排名更新于 09/10/2026
Mac mini M2 / M2 Pro（8-32 GB，100-200 GB/s）仍然是 7-13B Q4_K_M 模型的出色静音推理服务器。有风扇，紧凑，可 24/7 待命。
比较以下产品的价格： Mac mini M5 Pro（24 GB / 512 GB） 在我们的合作伙伴商家处（已验证产品页面）：
为什么选择它？查看我们关于 Mac mini M5 Pro（24 GB / 512 GB）的完整介绍 →
如何根据预算选择电脑？看看我们推荐的 800 至 3,500 欧元价位的电脑 →
联盟链接 — 哪个LLM 可能从购买中获得佣金，您无需承担额外费用，这不会影响排名（排名独立制定）。作为 Amazon 合作伙伴，哪个LLM 会从符合条件的购买中获利。
Dense 8B Apache 2.0，支持 12 种语言（含法语），131k 上下文，GQA 32Q/8KV。MMLU 73.84，HumanEval 85.37。发布于 2026 年 4 月 29 日。
# HuggingFace : ibm-granite/granite-4.1-8b
Granite 4.2 8B（IBM）：Apache 2.0 稠密模型，128k 上下文，Q4 量化约需 4.6 GB 显存。面向企业级多语言聊天、代码和推理。
ollama pull granite4.2
OLMo 3 7B 的「thinking」SFT 微调：逐步推理，16k 上下文，Q4 约需 4.2 GB 显存。100% 开放，Apache 2.0 许可证。
# HuggingFace : zimplex/olmo3-7b-think-sft-eosfix-16k-3ep-euc
GLM 5.3（智谱）：7B 稠密模型，专攻代码与推理，128k 上下文，Q4 量化约需 4.1 GB 显存。轻量级，可在配备 6–8 GB 显存的 GPU 上运行，采用 MIT 许可证。
ollama pull glm-5.3
7B 稠密模型，100% 开放（权重 + 数据 + 代码）。为研究提供完全透明的信息。
ollama run olmo-3:7b
思考/快速混合模式。支持 119 种语言，原生上下文为 32k（通过 YaRN 可扩展至 131k）。
ollama run qwen3:8b
Gemma 4 12B（Google）：稠密多模态模型（文本、视觉、音频），256k 上下文，Q4 约 7 GB VRAM。Apache 2.0，多语言支持。
# HuggingFace : google/gemma-4-12B
| 名次 | 模型 | Params | Q4 VRAM | 上下文 | 许可证 | 在 Apple M2（16 GB）上 |
|---|---|---|---|---|---|---|
| #1 | Granite 4.1 8B Instruct | 8B | 5 GB | 131 072 | Apache 2.0 | 12 tok/s · Q8 |
| #2 | Granite 4.2 8B | 8B | 4.6 GB | 128 000 | Apache 2.0 | 32 tok/s · Q8 |
| #3 | OLMo 3 7B Think (SFT) | 7B | 4.2 GB | 16 000 | Apache 2.0 | 32 tok/s · Q8 |
| #4 | GLM 5.3 7B | 7B | 4.1 GB | 128 000 | MIT | 32 tok/s · Q8 |
| #5 | OLMo 3 7B | 7B | 5 GB | 8 192 | Apache 2.0 | 12 tok/s · Q8 |
| #6 | Qwen 3 8B | 8B | 5 GB | 131 072 | Apache 2.0 | 12 tok/s · Q8 |
| #7 | Gemma 4 12B | 12B | 7 GB | 262 144 | Apache 2.0 | 18 tok/s · Q5_K_M |
在你的 Mac 上充分利用本地 AI：统一内存、MLX 与 GGUF、适合你芯片的模型、为 Apple Silicon 调优的 Ollama 和 LM Studio。
免费备忘录
接收速查表 显存 → 最佳代码模型 → Ollama 命令 （一屏即可查看，可直接复制粘贴）。再使用本地 Copilot 套件，搭建真正可用的运行环境。
本地编程副驾驶套件 — 可直接粘贴使用的 Ollama + Cline + Aider 配置、调校好的 Modelfiles、故障排除、可终身使用的在线空间 →无垃圾邮件。1 次点击即可退订。你的数据保留在我们这里（绝不转售）。
你的显卡 → 最适合在本地运行的编程模型，以及准确的 Ollama 命令：
| 你的 VRAM | 典型 GPU / Mac | 推荐的代码模型 | Ollama 命令 |
|---|---|---|---|
| 8 GB | RTX 4060 / 3060 · M1-M2 16 GB | Qwen 3.5 9B (Q4, 6.6 GB — 256k ctx) | ollama run qwen3.5:9b |
| 12 GB | RTX 3060 12 GB / 4070 / 5070 | Qwen 3.5 9B (Q8, 11 GB) 或 Gemma 4 12B (7.6 GB) | ollama run qwen3.5:9b-q8_0 |
| 16 GB | RTX 5070 Ti / 4080 / 5080 · RX 9070 XT · M4 24 GB | Devstral 24B (Q4, 14 GB) — 专长是编程智能体任务 | ollama run devstral:24b |
| 24 GB | RTX 3090 / 4090 · RX 7900 XTX · M4 Pro 48 GB | Qwen 3.8 27B (Q4, 18 GB) — “接近 Copilot” | ollama run qwen3.8:27b |
| 32 GB | RTX 5090 | Qwen 3.6 35B-A3B (Q4, 23 GB) — 快速 MoE | ollama run qwen3.6:35b |
| 48 GB+ | Mac M4 Max 64 GB · M2 Ultra 128 GB | Qwen3-Coder 30B-A3B (Q8, 32 GB — 256k ctx) | ollama run qwen3-coder:30b-a3b-q8_0 |
-base : ollama run qwen2.5-coder:7b-base — 在这一特定用途上，它仍是标杆。⚠️ Qwen 3.8： 其推理强度默认设得很高，处理简单请求时会“过度思考”——请将其调低至 low (或在首次启动时关闭它)。⚠️ 许可证陷阱： Codestral 22B = Mistral Non-Production License（非生产用途许可证） → 禁止用于工作中的编程。Qwen 3.5/3.8、Gemma 4 和 Devstral 采用 Apache 2.0 许可证。💡 因内存不足而崩溃？请预留约 1.5 GB 的显存用于上下文，或将量化精度降低一档。🔌 要将其接入 VS Code： Cline （可处理多个文件的智能体）， Aider (CLI) 或 Tabby/Twinny (FIM 自动补全) — 它们都连接到本地 Ollama。该套件 本地助手 — 可直接粘贴的配置 + 经过测试的设置 — 现已可用： /copilote-local.
筛选条件：1-32B 模型，Q4_K_M 量化版本的内存占用低于 22 GB（M2 Pro 最高配备 32 GB 内存）。优先考虑 7-13B 模型（M2 Pro 的最佳性能区间），以及适合共享服务器的自由许可证。
考虑的标准：
评分完全透明：请参阅 我们的方法论 ，了解 VRAM/每秒令牌数的计算详情。
Mac mini M2 8 GB：2026年仍适用吗？
Phi-4 Mini 3.8B Q4 或 Llama 3.2 3B Q4 可运行 —— 但空间非常紧张。建议至少使用 16 GB。详见 Mac mini M2 指南.
Mac mini M2 Pro 32 GB：哪个模型最合适？
Mistral Nemo 12B Q4（约 7 GB）或 Qwen 3 14B Q4（约 8 GB）— 22–28 tok/s。可作为出色的家用 LLM 服务器，通过 Ollama API 支持 1–3 名用户同时使用。
搭建 LLM 服务器，选 M2 Pro 还是 M4 Pro？
运行相同模型时，M4 Pro（273 GB/s）比 M2 Pro（200 GB/s）快约 35%–40%。如果在 2026 年购买全新设备，不如选择 M4 Pro。参见 Mac mini M4.
如何将 Mac mini M2 配置为低噪音服务器？
Ollama + Open WebUI 在局域网 LAN 上，端口 11434 通过 Nginx 反向代理访问。通过 launchd 实现自动启动。空闲功耗约 10W，负载时约 35W。比 ITX 电脑更安静。