从今年 4 月开始，Mac mini 就逐渐成为「AI PC」的代名词。

Mac mini 除了被个人消费者疯抢，在企业市场同样供不应求，就连 OpenAI 都要买上数万台 Mac mini 和 Mac Studio 来进行模型的训练，Anthropic 也在亚马逊 AWS 上租赁大量的 Mac 服务器。

AI PC 的竞争，也开始从「能不能跑模型」，转向「能不能长期让 Agent 在这台电脑上工作」。

LM Studio Bionic、设备端模型、AI 智能体、exo 集群都成了 Mac mini 的主打 。苹果甚至直接把新 Mac mini 描述为一台可以「全天候」运行智能体的桌面电脑。

6999 元起，16+256 的 M6 芯片，一台最低配的 Mac mini 到手，你会拿它做点什么。

APPSO 也拿到了一台 M5 Pro 的 48GB + 2T 的新 Mac mini，这台 Mac mini到手需要 25749 元，或者免息分期 24 个月，每个月 1073 元。

说实话，这一点都不 Mini。

但如果看这一年的 PC 市场，几乎所有主打 AI PC 的电脑，都在讲统一内存，都在讲算力，Windows 那边有 AMD 和英伟达，开始把一些高性能的算力芯片下放到笔记本电脑上，而不是一味地在追求 5090 显卡等。

对比同参数级别的电脑体积，又会觉得这个放在桌子上，小小的，几乎是不占据太多地方的小盒子，是真的很 Mini。

运行专业软件当然还是高性能 Mac 最擅长的事情，但现在 AI 开始成为调用这些能力的新入口。

写代码不再只是打开 Xcode 自己敲；处理几十份资料，也不一定需要一个个打开文件；Blender、剪辑软件、终端和本地模型，都可能变成 Agent 完成一个任务时调用的工具。

而与 AI 更直接相关的，还有视频剪辑软件里 AI 的画质提升、照片和视频中的 AI 增强；以及我们都想通过一台电脑，就打造的个人智能终端。

我们手里这台 25000 元多的 Mac mini，大概率不会是普通消费者的选择。搭载 M6 芯片，16GB+256GB 的版本可能才是大多数人会入手的 Mac mini。

更高的配置可以让 Mac mini 拥有本地部署大模型的能力，但即便不拿它部署大模型，一台 6999 的 Mac mini 也会是当下适合给 Agent 使用的电脑。

就像 APPSO 之前说的，，那我们这次重点看看它是否更好地为 AI 提供了一个持续工作的地方。

能装下 270 亿参数的 AI

M6 看起来拥有这一代最完整的 AI 配置：12 核 GPU 的每一个核心都有 Neural Accelerator，同时还有双 16 核 Neural Engine。

但如果我们真的想要在电脑上运行大模型，另外两个经常被提起的数字可能更加重要： 内存容量和内存带宽。

M6 Mac mini 最高只有 32GB 统一内存，带宽最高 170GB/s；M5 Pro 则可以来到 64GB 和 307GB/s。

随着开源模型的能力逐步逼近 Fable 5、GPT-5.6 Sol 这类顶尖模型，开源实验室也开始推出从 10 亿参数到超过 700 亿参数的大模型，本地化 AI 变成 AI PC 的主打。

我们准备了几个不同体量的量化模型，从大约 8B、14B，一路增加到 30B 级别，再继续挑战接近机器内存极限的模型。

每个模型都执行同一组任务：给它一份长度固定的资料，要求阅读、总结、回答问题，再进行几轮连续追问。

记录模型载入时间、Time to First Token、Prompt Processing、Generation Speed，以及整个过程中占用了多少统一内存。

一开始我先是用了 GPT 的 20B 开源模型，然后问一下它是什么模型，这一轮对话就处理了 72 个输入 Token，生成了 178 个输出 Token，整轮请求耗时约 3.64 秒，平均生成速度为 55.66 Token/秒。

继续测试千问的 Qwen3.8 27B 参数，量化到 4 比特的模型，能看到回复的速度还是很快，总用时 2.9s，生成的速度是 41.64 token/s。

当输入一份超长的文档时，我们发了 Attention is all you need 那篇论文给它，可以看到最终的处理速度也有 32 token/s，对于一个 27B 的本地大模型来说，Mac mini 的速度基本上是可以接受的。

再往上，更大的模型，是 Meta 最新的开放模型，300 亿参数，专为始终在线的本地智能体打造。同样的论文总结任务，能看到随着模型参数变多，Mac mini 的读入速度和生成速度都有变化，尤其是读入的速度从 473 token/s 降到了 只有 32 token/s。

而当面对 70B 的 Llama 3.1 模型时，虽然也能跑，但我们只是发了一句你好，总用时 2 分钟 48 秒，平均生成速度是 0.05 Token/s。

对本地大模型来说，除了不同参数量和量化的区别，针对 Mac 还有 GGUF 和 MLX 两种路线。

比如，同一个 Qwen 模型可以分别制作成 GGUF 版本和 MLX 版本。 区别在于如何保存参数、如何量化，以及用什么引擎运行。

GGUF 是模型文件格式，MLX 是苹果开发的机器学习框架。GGUF 路线的主要特点是支持多种硬件，跨平台使用方便，而 MLX 则是围绕 Apple Silicon 设计，利用统一内存架构。

图｜mlx-framework.org

不过，虽然MLX 围绕苹果芯片设计，但具体哪个更快、更省内存，要看模型和运行时版本。

总的来说，对于一个 48GB 运行内存的 M5 Pro Mac mini，舒适区就是 200 亿到 300 亿参数附近的大模型。

打造自己的智能体

2026 年的今天，一台「AI PC」的性能如果通过「 能跑 AI来体现」， 明显有些不够了。

LM Studio Bionic 就是其中一个很典型的例子。它并不是单纯再做一个本地模型客户端，而是让模型获得读取项目文件、运行命令、修改代码和连续执行多步任务的能力。

在 LM Studio Bionic 内，我们可以直接使用本地模型，也可以在处理较重任务时切换到云端的付费开源模型。

其实我们手上的电脑，到底能安装多大的大语言模型，在 LM Studio Bionic 内就能直接看到。

在应用内，我们可以直接勾选「仅包括在已知设备上可运行的精选模型」，它会主动识别到设备的可用内存，以及针对每个模型，会显示「Full GPU Offload Possible」或「Likely too large」等提醒。

接下来我们准备让 Mac mini 真正干活。给 Agent 一个装有二三十份资料的文件夹，其中包括 PDF、Markdown、表格和此前整理的研究资料，看看如此庞大的上下文，它还能不能处理好。

最近还有 Computer Use 比较火，我们也让它操作 Blender 做了一个 3D 模型。不过 LM Studio Bionic 没有使用 Computer Use 的方式，而是直接用的 Blender 内置 Python API 进行操作。

最后，也让它利用这个生成的 3D 模型，搭建了一个果味的营销网页。

而用于视频生成的 330 亿参数 MiniMax H3 模型，官方 HuggingFace 的文件是有 498G。

我们在 LM Studio Bionic 内找到了第三方经过压缩后的 MiniMax H3 模型，但 LM Studio 的内置推理引擎，主要支持语言模型及部分视觉理解模型。

继续使用专门的开源模型视频生成平台 ComfyUI，我们直接使用已有的 MiniMax H3 工作流。

实测下来，视频生成的压力还是很大，Mac mini 瞬间变烫了不少，内部的风扇转动声音也更加明显。

最后的效果是，一个 15s 的视频，Mac mini 跑了将近 90 分钟之后才生成，而将时长切换到 5s，用时 18分钟就能得到一段视频。

所以如果只是把 Mac mini 当成本地大模型和 Agent 主机，它已经相当够用；但如果希望它同时承担大型视频生成、训练这类重型 AI 计算，它的定位很明显不是一个单纯的高性能 GPU 工作站。

一种新的电脑用法：Agent 服务器

对大多数人来说，在自己的电脑上跑一个尽可能大的模型，本身也并不是刚需。

当 Agent 开始真正接手写代码、整理文件、剪视频、做 3D 这些工作之后，我们使用电脑的方式也在发生变化。

过去电脑的性能几乎都服务于坐在它面前的人；现在，同一台电脑开始需要同时服务几个在后台工作的 Agent。

在性能和配置之外，这台 Mac mini 让我们感兴趣的地方，依旧来自它的形态和苹果生态，它没有电池，不需要带出门，体积又足够小，通过接力还能让我的 MacBook Air 当做它的键盘和触控板。

这让它天然就适合一件笔记本不太适合长期做的事：一直开着。

更高配的 M5 Pro 还拥有 Thunderbolt 5，可以连接多台 Mac mini 组成集群，在设备端运行大型 AI 模型。

于是，我们尝试把它作为一个 Codex 的 Agent 服务器，让那本原本 Mac mini 擅长的任务，现在以远程的方式，通过 Codex 来完成。

我们这台 Mac mini，其超大的内存和带宽，几乎在处理各种复杂的电脑任务时，都不会有卡顿的情况。

在没有 AI 之前，48GB 的统一内存非常适合用来做开发，尤其是用「一台机器处理一整套开发环境」。

例如使用苹果开发者的 Xcode 来编译大型工程，甚至是安卓开发的 Android Studio + iOS Simulator + Docker +IDE，再加上浏览器几十上百个标签页一起打开。

其次是创意生产的工作，比如使用 Final Cut Pro、DaVinci Resolve 达芬奇，剪辑 4K/6K/8K、多机位、ProRes RAW，叠很多特效、降噪、调色节点的视频。

再同时处理大型摄影/平面设计工作流，用 Lightroom 批量处理几千张 RAW，打开 Photoshop 做几十层甚至上百层的大尺寸 PSD/PSB。

还有 3D 制作、音乐创作等，几百轨工程、大型场景的多高分辨率贴图、粒子，都需要大量的统一内存。

而 M5 Pro 自带 H.264、HEVC、ProRes、ProRes RAW 的硬件编解码引擎、硬件光追等能力，几乎在这块市场是完胜。

虽然并非单个程序就需要 48GB，但现在我们可以让这一大堆的任务，全部让 AI 同时进行。

我们没有让 Codex 去操作 Xcode 做一个普通的 App，而是让它尽可能同时处理 Xcode 工程管理、SwiftUI、数据库、文件系统、多线程等等复杂的任务，要求它实现一个「原生 Apple 全家桶素材管理器。」

与此同时，我们还能在手机上下命令，「我电脑上的某个文件夹里有大约 100GB 的 4K 视频、照片和录音素材；请你帮我把它们整理并制作成一支 3～5 分钟的 4K 视频。你可以通过 Computer Use 使用电脑上的 Final Cut Pro 或者达芬奇进行处理。」

另一边，它又能继续处理「造一个大型 Blender 项目，再自己渲染。」我们只是在 Codex 里说了一句话，Mac mini 就能自己打开 Blender，建了一座城市，又把它渲染成了视频。

48GB 在这个大型 3D 项目下，要处理的大型 Geometry Nodes、纹理和 Cycles scene 等内容，就开始真正有意义。它需要给这些长期驻留、同时工作的 Agent 留出空间。

更好的情况是，当四个 AI Agent 都在替我干活，我们依然能正常使用这台电脑。

过去我们衡量一台电脑的多任务能力，看的是它能同时打开多少软件；浏览器、Photoshop、Xcode、剪辑软件一起在后台使用，电脑还能不能保持流畅。

到了 Agent 时代，一个 Codex Agent 在 Xcode 里写 App，一个在后台编译 Chromium 内核，一个处理 100GB 数据，另一个控制 Blender 建模和渲染。与此同时，轻量化的本地模型还可以常驻内存，等待随时调用。

传统 PC 的「多任务」正在变成「多 Agent」。

Mac mini 这种不用带走、可以全天候运行、又拥有足够内存和算力的小盒子，可能是最早适应这种变化的 PC 形态之一。

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）