Apple M5 Max
PulseAugur coverage of Apple M5 Max — every cluster mentioning Apple M5 Max across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Recursive Superintelligence 发布 Flint，一款 40B MoE 编码模型
Recursive Superintelligence 推出了 Flint，一款拥有 400 亿参数的混合专家（MoE）模型，专为编码 Agent 设计。该模型每个 token 使用 25 亿激活参数，是在 Recursive 的自动化研究系统 Eureka Machine 的协助下开发的。Flint 在 IFEval 和 SWE-bench 等编码基准测试中表现强劲，并针对 Apple Silicon Mac 和拥有 48GB 内存…
-
Liquid AI 的 LFM2.5-24B-A2B 模型提供快速推理但 RAM 需求高
Liquid AI 发布了其 LFM2.5-24B-A2B 模型，这是一个拥有 240 亿参数的混合专家模型，每个 token 仅使用 24.5 亿参数。这种架构允许更快的解码速度，Liquid 报告称在 Apple M5 Max 上可达 184 tokens/s。尽管参数效率高，但完整模型仍需要大约 14.5 GB 的 RAM 来存储。该模型在指令遵循和工具调用任务方面表现出色，在这些领域优于 Qwen3.6-35B-A3B 等竞争…
-
Liquid AI 发布 LFM2.5-24B-A2B，用于快速设备端智能体
Liquid AI 发布了 LFM2.5-24B-A2B，这是一款拥有 240 亿参数的专家混合（MoE）模型，专为设备端智能体设计。该模型每个 token 激活约 20 亿参数，并针对多步工具使用进行了优化，而非通用聊天。它在智能体和工具使用基准测试中表现强劲，在 AutomationBench 等特定任务上优于更大的模型，而 Qwen3.6-35B-A3B 等更大的模型在知识和编码任务上表现更好。LFM2.5-24B-A2B 能够…
-
LiquidAI 发布 LFM2.5-24B-A2B，用于高效的设备端 AI 代理
LiquidAI 发布了 LFM2.5-24B-A2B，这是一款新的以推理为重点的语言模型，专为高效的设备端代理部署而设计。尽管其参数少于 Qwen3.6-35B-A3B 等竞争对手，但它在代理任务和工具使用方面表现出竞争力，在 CPU 和 GPU 上均实现了高推理速度。该模型的架构在其前代产品的基础上进行了扩展，拥有更大的上下文窗口和词汇量，并经过多阶段的后训练过程以增强其代理能力。
-
Bonsai 量化技术将大型语言模型压缩至 5.9GB，智能保留率达 98.2%
一种名为“Bonsai”的大型语言模型量化新方法已被开发出来，显著减小了模型尺寸，同时保留了高比例的智能。该技术将 27B 类模型压缩至约 5.9 GB，相比 FP16 模型通常的 54 GB 有了大幅缩减。Bonsai 通过使用三元变换器权重，在推理、数学和编码任务等各种基准测试中保持了 98.2% 的 FP16 智能，并支持 262K 令牌上下文窗口的设备端运行。
-
Swift-1.5-Qwen3.8-27b-oQ8e-mtp 在 Apple M5 Max 上的基准测试
一位用户在 Apple M5 Max 芯片上对 Swift-1.5-Qwen3.8-27b-oQ8e-mtp 模型进行了基准测试，生成速度达到每秒 34.6 个 token。与基础的 Qwen 3.8 27B 模型相比，Swift 模型在代码生成和代理工作流等各种场景下的平均输出 token 数显著减少，从而缩短了基准测试运行时间。尽管输出量减少，但质量得分相当，这表明 Swift-1.5-Qwen3.8-27b-oQ8e-mtp 因…
-
本地 VLM 管道 Scribe 针对临床表格数据提取进行基准测试
一个名为 Scribe 的新本地管道已被基准测试，以评估其将手写临床表格转换为结构化数据的能力。该管道专为离线优先的医疗环境设计，使用了 Apple M5 Max 芯片和通过 OpenAI 兼容 API 提供的模型，在九种配置下进行了测试。主要发现表明，人工审查对于准确性至关重要，因为模型即使在不正确时也常常报告高置信度，并且该管道优先将不确定的字段路由给人工操作员，而不是进行猜测。
-
Qwen3.8-27B 在 Apple M5 Max 上的性能测试
一位用户在 Apple M5 Max 芯片上对 Qwen3.8-27B 模型进行了基准测试，比较了“thinking on xhigh”与“thinking off”两种模式下的性能。开启“thinking on xhigh”模式后，处理的 token 数量增加了 5.5 倍，运行时长增加了 6 倍。禁用“thinking”功能显著影响了输出质量，使得模型在每秒 token 处理速度方面落后于 Qwen3.6-35B-A3B 等其他模型。
-
Liquid AI 发布紧凑型 LFM2.5-VL-3B 视觉模型以实现本地处理
Liquid AI 发布了一款名为 LFM2.5-VL-3B 的紧凑型视觉模型，该模型拥有 31 亿参数。该模型在 Apple M5 Max 处理器上实现了每秒 228 个 token 的处理速度。这一发展标志着在本地分析界面和文档方面取得了突破，无需进行云处理。
-
Liquid AI 发布用于设备端的 3B 视觉语言模型
Liquid AI 推出了 LFM2.5-VL-3B，这是一个拥有 31 亿参数的视觉语言模型，专为设备端应用而设计。该模型在读取数字屏幕、识别带坐标的物体以及处理文档和图表方面表现出色。它还支持函数调用，使其能够根据文本或图像输入与工具进行交互。虽然在各种基准测试中取得了强劲的性能，但它被认为是一个非推理模型，优先考虑低延迟。
-
测试显示，笔记本电脑的电池供电性能差异显著
最近一项关于笔记本电脑在电池供电和交流电源下性能的对比测试显示，各大 CPU 制造商之间存在显著差异。Intel 和 Apple 的性能最为稳定，在断开电源时下降幅度最小，而 Qualcomm 的 Snapdragon X2 Elite Extreme 则表现出明显的波动性，在某些基准测试中性能有所提升，而在另一些测试中则有所下降。AMD 的处理器，尤其是在 Acer Swift Go 16 AI 中，在电池供电运行时性能下降最为严重…
-
PrismML 发布 Bonsai 27B，一款用于离线移动使用的 27B LLM
PrismML 发布了 Bonsai 27B，这是一款拥有 270 亿参数的大型语言模型，能够离线运行在 iPhone 17 Pro Max 等移动设备上。该模型通过新颖的 1 位训练方法而非传统量化实现了小巧的体积，文件大小为 3.9GB。虽然它在推理和代码生成方面保持了强大的能力，但在工具调用等代理任务方面表现有所下降。Bonsai 27B 可通过浏览器中的 WebGPU 访问，或与 OpenAI 兼容的客户端集成。
-
研究探讨主权企业语言模型的本体增强蒸馏方法
一项新研究探讨了适应主权企业语言模型的方法，重点关注本体增强蒸馏和情境性审计。研究人员使用本体和偏好对对 Qwen3.6-27B 模型进行了微调，在越南金融任务上实现了 0.90 的基础率，与 GPT-5 基线相当。然而，研究范围有限，无法得出关于等同性或优越性的明确结论。此外，开发了一种情境性审计方法，但一项试点研究未从残余情境性中发现有用的信号，表明现有证据不支持所测试方法的部署、安全或优越性主张。
-
本地大模型：M5 Max MacBook Pro 对比 M4 Max MacBook Pro 用户寻求建议
一位数据科学家正在寻求建议，关于是购买一台翻新的 M4 Max 芯片 MacBook Pro 还是新款 M5 Max 芯片 MacBook Pro 来运行本地大语言模型。M5 Max 在 CPU 核心和内存带宽方面略有提升，可能有助于提高 Gemma 4 31B 和 Qwen 3.6-27B 等模型的数据推导和提取任务的性能。最终决定取决于 1,120 美元的差价是否值得新款芯片带来的性能提升。