一台 64GB 内存的顶配 MacBook Pro，究竟能把 M5 Pro 的性能发挥到什么程度？
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 统一内存和 4TB SSD。为了寻找答案，他依次测试了 SSD、CPU、GPU、图片处理、视频导出和本地大模型，还加入了内存占用与持续高负载测试。
结果呈现出明显反差：基准测试中的差距十分醒目，到了真实软件中，提升幅度却随着任务类型发生变化。部分轻量工作流几乎看不到区别，8K 视频、3D 渲染和本地模型等高负载任务，才更容易触及这台机器的性能上限。
基准成绩很强，持续满载仍会降频
他首先测试了 4TB SSD。给出的结果显示，顺序写入速度约为 7GB/s，读取速度约为 8.5GB/s，在他测试过的 MacBook 中属于较高水平。
CPU 环节采用了渲染类测试。M5 Pro 与普通 M5 的单核成绩接近，多核成绩则明显拉开。作者将其归因于核心数量差异：前者配备 18 核 CPU，后者为 10 核。
GPU 测试中，20 核 GPU 的 M5 Pro 同样明显领先 10 核 GPU 的普通 M5。在 Blender 渲染项目里，GPU 渲染成绩差距甚至超过了两款芯片的核心数量差距。
他还通过图形压力测试观察持续性能。机器升温后，成绩大约维持在初始状态的 93%。作者据此认为，MacBook Pro 的主动散热能够控制降频幅度，但仍不足以让 M5 Pro 长时间保持峰值性能。
模型能跑多大，首先取决于内存
他在三台 MacBook Pro 上运行本地大模型，分别是 64GB 内存的 M5 Pro、16GB 内存的 M5，以及 32GB 内存的 M4。测试重点包括模型能否加载、生成速度，以及持续推理时的硬件负载。
Apple Silicon 采用统一内存架构，CPU 和 GPU 可以共享同一块内存。运行本地模型时，内存既要容纳模型权重，也要为系统、上下文缓存和推理过程保留空间。因此，模型文件能够成功加载，并不代表机器已经具备流畅运行它的条件。
在 16GB 的 M5 上，体积达到 19GB 和 22GB 的模型无法运行。一个约 14GB 的模型虽然能够加载，但系统只剩下约 2GB 可用空间，生成速度约为 7.9 Token/s。32GB 的 M4 加载相同体积的模型后，仍有较充足的空间参与计算，实际表现反而可能超过 16GB 的 M5。
这组对比同时涉及芯片、内存和软件环境，无法单独计算内存带来的性能增幅，但可以确认一件事：当模型体积逼近物理内存上限，运行速度和系统响应都会明显受到影响。对于准备长期运行本地模型的用户，32GB 提供了更合理的选择范围，64GB 则可以容纳更大的模型，并为上下文和其他应用留下空间。
软件适配同样影响速度。一款约 36B 参数的 Gemma 系模型，在常规运行方式下约为 13 Token/s，换用面向 Apple Silicon 优化的 MLX 版本后，速度提高到约 26 Token/s。MLX 可以更充分地调用统一内存和 Metal GPU，因此，同一类模型仅更换格式和运行后端，性能就可能出现较大变化。
他还测试了 Qwen 3.6，部分千问模型在 M5 Pro 上达到约 70—80 Token/s，文本输出已经较为流畅，一些模型在 32GB 的 M4 上也能达到可用水平。由于具体模型版本、参数规模、量化格式和上下文长度没有统一，这些数字不能直接横向比较。它们说明，本地 AI 的体验不仅取决于硬件，也与模型架构和推理框架密切相关。参数适中、适配充分的模型，往往更适合写作、总结、资料提取和轻量编程等高频任务。
运行模型时，GPU 使用率会迅速接近 100%，较大的模型还会长时间保持满载。小模型完成响应较快，热量积累有限；复杂问题和长文本生成会持续推高机身温度。因此，他更推荐带主动散热的 MacBook Pro 或 Mac mini，不建议用无风扇 MacBook Air 长时间承担本地推理任务。
当 AI 开始常驻电脑，衡量硬件的方式也随之改变。视频导出快几分钟，只发生在项目完成的某个环节；本地模型则可能持续参与写作、编程、资料整理和 Agent 工作流。芯片决定生成速度，内存限制模型规模，软件后端影响硬件利用效率，散热关系到长时间运行的稳定性。对于希望将更多 AI 任务留在本机的用户，这些因素共同构成了高配 Mac 更具现实意义的使用场景。
任务越重差距越明显
在 Lightroom 测试中，他导入了 529 张全画幅相机照片，先将一张照片的调整参数批量复制到其余照片，再将所有图片导出为高分辨率 JPEG。
批量同步参数时，几台机器的差距有限。到了图片导出环节，M5 Pro 样机完成任务约需 1 分钟，普通 M5 则用了约 3 分 27 秒。
他同时发现，配备 32GB 内存的 M4 在部分 Lightroom 项目中也会超过只有 16GB 内存的 M5。这组比较同时改变了芯片代际、CPU 与 GPU 规模以及内存容量，无法单独计算 64GB 内存贡献了多少性能。
随后，他在 Final Cut Pro 中测试了不同规格的视频。按照测试的结果，4K 30fps 项目中，M5 Pro 与普通 M5 的导出时间较为接近；4K 60fps 项目开始出现差距；处理 8K 项目时，时间差进一步扩大。
由此，他得出的判断是，工作负载越重，M5 Pro 增加的 GPU 资源越容易得到利用。普通 4K 项目可能无法持续压满芯片，8K 素材、复杂时间线和高负载导出更容易拉开差距。
至顶AI实验室洞见
传统性能测试关注的是渲染快多少、导出省几分钟，本地 AI 关心的则是模型能不能装下、加载后还剩多少运行空间、生成速度能否达到可用水平。统一内存容量、GPU 持续负载能力、散热设计，以及 MLX 等软件后端，共同决定了一台 Mac 能否真正承担本地推理任务。
这也让 MacBook Pro 的购买逻辑多了一条新的坐标。过去选择高配芯片，主要服务于视频、图形和开发工作；随着本地模型逐渐进入写作、编程、资料分析和 Agent 工作流，内存开始直接决定用户能够调用哪一级别的模型。16GB 可以体验小模型，32GB 才拥有更宽的选择范围，64GB 则为更大模型和长期使用留下余量。具体速度仍会受到模型版本、量化格式和运行后端影响，数据无法作为统一标准，但它已经展示出一个明确趋势：AI 正在成为高配 Mac 最有可能被持续压满的新场景。
对于普通用户来说，M5 Pro 的峰值性能可能长期用不上；对于希望把模型留在本地、减少云端调用，并让 AI 深度进入日常工作流的人来说，芯片、内存和散热将共同构成新的生产力门槛。未来衡量一台电脑是否足够强，除了看它能多快完成一次导出，还要看它能否稳定运行一个真正有用的本地模型。
