全新 Mac mini 评测：超级小，超能干

一台巴掌大的 Mac mini，到底能不能成为普通人的本地 AI 工作站 / Agent Server？

这个问题其实已经不用回答了：年初 OpenClaw 带起来的 Agent 热潮导致 Mac mini 脱销，已经给出答案了。

现如今，它已经摇身一变变成了「AI PC」的代名词，不仅价格随着内存涨价水涨船高，性能也是最高支持 M5 Pro，64GB + 8TB 的配置让 Mac mini 的最高价格来到了 51249 元……

这还是迷你电脑吗？我已经不认识了！

就连服务器市场都盯上了这个不起眼的小玩意：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。

大模型厂商们使用 Mac mini 来作为 Agent 的训练场，让 GPT/Claude 这些模型，可以读取本地文件、调用开发工具、操作专业软件，甚至同时执行小时级甚至天级的长程任务。

这些情况的背后，是AI PC 竞争的变化，早已从「能不能跑模型」，转向「能不能长期让 Agent 在这台电脑上工作」。

也是在这个背景下，新一代 Mac mini 的定位开始发生变化。LM Studio Bionic、设备端模型、AI 智能体、exo 集群都成了 Mac mini 的主打。苹果甚至干脆直接把新 Mac mini 描述为一台可以「全天候」运行智能体的桌面电脑。

前几天我们拿到了一台最新款 48GB + 2T 的 Mac mini，采用作为高配型号、与 M6 一同推出的 M5 Pro 处理器，搭载 18 核中央处理器、20 核图形处理器、16 核神经网络引擎，以及 10Gb 以太网端口。

根据官网的售价，这台 Mac mini 到手需要 25749 元，或者免息分期 24 个月，每个月 1073 元。

这个价格，说实话一点都不 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。

所以，它到底可以做什么呢？

用 Final Cut Pro 来剪视频更快了，用 Blender 来做三维建模更流畅……这些专业软件，本来就是高性能 Mac 最擅长的事情。

但现在发生的更有趣的变化，是 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，都已经、或者有可能在将来，变成让自动化的 Agent 可以随手调用的工具。

这台电脑属于你，但又不只「属于」你。

当然，与 AI 更直接相关的，还有最新的 M5 Pro 处理器和极致的存储组合，让视频剪辑软件里 AI 的画质提升、照片和视频中的 AI 增强都变得游刃有余。

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，因为它很好地为 AI 提供了一个可以持续工作的地方。

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；但它距离一台强大的桌上个人智能终端，越来越近了。

照着眼下 Mac mini 定位的变化，我们也从 AI 本身、AI 进入传统软件，还有支撑这一切的专业 GPU、神经网络引擎能力，来看看 Mac mini 在成为一台 AI PC 上都有些什么优势。

能装下 270 亿参数的 AI

首先，M6 处理器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（神经加速单元），同时还有双 16 核 Neural Engine（神经引擎）。根据官方的对比显示，相比 M4 Mac mini，M6 机型的 AI 性能最高提升 4 倍。

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。

苹果官方提供的 M6 Mac mini 最高只有 32GB 统一内存，带宽最高 170GB/s；而我们手里的 M5 Pro 机型，则达到了 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尺寸的量化模型，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、首 Token 用时、预注入效率、推理 Token 速度，以及整个过程中占用了多少统一内存。

一开始先是用了 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/s。

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。

模型继续变大，我们换上了 Meta 最新的开放模型，300 亿参数。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，平均生成速度只有 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。它们可以来自同一个模型，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。

我们的总体结论是：如果你只是希望进行问答的话，对于一个 48GB 运行内存的 M5 Pro Mac mini，舒适区就是 200 亿到 300 亿参数区间的中尺寸模型，也可以试试 330 亿参数的 MiniMax H3，用来做视频生成。

打造自己的智能体

接下来我们再看复杂 Agent 任务。

跑得动模型，距离跑得动 Agent 还差很远。2026 年再测试一台所谓的「AI PC」，只让大模型回答简单问题明显有些不够了。

过去两年，本地大模型最常见的形态仍然只是一个聊天框：模型下载到电脑里，然后问问题、写文章、总结文档。它证明了电脑「能跑 AI」，但还没有真正改变电脑的使用方式。

今年我们看到的变化，是越来越多本地 AI 工具开始试图跨出聊天框。

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的「对话壳」，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。

应用会主动识别设备的可用内存，来推荐模型；以及针对每个模型，会显示「Full GPU Offload Possible」（完全加载到 GPU 可行）或「Likely too large」（可能太大了）等提醒。

于是第二项测试，我们准备让 Mac mini 真正干活。还是选择 Qwen 3.8 27B 模型来驱动 Agent，来处理一个装有二三十份多模态资料的文件夹，看看如此庞大的上下文，它还能不能处理好。

经过了大约 14 分钟，Agent 完成了梳理，给到了我们期待的答案。虽然用时的确有点长，但别忘了这是完全本地运行的——全程数据都没有上传。

想象一下在一个极度保密的工作环境里，比如药企的实验室或者芯片公司的设计部门，用时长来换绝对的数据安全合规，是可以接受的。更别提这还只是 Mac mini，如果是 Mac Studio 的话只会显著更快。

最近 Computer Use 比较火，我们也让这个本地 Agent 操作 Blender 做了一个 3D 模型。我们注意到，模型决定直接调用 Blender 内置的 Python API 进行操作，而没有采用 GUI 操作的「笨办法」。

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 内找到了第三方压缩后的 MiniMax H3 衍生模型，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——换言之，这个工具不太适合用来驾驭多模态模型。

于是我们换成了专门的开源模型视频生成平台 ComfyUI，把之前 APPSO 已经搭建好的 MiniMax H3 工作流直接导入完全本地化的环境。

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。

这也基本能划出这台 48GB M5 Pro Mac mini 做本地 AI 的能力边界：

300 亿规模左右的量化语言模型已经可以比较流畅地使用，本地模型常驻、处理文档、写代码，以及驱动 Agent 完成一系列电脑任务，也都属于它比较合适的工作负载。

但对于视频生成这种需要长时间占用大量内存和 GPU 算力的任务，它所需要的时间就会变多。

大尺寸的 48GB 统一内存能解决很多模型「装不下」的问题，但并不是所有装得下的模型，都能以实用的速度跑起来。

所以，如果只是把 Mac mini 当成本地大模型和 Agent 的主机，应付日常相对轻量的工作，它已经绝对够用。

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。那应该是 Mac Studio 的工作。

一种新用法：你的专属在线 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。

这次体验下来，我们反而觉得更值得关注的是：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。

这也是为什么前面我们说，这台电脑属于你，但又不只属于你。

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。

苹果官网的原话是这么说的：

无论将 Mac mini 用作主力台式电脑还是全天候桌面智能体计算工具，用户都能利用其升级性能轻松驾驭各类工作任务。

说白了，就是你可以把它当成服务器来用。

于是，我们把它作为 Codex 的 Agent 服务器，让那些 Mac mini 原本就擅长的任务，现在通过另一台远端设备上的 Codex 遥控完成。

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去做工程管理、SwiftUI、数据库、文件系统、多线程等复杂任务，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，它还能继续处理「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。

而以上这一切发生的同时，我们在外面放假呢……

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，开了这么多 Agent，跑这么多任务，这台电脑仍然是「能用」的：

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。

但到了 Agent 时代，「多任务」正在变成另一件事。

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。

这或许也是 AI PC 真正发生变化的地方：电脑不再只是等着人去操作的一台工具，它开始变成一个可以一直开着、一直有人替你干活的工作场所。

是的，这台电脑的操作权限不只「属于」你，因为它是一个专属于你的「服务器」。

文｜张子豪