繁
2026年10月27日 · Jakub M.
巔峰對決：MacBook Pro M5 Max 對上 Mac Studio M5 Ultra 本機 AI 實測
最快的 MacBook 對上最快的 Mac Studio，32 個語言模型，只有一個贏家。在 Vše Smart 的測試中，Mac Studio M5 Ultra 在 32 個回合中贏下 31 個，中位數領先 89%。在 700 億參數以上的模型上，它的速度是 MacBook 的兩倍半以上。
來源：MacBook Pro M5 Max vs. Mac Studio M5 Ultra: srovnání výkon lokálních AI modelů，Ludvík Eckerman，Vše Smart，2026 年 10 月 7 日（捷克語）。以下所有數據均來自該文。
蘋果最強的筆電對上最強的桌上型電腦。兩台都是頂規，同樣的模型、同樣的指令、同一個房間。捷克網站 Vše Smart 讓它們跑了 32 個本機語言模型，結果是一場明確的點數勝利，中間也有幾個出人意料的回合。
選手登場
| MacBook Pro M5 Max | Mac Studio M5 Ultra | |
|---|---|---|
| CPU 核心 | 18 | 36 |
| GPU 核心 | 40 | 80 |
| 統一記憶體 | 128 GB | 256 GB |
| SSD | 4 TB | 4 TB |
從紙面上看，M5 Ultra 就是兩顆 M5 Max 接在一起：CPU 和 GPU 核心加倍，記憶體也加倍。問題是，其中有多少能化為真正的速度。
比賽規則
- 模型在 Ollama 中本機執行，不使用雲端。
- 所有模型使用同一條指令：撰寫一篇關於現代汽車設計的長篇技術文章，最多 2,000 個 token，上下文 8k，溫度 0，固定種子，關閉思考模式。
- 每個模型執行 11 次，捨棄第一次，結果為其餘十次的平均值。
- 模型順序隨機，每個模型之後暫停 30 秒，避免發熱偏向任何一方。
全部 32 個回合
| 模型 | MacBook Pro M5 Max | Mac Studio M5 Ultra | Studio 相較 MacBook |
|---|---|---|---|
| qwen3:4b | 121.39 | 203.31 | +67.5% |
| qwen3:30b | 112.63 | 170.12 | +51.0% |
| gpt-oss:20b | 100.94 | 169.35 | +67.8% |
| qwen2.5:7b | 81.36 | 154.19 | +89.5% |
| qwen3.5:35b-mlx | 124.13 | 144.87 | +16.7% |
| qwen3.5:9b | 68.06 | 126.59 | +86.0% |
| gpt-oss:120b | 73.15 | 115.21 | +57.5% |
| gemma4:26b | 68.07 | 111.74 | +64.2% |
| qwen3-coder-next:latest | 75.91 | 109.48 | +44.2% |
| qwen3-next:80b | 73.14 | 94.48 | +29.2% |
| gemma4:26b-mlx-bf16 | 58.76 | 93.21 | +58.6% |
| gemma4:e4b | 93.12 | 92.95 | −0.2% |
| qwen3.8:27b-mlx | 37.90 | 90.65 | +139.2% |
| gemma4:12b | 46.62 | 90.48 | +94.1% |
| ministral-3:14b | 44.61 | 88.66 | +98.7% |
| gemma3:12b | 47.00 | 88.26 | +87.8% |
| qwen3.5:122b-a10b | 46.91 | 84.80 | +80.8% |
| phi4-reasoning:plus | 36.83 | 76.10 | +106.6% |
| llama4:scout | 34.12 | 63.26 | +85.4% |
| mistral-small3.2:24b | 26.42 | 62.19 | +135.4% |
| qwen3.8-flash-next:125b-mlx | 45.26 | 54.60 | +20.6% |
| gemma4:12b-mlx-bf16 | 27.70 | 48.84 | +76.3% |
| qwen3.5:27b | 21.98 | 48.36 | +120.0% |
| gemma3:27b | 21.32 | 47.74 | +123.9% |
| qwen3:32b | 18.52 | 42.88 | +131.5% |
| gemma4:31b | 18.72 | 39.75 | +112.3% |
| qwen3.8:27b-mlx-bf16 | 18.06 | 36.65 | +102.9% |
| gemma4:31b-mlx-bf16 | 12.94 | 26.11 | +101.8% |
| deepseek-r1:70b | 8.82 | 22.65 | +156.8% |
| llama3.3:70b | 8.93 | 22.57 | +152.7% |
| command-a:111b | 5.58 | 15.38 | +175.6% |
| mistral-large:123b | 5.20 | 13.69 | +163.3% |
生成速度，單位為每秒 token 數，取 Ollama 第 2 至 11 次執行的平均值，輸出 2,000 個 token，上下文 8k。較快的機器以粗體顯示。來源：Vše Smart。
第一回合：小模型
即使是小模型，Mac Studio 也明顯領先：Qwen3 4B 每秒 203 個 token 對 121，gpt-oss 20B 為 169 對 101。不過在這裡兩台機器都快到足以舒適使用。MacBook 唯一贏下的回合是 Gemma 4 E4B，而且只是險勝：每秒 93.12 對 92.95 個 token，幾乎就是平手。
第二回合：硬體加倍，速度卻沒有加倍
核心和記憶體加倍，並沒有讓所有模型的速度都加倍。MLX 版 Qwen 3.5 35B 只提升了 17%，Qwen3-Next 80B 提升了 29%。提升最小的幾個裡，有兩個是每個 token 只動用約 30 億參數的混合專家模型。另一端，MLX 版 Qwen 3.8 27B 在 Studio 上快了 139%。
第三回合：重量級
Mac Studio 在這裡完成 KO。執行 Llama 3.3 70B 時每秒 22.6 個 token，MacBook 只有 8.9；DeepSeek R1 70B 為 22.7 對 8.8。Command A 111B 和 Mistral Large 123B 快了 2.6 到 2.8 倍。每秒低於 10 個 token，等回答會讓人煩躁；超過 20 個，70B 模型就能成為日常工作的工具。
裁決
Mac Studio M5 Ultra 以 31 比 1 獲勝，中位數領先約 89%。據文章所述，它也是兩者中較安靜的一台。MacBook Pro M5 Max 在小模型和混合專家模型上依然出色，而且能放進背包。但如果你主要執行 700 億參數以上的模型，Studio 就是另一個等級；它的 256 GB 還能容納 128 GB 根本放不下的模型，例如 Qwen3 235B。
一如往常，該測試衡量的是速度而非回答品質，且只在 Ollama 中使用了一種指令。同一次測量的更多結果，請看我們關於 Mac Studio M5 Ultra 上 15 個模型的文章。
試試冠軍
想用冠軍，不一定要買下它。256 GB 的 Mac Studio M5 Ultra 最短可租一天，在上面執行你自己的模型。