LLM nào tốt nhất cho M3 Ultra với 512 GB?

Trong các mô hình có Intelligence Index công bố, DeepSeek V4.1 Flash 1017 đạt điểm cao nhất trong số những mô hình chạy tốt ở đây: 4-bit, khoảng 41–73 token mỗi giây.

M3 Ultra với 512 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 M3 Ultra?

Khoảng 194–345 token mỗi giây (4,25-bit gốc), dựa trên băng thông bộ nhớ 819 GB/s của chip.

M3 Ultra 512 GB chạy được LLM nào? Mọi mô hình, kèm tốc độ

Chạy tốt 67

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

Mô hình	Phiên bản	Bộ nhớ	Token/giây
DeepSeek V4.1 Flash 1017552B · 16B hoạt động · Trí tuệ 45,1	4-bit	311 GB	41–73
GLM-5.3 Flash320B · 18B hoạt động · Trí tuệ 41,8	8-bit	340 GB	19–34
Qwen3.8 Flash Next180B · 6B hoạt động · Trí tuệ 39,8	8-bit	191 GB	58–102
MiMo V2.6 Flash309B · 15B hoạt động · Trí tuệ 37,9	4,48-bit gốc	173 GB	44–78
Qwen3.8 27B27B · Trí tuệ 33,7	8-bit	28,7 GB	13–23
Beam 1.0501B · 23B hoạt động · Trí tuệ 30,3	4-bit	282 GB	29–51
MiniMax M3428B · 23B hoạt động · Trí tuệ 29,2	6-bit	348 GB	20–35
Inkling Small276B · 12B hoạt động · Trí tuệ 25,7	8-bit	293 GB	29–51
Hy3295B · 21B hoạt động · Trí tuệ 25,3	8-bit	313 GB	17–29
Nemotron 3 Ultra 550B A55B550B · 55B hoạt động · Trí tuệ 22,9	4-bit	309 GB	12–21
Nemotron 3.5 Bolt 74B A9B74B · 9B hoạt động · Trí tuệ 21,4	8-bit	78,6 GB	38–68
Qwen3.5 397B A17B397B · 17B hoạt động · Trí tuệ 18,4	6-bit	323 GB	27–47
Qwen3.6 35B A3B35B · 3B hoạt động · Trí tuệ 18,2	8-bit	37,2 GB	115–205
Muse Glimmer 30B29,6B · Trí tuệ 17,5	8-bit	31,5 GB	12–21
Qwen3.5 122B A10B122B · 10B hoạt động · Trí tuệ 15,6	8-bit	130 GB	35–62
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	115–205
Granite 4.2 30B30B · Trí tuệ 12,7	8-bit	31,9 GB	12–21
MiniCPM5 2B2,52B · Trí tuệ 12,5	8-bit	2,7 GB	137–243
gpt-oss-120b117B · 5,1B hoạt động · Trí tuệ 11,6	4,25-bit gốc	65,3 GB	137–243
Mistral Small 4 (119B)119B · 6,5B hoạt động · Trí tuệ 11,3	8-bit	126 GB	53–95
Qwen3.5 9B9B · Trí tuệ 11,2	8-bit	9,6 GB	38–68
Granite 4.2 8B8B · Trí tuệ 11,1	8-bit	8,5 GB	43–77
Llama 4 Maverick 17B-128E Instruct400B · 17B hoạt động · Trí tuệ 9,3	6-bit	325 GB	27–47
Qwen3 Coder Next80B · 3B hoạt động · Trí tuệ 9,2	8-bit	85 GB	115–205
Granite 4.2 3B3B · Trí tuệ 9,1	8-bit	3,2 GB	115–205
gpt-oss-20b21B · 3,6B hoạt động · Trí tuệ 9	4,25-bit gốc	13,8 GB	194–345
Nemotron 3 Nano 30B A3B30B · 3,5B hoạt động · Trí tuệ 8,9	8-bit	31,9 GB	100–177
Gemma 4 E4B8B · Trí tuệ 8,9	8-bit	8,5 GB	77–137
Llama 4 Scout 17B-16E Instruct109B · 17B hoạt động · Trí tuệ 6,5	8-bit	116 GB	20–36
Ministral 3 8B8,9B · Trí tuệ 5,5	8-bit	9,5 GB	39–69
Nemotron 3 Nano 4B3,97B · Trí tuệ 4,8	8-bit	4,2 GB	88–156
DeepSeek V4 Flash 0731284B · 13B hoạt động	8-bit	302 GB	27–47
MiniMax M2.7230B · 10B hoạt động	8-bit	244 GB	35–62
Ornith 1.5 122B122B · 10B hoạt động	8-bit	130 GB	35–62
Nemotron 3 Super 120B A12B120B · 12B hoạt động	8-bit	128 GB	29–51
GLM-4.5 Air106B · 12B hoạt động	8-bit	113 GB	29–51
Qwen3 Coder 30B A3B Instruct30,5B · 3,3B hoạt động	8-bit	32,4 GB	105–187
GLM-4.7 Flash30B · 3B hoạt động	8-bit	31,9 GB	115–205
Qwen3.6 27B27B	8-bit	28,7 GB	13–23
Gemma 4 26B A4B25,2B · 3,8B hoạt động	8-bit	26,8 GB	92–164
Devstral Small 2 (24B)24B	8-bit	25,5 GB	14–26
Magistral Small 1.2 (2509)24B	8-bit	25,5 GB	14–26
Mistral Small 3.2 (24B)24B	8-bit	25,5 GB	14–26
LFM2.5 24B A2B24B · 2B hoạt động	8-bit	25,5 GB	176–312
Phi-4 Reasoning Vision 15B15B	8-bit	15,9 GB	23–41
Phi-4 (14B)14B	8-bit	14,9 GB	25–44
Gemma 4 12B Unified12B	8-bit	12,7 GB	29–52
Qwen3 8B8,2B	8-bit	8,7 GB	42–75
Llama 3.1 8B Instruct8B	8-bit	8,5 GB	43–77
Gemma 4 E2B5,1B	8-bit	5,4 GB	154–273
Qwen3.5 4B4B	8-bit	4,3 GB	86–152
Phi-4 mini instruct3,8B	8-bit	4 GB	92–164
Llama 3.2 3B Instruct3,21B	8-bit	3,4 GB	108–193
SmolLM3 3B3B	8-bit	3,2 GB	115–205
LFM2.5 2.6B2,69B	8-bit	2,9 GB	127–226
Qwen3.5 2B2B	8-bit	2,1 GB	176–312
Llama 3.2 1B Instruct1,23B	8-bit	1,3 GB	284–504
Qwen3.5 0.8B0,8B	8-bit	0,9 GB	410–728
Qwen3 0.6B0,6B	8-bit	0,6 GB	614–1092
MiMo V2.6 Pro1.020B · 42B hoạt động · Trí tuệ 46,3	2-bit chất lượng thấp hơn	319 GB	28–50
GLM-5.3744B · 40B hoạt động · Trí tuệ 44,8	3-bit chất lượng thấp hơn	326 GB	21–37
Muse Spark Open816B · 42B hoạt động · Trí tuệ 38,9	2-bit chất lượng thấp hơn	255 GB	28–50
Kimi K2.7 Code1.000B · 32B hoạt động · Trí tuệ 25,8	2-bit chất lượng thấp hơn	313 GB	37–66
Inkling975B · 41B hoạt động · Trí tuệ 25	2-bit chất lượng thấp hơn	305 GB	29–51
Kimi K2.61.000B · 32B hoạt động	2-bit chất lượng thấp hơn	313 GB	37–66
Mistral Large 3 (675B)675B · 41B hoạt động	3-bit chất lượng thấp hơn	295 GB	21–37

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	8-bit	136 GB	3–5
Devstral 2 (123B)123B	8-bit	131 GB	3–5
Llama 3.3 70B Instruct70B	8-bit	74,4 GB	5–9

Quá lớn 3

Cần hơn 512 GB bộ nhớ, kể cả ở mức 2 bit.

Các Mac khác

Mọi Mac có 512 GB, với bất kỳ chip nào.

M3 Ultra với nhiều hoặc ít bộ nhớ hơn:

Chip lân cận:

Mac Studio M3 Ultra

Đối đầu:

So với PC và card đồ họa:

M3 Ultra vs DGX Spark

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

Câu hỏi

LLM nào tốt nhất cho M3 Ultra với 512 GB?: Trong các mô hình có Intelligence Index công bố, DeepSeek V4.1 Flash 1017 đạt điểm cao nhất trong số những mô hình chạy tốt ở đây: 4-bit, khoảng 41–73 token mỗi giây.
M3 Ultra với 512 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 M3 Ultra?: Khoảng 194–345 token mỗi giây (4,25-bit gốc), dựa trên băng thông bộ nhớ 819 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.