemma 4 12B Unified12B	6-bit	9,7 GB	5–8
Qwen3.8 27B27B · Trí tuệ 33,7	2-bit chất lượng thấp hơn	8,4 GB	5–10
Muse Glimmer 30B29,6B · Trí tuệ 17,5	2-bit chất lượng thấp hơn	9,3 GB	5–9
Gemma 4 31B30,7B · Trí tuệ 14,7	2-bit chất lượng thấp hơn	9,6 GB	5–8
Granite 4.2 30B30B · Trí tuệ 12,7	2-bit chất lượng thấp hơn	9,4 GB	5–9
Qwen3.6 27B27B	2-bit chất lượng thấp hơn	8,4 GB	5–10
Devstral Small 2 (24B)24B	3-bit chất lượng thấp hơn	10,5 GB	4–8
Magistral Small 1.2 (2509)24B	3-bit chất lượng thấp hơn	10,5 GB	4–8
Mistral Small 3.2 (24B)24B	3-bit chất lượng thấp hơn	10,5 GB	4–8

Vừa đủ chỗ 1

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
Qwen3.6 35B A3B35B · 3B hoạt động · Trí tuệ 18,2	2-bit chất lượng thấp hơn	10,9 GB	50–89

Các Mac khác

Mọi Mac có 16 GB, với bất kỳ chip nào.

M3 với nhiều hoặc ít bộ nhớ hơn:

Chip lân cận:

Đối đầu:

So sánh với bất kỳ Mac hoặc GPU nào · M3 cho AI cục bộ · Mac tốt nhất cho LLM cục bộ · Mọi Mac

Câu hỏi

LLM nào tốt nhất cho M3 với 16 GB?: Trong các mô hình có Intelligence Index công bố, MiniCPM5 2B đạt điểm cao nhất trong số những mô hình chạy tốt ở đây: 8-bit, khoảng 17–30 token mỗi giây. Mô hình lớn nhất chạy tốt là Qwen3 8B.
M3 với 16 GB có chạy được Llama 3.3 70B không?: Không: ngay cả ở mức 2 bit, nó vẫn cần hơn 12 GB mà GPU được dùng theo mặc định.
gpt-oss-20b chạy nhanh đến đâu trên M3?: Khoảng 28–50 token mỗi giây (3-bit), dựa trên băng thông bộ nhớ 100 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.

M3 với 16 GB chạy được gì?