# 新 Mac mini 首发实测：我的第一台「多 Agent」电脑 - 作者：张子豪 - 发布时间：2026-09-21 21:06 - 分类：产品、公司、硬件、评测 - 原文：https://www.ifanr.com/1681211 ![](https://s3.ifanr.com/wp-content/uploads/2026/09/ChatGPT-Image-15_31_53.png) 从今年 4 月开始，Mac mini 就逐渐成为「AI PC」的代名词。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973036454-1.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973038212-2.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973041508-3.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973044923-4.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973046500-5.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973048744-6.png) 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，因为它很好地为 AI 提供了一个可以持续工作的地方。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973051756-7.png) 就像 APPSO 之前说的，新 Mac mini 是一台为 AI 造的电脑，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。根据官方的对比显示，相比 M4 Mac mini，M6 Mac mini 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。** 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973054878-8.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973056053-9.png) 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/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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973057556-10.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973058812-11.png) ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973060128-12.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973061291-13.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973062972-14.png) 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。** ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973064317-15.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973065640-16.png) 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，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 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973066605-17.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973069390-18.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973070964-19.png) ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973071947-20.png) 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。![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973072957-21.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973073950-22.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973076396-23.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973078487-24.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973079798-25.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973081656-26.gif) 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。 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。 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973083497-27.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973086579-28.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973088439-29.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973089499-30.png) 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。」 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973090764-31.png) 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。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973092697-32.png) 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。** ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973095453-33.png) ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973097021-34.png) 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。 Mac mini 作为 Agent 主机的「真正落地」，并不是说用它来运行某一个 Agent，就要消耗掉 48GB，更多地是未来一台电脑可能同时有四五个 Agent 在后台替我们工作，传统 PC 的「多任务」正在变成「多 Agent」。 ![Image](https://s3.ifanr.com/wp-content/uploads/2026/09/lark2pad-1789973098551-35.png) 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。