一台 64GB 內存的頂配 MacBook Pro，究竟能把 M5 Pro 的性能發揮到什麼程度？
YouTube上的Akponential拿到了一台 14 英寸 MacBook Pro，配置包括 18 核 CPU、20 核 GPU、64GB 統一內存和 4TB SSD。為了尋找答案，他依次測試了 SSD、CPU、GPU、圖片處理、影片導出和本地大模型，還加入了內存占用與持續高負載測試。
結果呈現出明顯反差：基準測試中的差距十分醒目，到了真實軟體中，提升幅度卻隨著任務類型發生變化。部分輕量工作流幾乎看不到區別，8K 影片、3D 渲染和本地模型等高負載任務，才更容易觸及這台機器的性能上限。
基準成績很強，持續滿載仍會降頻
他首先測試了 4TB SSD。給出的結果顯示，順序寫入速度約為 7GB/s，讀取速度約為 8.5GB/s，在他測試過的 MacBook 中屬於較高水平。
CPU 環節採用了渲染類測試。M5 Pro 與普通 M5 的單核成績接近，多核成績則明顯拉開。作者將其歸因於核心數量差異：前者配備 18 核 CPU，後者為 10 核。
GPU 測試中，20 核 GPU 的 M5 Pro 同樣明顯領先 10 核 GPU 的普通 M5。在 Blender 渲染項目里，GPU 渲染成績差距甚至超過了兩款晶片的核心數量差距。
他還通過圖形壓力測試觀察持續性能。機器升溫後，成績大約維持在初始狀態的 93%。作者據此認為，MacBook Pro 的主動散熱能夠控制降頻幅度，但仍不足以讓 M5 Pro 長時間保持峰值性能。
模型能跑多大，首先取決於內存
他在三台 MacBook Pro 上運行本地大模型，分別是 64GB 內存的 M5 Pro、16GB 內存的 M5，以及 32GB 內存的 M4。測試重點包括模型能否加載、生成速度，以及持續推理時的硬體負載。
Apple Silicon 採用統一內存架構，CPU 和 GPU 可以共享同一塊內存。運行本地模型時，內存既要容納模型權重，也要為系統、上下文緩存和推理過程保留空間。因此，模型文件能夠成功加載，並不代表機器已經具備流暢運行它的條件。
在 16GB 的 M5 上，體積達到 19GB 和 22GB 的模型無法運行。一個約 14GB 的模型雖然能夠加載，但系統只剩下約 2GB 可用空間，生成速度約為 7.9 Token/s。32GB 的 M4 加載相同體積的模型後，仍有較充足的空間參與計算，實際表現反而可能超過 16GB 的 M5。
這組對比同時涉及晶片、內存和軟體環境，無法單獨計算內存帶來的性能增幅，但可以確認一件事：當模型體積逼近物理內存上限，運行速度和系統響應都會明顯受到影響。對於準備長期運行本地模型的用戶，32GB 提供了更合理的選擇範圍，64GB 則可以容納更大的模型，並為上下文和其他應用留下空間。
軟體適配同樣影響速度。一款約 36B 參數的 Gemma 系模型，在常規運行方式下約為 13 Token/s，換用面向 Apple Silicon 優化的 MLX 版本後，速度提高到約 26 Token/s。MLX 可以更充分地調用統一內存和 Metal GPU，因此，同一類模型僅更換格式和運行後端，性能就可能出現較大變化。
他還測試了 Qwen 3.6，部分千問模型在 M5 Pro 上達到約 70—80 Token/s，文本輸出已經較為流暢，一些模型在 32GB 的 M4 上也能達到可用水平。由於具體模型版本、參數規模、量化格式和上下文長度沒有統一，這些數字不能直接橫向比較。它們說明，本地 AI 的體驗不僅取決於硬體，也與模型架構和推理框架密切相關。參數適中、適配充分的模型，往往更適合寫作、總結、資料提取和輕量編程等高頻任務。
運行模型時，GPU 使用率會迅速接近 100%，較大的模型還會長時間保持滿載。小模型完成響應較快，熱量積累有限；複雜問題和長文本生成會持續推高機身溫度。因此，他更推薦帶主動散熱的 MacBook Pro 或 Mac mini，不建議用無風扇 MacBook Air 長時間承擔本地推理任務。
當 AI 開始常駐電腦，衡量硬體的方式也隨之改變。影片導出快幾分鐘，只發生在項目完成的某個環節；本地模型則可能持續參與寫作、編程、資料整理和 Agent 工作流。晶片決定生成速度，內存限制模型規模，軟體後端影響硬體利用效率，散熱關係到長時間運行的穩定性。對於希望將更多 AI 任務留在本機的用戶，這些因素共同構成了高配 Mac 更具現實意義的使用場景。
任務越重差距越明顯
在 Lightroom 測試中，他導入了 529 張全畫幅相機照片，先將一張照片的調整參數批量複製到其餘照片，再將所有圖片導出為高解析度 JPEG。
批量同步參數時，幾台機器的差距有限。到了圖片導出環節，M5 Pro 樣機完成任務約需 1 分鐘，普通 M5 則用了約 3 分 27 秒。
他同時發現，配備 32GB 內存的 M4 在部分 Lightroom 項目中也會超過只有 16GB 內存的 M5。這組比較同時改變了晶片代際、CPU 與 GPU 規模以及內存容量，無法單獨計算 64GB 內存貢獻了多少性能。
隨後，他在 Final Cut Pro 中測試了不同規格的影片。按照測試的結果，4K 30fps 項目中，M5 Pro 與普通 M5 的導出時間較為接近；4K 60fps 項目開始出現差距；處理 8K 項目時，時間差進一步擴大。
由此，他得出的判斷是，工作負載越重，M5 Pro 增加的 GPU 資源越容易得到利用。普通 4K 項目可能無法持續壓滿晶片，8K 素材、複雜時間線和高負載導出更容易拉開差距。
至頂AI實驗室洞見
傳統性能測試關注的是渲染快多少、導出省幾分鐘，本地 AI 關心的則是模型能不能裝下、加載後還剩多少運行空間、生成速度能否達到可用水平。統一內存容量、GPU 持續負載能力、散熱設計，以及 MLX 等軟體後端，共同決定了一台 Mac 能否真正承擔本地推理任務。
這也讓 MacBook Pro 的購買邏輯多了一條新的坐標。過去選擇高配晶片，主要服務於影片、圖形和開發工作；隨著本地模型逐漸進入寫作、編程、資料分析和 Agent 工作流，內存開始直接決定用戶能夠調用哪一級別的模型。16GB 可以體驗小模型，32GB 才擁有更寬的選擇範圍，64GB 則為更大模型和長期使用留下餘量。具體速度仍會受到模型版本、量化格式和運行後端影響，數據無法作為統一標準，但它已經展示出一個明確趨勢：AI 正在成為高配 Mac 最有可能被持續壓滿的新場景。
對於普通用戶來說，M5 Pro 的峰值性能可能長期用不上；對於希望把模型留在本地、減少雲端調用，並讓 AI 深度進入日常工作流的人來說，晶片、內存和散熱將共同構成新的生產力門檻。未來衡量一台電腦是否足夠強，除了看它能多快完成一次導出，還要看它能否穩定運行一個真正有用的本地模型。
