为了证明M4 Max真的不行，自己写了案例测试了几个模型
-
我现在手头的m4 max是2024年底第一批就买的，顶配128GB内存。
当时能够跑llama 90B，还是很开心的，虽然是个垃圾。
到了2026年现在，其实是本地模型的大年，尤其是qwen3.6-27B的发布，的确让人兴奋。老特其实也推荐了很多。
但是我第一次实际用来跑Hermes / OpenClaw，就发现不对劲，70K左右的上下文，在agent是很常见的。（Hermes要求主模型最少64KB上下文）
但是70K Tokens在我的机器上，prefill居然要十几分钟，而且风扇狂转。完全是一个不可用的状态。我看着老特的视频那些7900XTX，心里那个恨啊，所以就想仔细测试一下到底如何。但是主流的测试工具，并不完全符合agent的上下文。我心想简单，让claude code直接去扒hermes的日志，做了在hermes场景下35个场景，关键是，有近60K的上下文测试（其实我一度堆到128K，后来太慢放弃了）。还顺便GPT image2画了十来张图，做了视觉理解的测试集。
https://github.com/tomcatzh/intelligence-gating-suite 代码放在这里，大家可以来指正。还是直接来看图吧，首先是，证明我的测试有效性。拉了一些API模型来做对比，目前曲线是正常的，符合大家的预期：
然后才是性能数据，先看让人触目惊醒的，60K的长上下文，cold start prefill
注明一下，我的N卡是在runpod上找便宜的开的，所以有点随机，大家凑合看
但是M4 Max的速度真是让人吐血啊
相对来说，每秒token数，这个decode指标还能让人接受
当然哈，omlx框架的缓存能力还是可以的，热启动是不弱的
一些情况下缓存也比较弱，可能是那个模型太大，我的内存爆了一丢丢，用了点交换反正就是避坑，当年觉得可以剑走偏锋的硬件，但其实还是不如四平八稳全面发展的传统显卡好啊。
现在我这台m4 max是食之无味弃之可惜。
-
@tomcatzh 你的测试非常详实，感谢分享这份一手数据。关于M4 Max做Agent为什么会这么慢，有两点想补充：
-
Prefill瓶颈在算力，不在显存带宽
70K上下文做prefill时，需要同时计算所有token的KV cache和attention score，这完全是GPU算力（TOPs）密集操作。M4 Max虽然统一内存有128GB大容量，但GPU算力（~10 TFLOPS FP16）和N卡的中端型号（RTX 4060 Ti ~22 TFLOPS）比都有差距，更别说跟7900XTX（~45 TFLOPS）或双卡3090比了。所以十几分钟的prefill是硬件天花板决定的，不是优化能解决的。 -
Agent场景下冷启动是常态
Hermes/OpenClaw这类Agent框架每次开新session都是新上下文，缓存命中率天然低。如果工作流涉及多工具调用（网页搜索、代码执行），每步都可能刷新上下文。所以M4 Max的热启动缓存优势在Agent场景下发挥不出来。
建议：
- 如果想在本地跑Agent，最经济的选择是二手3090 24G（~5000元），单卡就能跑Qwen3.6-27B + 64K上下文，prefill速度是M4 Max的5-8倍
- 大显存路线：7900XTX 24G或魔改4080S 32G，配合llama.cpp的flash attention，70K context prefill能控制在30-60秒
- M4 Max其实更适合：fine-tuning（MLX生态很好）、小模型（7B以下）大批量推理、或者跑Apple专属优化的模型（如Apple FFN）
那个benchmark suite做得很专业，已star。
-
-
這就是看你選擇快還是選擇大了, 畢竟是走unified memory架構, 不過蘋果估計算好了, 畢竟蘋果的生態圈也不算細, 反觀AMD的話講好聽點就是開源, 難聽點就是讓想用的人全部通通用愛發電, 老黃好歹也請了一堆開發人員來養生態
還是那句吧: 大的快不了, 快的大不了, 想要又快又大, 麻煩掏錢
-
但是呢，有一点稍稍安慰的是，在这个过程中，找到了一个宝藏模型，Libraxis 35B-A3B VMLX MXFP4 (oMLX)
他的hugging face原帖可以看这里：
https://huggingface.co/LibraxisAI/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated-vmlx-mxfp4首先这个模型已经abliterated，你懂的，前两天老特的视频也说了，本地模型不拒绝也是创作过程中一个重要的需求。
其次呢，他是一个35B-A3B的模型，本来他的智能应该是比较弱的，但是运行速度是比较好的（尤其在我的m4 max上）
大家可以看我上贴第一张图，大部分的35B-A3B都在下面。但是呢，这个模型的发布机构使用opus 4.7给他整流校准过，效果极好，至少在我的测试集里，完全达到了27B的性能。当然仅对我的测试集负责，偏向tool call和编程，可能也是因为蒸馏的opus 4.7也是偏向这些方向的。
看看图中的智能表现，接近27B的水平：
但他的性能，在我的机器上总算能用了
结合老特的教程，只要harness环境够好，区分好上下文记忆，这样tool call准确的模型是可以干活的。
我现在在我的机器上配给了一个小的hermes，专门处理一些prompts润色啊等内容，他也能比较智能的自己总结经验，生成skill，目前感觉良好。关键是，终于找到一个我的机器能跑，智力还算正常的模型了。
推荐各位兄弟使用，尤其是小硬件的，可以试试看。有啥坑也欢迎过来踩我。
-
@tomcatzh 你的测试非常详实，感谢分享这份一手数据。关于M4 Max做Agent为什么会这么慢，有两点想补充：
-
Prefill瓶颈在算力，不在显存带宽
70K上下文做prefill时，需要同时计算所有token的KV cache和attention score，这完全是GPU算力（TOPs）密集操作。M4 Max虽然统一内存有128GB大容量，但GPU算力（~10 TFLOPS FP16）和N卡的中端型号（RTX 4060 Ti ~22 TFLOPS）比都有差距，更别说跟7900XTX（~45 TFLOPS）或双卡3090比了。所以十几分钟的prefill是硬件天花板决定的，不是优化能解决的。 -
Agent场景下冷启动是常态
Hermes/OpenClaw这类Agent框架每次开新session都是新上下文，缓存命中率天然低。如果工作流涉及多工具调用（网页搜索、代码执行），每步都可能刷新上下文。所以M4 Max的热启动缓存优势在Agent场景下发挥不出来。
建议：
- 如果想在本地跑Agent，最经济的选择是二手3090 24G（~5000元），单卡就能跑Qwen3.6-27B + 64K上下文，prefill速度是M4 Max的5-8倍
- 大显存路线：7900XTX 24G或魔改4080S 32G，配合llama.cpp的flash attention，70K context prefill能控制在30-60秒
- M4 Max其实更适合：fine-tuning（MLX生态很好）、小模型（7B以下）大批量推理、或者跑Apple专属优化的模型（如Apple FFN）
那个benchmark suite做得很专业，已star。
-
-
@566656661 徽章要显示，这是论坛用户的评价锁定的，不要不带啊，那声望系统就没意义了
-
M4 群众：盖版 32G 改版 24G 丐版 16G 围观下。大家偷乐，你也不比我们强多少哈。哈哈哈哈哈哈。
-
我局域网让 7900XTX 做本地算力了。
-
嗯。但是暂时 闲置折腾状态。没什么项目给它做。我还是主力用 在线 api 跑。
-
但是呢，有一点稍稍安慰的是，在这个过程中，找到了一个宝藏模型，Libraxis 35B-A3B VMLX MXFP4 (oMLX)
他的hugging face原帖可以看这里：
https://huggingface.co/LibraxisAI/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated-vmlx-mxfp4首先这个模型已经abliterated，你懂的，前两天老特的视频也说了，本地模型不拒绝也是创作过程中一个重要的需求。
其次呢，他是一个35B-A3B的模型，本来他的智能应该是比较弱的，但是运行速度是比较好的（尤其在我的m4 max上）
大家可以看我上贴第一张图，大部分的35B-A3B都在下面。但是呢，这个模型的发布机构使用opus 4.7给他整流校准过，效果极好，至少在我的测试集里，完全达到了27B的性能。当然仅对我的测试集负责，偏向tool call和编程，可能也是因为蒸馏的opus 4.7也是偏向这些方向的。
看看图中的智能表现，接近27B的水平：
但他的性能，在我的机器上总算能用了
结合老特的教程，只要harness环境够好，区分好上下文记忆，这样tool call准确的模型是可以干活的。
我现在在我的机器上配给了一个小的hermes，专门处理一些prompts润色啊等内容，他也能比较智能的自己总结经验，生成skill，目前感觉良好。关键是，终于找到一个我的机器能跑，智力还算正常的模型了。
推荐各位兄弟使用，尤其是小硬件的，可以试试看。有啥坑也欢迎过来踩我。
-
對了, 個人推薦是盡量避免Claude/GPT/Gemini的蒸餾模型, 因為成效很迷
不是說蒸餾這個技術沒用, 是在指家用端的模型思考能力有限發揮不出來優勢
而且更有可能會矯枉過正導致原本的模型CoT爆掉, 思考能力反而更差
我其實更傾向相信在訓練途中Qwen團隊早已經加入有關這些模型的CoT訓練資料, Gemma 4反而可能沒有對了, 個人推薦是盡量避免Claude/GPT/Gemini的蒸餾模型, 因為成效很迷
不是說蒸餾這個技術沒用, 是在指家用端的模型思考能力有限發揮不出來優勢
而且更有可能會矯枉過正導致原本的模型CoT爆掉, 思考能力反而更差
我其實更傾向相信在訓練途中Qwen團隊早已經加入有關這些模型的CoT訓練資料, Gemma 4反而可能沒有是的，的确，大部分的蒸馏模型都一般。
我也是将信将疑的用。但是hugging face很多发布都喜欢越狱同时加蒸馏。
当时也是看着热度比较高的这个mxfp4模型，本来纯打算测一把速度的。但没想到智能让我有惊喜。（至少在我的测试集里面有惊喜）
-
對了, 個人推薦是盡量避免Claude/GPT/Gemini的蒸餾模型, 因為成效很迷
不是說蒸餾這個技術沒用, 是在指家用端的模型思考能力有限發揮不出來優勢
而且更有可能會矯枉過正導致原本的模型CoT爆掉, 思考能力反而更差
我其實更傾向相信在訓練途中Qwen團隊早已經加入有關這些模型的CoT訓練資料, Gemma 4反而可能沒有是的，的确，大部分的蒸馏模型都一般。
我也是将信将疑的用。但是hugging face很多发布都喜欢越狱同时加蒸馏。
当时也是看着热度比较高的这个mxfp4模型，本来纯打算测一把速度的。但没想到智能让我有惊喜。（至少在我的测试集里面有惊喜）
-
你这个27b decode的速度惊人啊, 可惜就是prefill 太慢.
目前的Mac 跑 35A3 或者 26A4, 应该是最好的选择了. 27b普遍都跑不动.
M5 max 的实测数据, 我们论坛还没有, 我感觉 M5 max 可能将将可用.
-
你这个27b decode的速度惊人啊, 可惜就是prefill 太慢.
目前的Mac 跑 35A3 或者 26A4, 应该是最好的选择了. 27b普遍都跑不动.
M5 max 的实测数据, 我们论坛还没有, 我感觉 M5 max 可能将将可用.
@Tony-Wang decode速度高，毕竟是满血的m4 max
-
@Tony-Wang 我还有一个想测的，是DGX Spark，好像可以闲鱼租
