M3 Ultra 能跑 70B 模型嗎？

可以。4 位元的 70B 模型約需 40 GB，而 M3 Ultra 最高有 512 GB。單一對話的上限約為每秒 21 token。

M3 Ultra 每秒能產生多少 token？

以 4 位元 8B 模型為例，上限約為每秒 182 token，實際執行大約能達到其一半到五分之四。模型越大，速度按比例越慢。

在本機執行模型時，最關鍵的是記憶體與頻寬。M3 Ultra 最高 512 GB、819 GB/s，足以執行約 682B 參數以內的模型。它也能透過 MLX Node 為 MLX Network 執行 AI 工作來賺取收益。

4 位元量化時，每 10 億個參數需要略多於 0.5 GB 記憶體，還要為上下文與 macOS 留出空間。512 GB 的 M3 Ultra 可以從容放下約 682B 參數以內的模型。

產生文字的速度受記憶體頻寬限制：每產生一個新 token，都要把模型的作用中權重讀一遍。用 M3 Ultra 的 819 GB/s 除以每個 token 讀取的位元組數，就得到下方的上限。實際執行通常能達到上限的 45% 到 80%（llama.cpp 基準測試）。

實測：在 M3 Ultra (80-core GPU) 上，llama.cpp 公開基準測試中 Llama-2-7B（Q4_0）的產生速度為每秒 92 token。

M3 Ultra 能跑 70B 模型嗎？: 可以。4 位元的 70B 模型約需 40 GB，而 M3 Ultra 最高有 512 GB。單一對話的上限約為每秒 21 token。
M3 Ultra 每秒能產生多少 token？: 以 4 位元 8B 模型為例，上限約為每秒 182 token，實際執行大約能達到其一半到五分之四。模型越大，速度按比例越慢。
M3 Ultra 適合跑 AI 嗎？: 在本機執行模型時，最關鍵的是記憶體與頻寬。M3 Ultra 最高 512 GB、819 GB/s，足以執行約 682B 參數以內的模型。它也能透過 MLX Node 為 MLX Network 執行 AI 工作來賺取收益。