Mac Studio M3 Ultra
PulseAugur coverage of Mac Studio M3 Ultra — every cluster mentioning Mac Studio M3 Ultra across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
开源模型被训练用于编写Atlassian Forge应用
一位开发者训练了一个拥有270亿参数的开源模型Qwen3.8-27B，使其能够生成Atlassian Forge应用程序。这个微调后的模型在其基础版本上表现出显著的改进，能够生成有效的Forge清单和可编译的应用程序，这是基础模型无法实现的壮举。开发者声称，这是第一个专门为编写Forge应用而训练的开源模型，其性能指标和训练细节已在Hugging Face和GitHub上公开。
-
2026年Mac：统一内存和带宽决定本地LLM性能
在2026年，Mac硬件上本地运行大型语言模型将主要取决于统一内存容量和带宽，而非核心数量。拥有16GB统一内存的Mac可以很好地运行多达140亿参数的模型，而对于70B级别模型建议使用64GB，对于超过1000亿参数的模型则需要128GB或更多。内存带宽是生成速度的主要决定因素，M4等新芯片比旧芯片具有显著优势。Ollama、LM Studio、MLX和llama.cpp等工具提供了在本地运行这些模型的不同接口和功能。
-
用户在 Mac Studio 上运行 465GB DeepSeek V4-Pro LLM
一位用户详细介绍了他们如何在配备 512GB 统一内存的 Mac Studio M3 Ultra 上成功运行一个 465GB 的 LLM，即 DeepSeek V4-Pro。该设置优先考虑成本效益而非原始速度，利用 Apple Silicon 的统一内存架构和包括 llama.cpp 在内的优化工具栈。关键考虑因素包括最大化 GPU 内存分配、管理 KV 缓存、防止磁盘交换以及为大型模型实施稳健的下载和服务器管理策略。
-
Kimi 2.7 Code 基准测试显示 RTX GPU 对解码速度提升有限
使用 Kimi 2.7 Code 模型在配备 NVIDIA RTX PRO 6000 GPU 的 Mac Studio M3 Ultra 上进行了基准测试，并利用 llama.cpp 进行 RPC 通信。结果表明，虽然使用 RTX GPU 将预填充速度提升了约 14.8%，但在 token 生成和解码速度方面仅带来了约 4.2% 的微小提升。整体请求时间仅适度改善了 12.3%。
-
MiniMax M3 Q4 模型在 Mac Studio 上完成美国海关表格
MiniMax AI 展示了其 M3 Q4 模型在 Mac Studio M3 Ultra 上本地运行。该开源模型使用 MLX-VLM 框架成功处理了美国海关表格，并从身份证照片和扫描文件中提取了信息。
-
医疗 AI 公司测试 25 种本地 LLM 用于临床用途
一家医疗 AI 公司测试了 25 种本地 LLM，以确定它们是否适合临床使用，重点关注数据隐私和患者安全。他们发现，虽然本地部署是可行的，但没有单一的最佳模型，并且内存带宽等硬件限制会限制性能。该公司建议针对特定用例进行独立测试，并建议使用非推理模型来平衡速度和成本。
-
Redis 创始人为 Mac 构建 DeepSeek V4 专用推理引擎
Redis 的创始人 Salvatore Sanfilippo 开发了一个名为 ds4.c 的新的、高度优化的推理引擎，专门用于 DeepSeek V4 Flash 模型。该引擎旨在 Apple Silicon Mac 上高效运行，利用 Metal 进行 GPU 加速。它采用了非对称量化和将 KV 缓存卸载到磁盘等技术，以实现大型模型的本地执行，甚至支持 OpenAI 和 Anthropic API 兼容性，以便集成到代理中。