ZH
2026年10月27日 · Jakub M.
巅峰对决：MacBook Pro M5 Max 对阵 Mac Studio M5 Ultra 本地 AI 实测
最快的 MacBook 对阵最快的 Mac Studio，32 个语言模型，只有一个赢家。在 Vše Smart 的测试中，Mac Studio M5 Ultra 在 32 个回合中赢下 31 个，中位数领先 89%。在 700 亿参数及以上的模型上，它的速度是 MacBook 的两倍半以上。
来源：MacBook Pro M5 Max vs. Mac Studio M5 Ultra: srovnání výkon lokálních AI modelů，Ludvík Eckerman，Vše Smart，2026 年 10 月 7 日（捷克语）。以下所有数据均来自该文。
苹果最强的笔记本对阵最强的台式机。两台都是顶配，同样的模型、同样的指令、同一个房间。捷克网站 Vše Smart 让它们跑了 32 个本地语言模型，结果是一场明确的点数胜利，中间也有几个出人意料的回合。
选手登场
| MacBook Pro M5 Max | Mac Studio M5 Ultra | |
|---|---|---|
| CPU 核心 | 18 | 36 |
| GPU 核心 | 40 | 80 |
| 统一内存 | 128 GB | 256 GB |
| SSD | 4 TB | 4 TB |
从纸面上看，M5 Ultra 就是两颗 M5 Max 拼在一起：CPU 和 GPU 核心翻倍，内存也翻倍。问题是，其中有多少能变成真正的速度。
比赛规则
- 模型在 Ollama 中本地运行，不使用云端。
- 所有模型使用同一条指令：撰写一篇关于现代汽车设计的长篇技术文章，最多 2,000 个 token，上下文 8k，温度 0，固定种子，关闭思考模式。
- 每个模型运行 11 次，舍弃第一次，结果为其余十次的平均值。
- 模型顺序随机，每个模型之后暂停 30 秒，避免发热偏向任何一方。
全部 32 个回合
| 模型 | MacBook Pro M5 Max | Mac Studio M5 Ultra | Studio 相比 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，单位为每秒 token 数，取 Ollama 第 2 至 11 次运行的平均值，输出 2,000 个 token，上下文 8k。较快的机器以粗体显示。来源：Vše Smart。
第一回合：小模型
即使是小模型，Mac Studio 也明显领先：Qwen3 4B 每秒 203 个 token 对 121，gpt-oss 20B 为 169 对 101。不过在这里两台机器都快到足以舒适使用。MacBook 唯一赢下的回合是 Gemma 4 E4B，而且只是险胜：每秒 93.12 对 92.95 个 token，几乎就是平局。
第二回合：硬件翻倍，速度却没有翻倍
核心和内存翻倍，并没有让所有模型的速度都翻倍。MLX 版 Qwen 3.5 35B 只提升了 17%，Qwen3-Next 80B 提升了 29%。提升最小的几个里，有两个是每个 token 只调用约 30 亿参数的混合专家模型。另一端，MLX 版 Qwen 3.8 27B 在 Studio 上快了 139%。
第三回合：重量级
Mac Studio 在这里完成 KO。运行 Llama 3.3 70B 时每秒 22.6 个 token，MacBook 只有 8.9；DeepSeek R1 70B 为 22.7 对 8.8。Command A 111B 和 Mistral Large 123B 快了 2.6 到 2.8 倍。每秒低于 10 个 token，等回答会让人烦躁；超过 20 个，70B 模型就能成为日常工作的工具。
裁决
Mac Studio M5 Ultra 以 31 比 1 获胜，中位数领先约 89%。据文章所述，它也是两者中更安静的一台。MacBook Pro M5 Max 在小模型和混合专家模型上依然出色，而且能装进背包。但如果你主要运行 700 亿参数及以上的模型，Studio 就是另一个级别；它的 256 GB 还能容纳 128 GB 根本装不下的模型，比如 Qwen3 235B。
和往常一样，该测试衡量的是速度而非回答质量，且只在 Ollama 中使用了一种指令。同一次测量的更多结果，请看我们关于 Mac Studio M5 Ultra 上 15 个模型的文章。
试试冠军
想用冠军，不一定要买下它。256 GB 的 Mac Studio M5 Ultra 最短可租一天，在上面运行你自己的模型。