Qual LLM para Mac mini M4 / M4 Pro (16–64 GB) ?

#Mac mini M4 e LLM local: o que a máquina sabe fazer

Um Mac mini é um bom servidor de LLM local porque sua memória unificada é compartilhada entre o processador e a GPU, sem VRAM separada. Dois números determinam o que você pode fazer com ele. A capacidade (16 a 64 GB, dependendo do chip) define o tamanho do modelo que pode ser carregado: 7 a 12 bilhões de parâmetros em 16 GB, 24 a 35 bilhões em 32 a 48 GB. A largura de banda define a velocidade: 120 GB/s para o chip M4, 273 GB/s para o M4 Pro, segundo a Apple. Um LLM relê seus pesos a cada token produzido, então a taxa máxima de geração é aproximadamente a largura de banda dividida pelo tamanho dos pesos. Para um modelo 7B em Q4_0, a tabela pública do llama.cpp indica 24,1 tokens/s para um M4 e cerca de 50 para um M4 Pro. A Apple apresentou em agosto de 2026 os Mac mini M6 e M5 Pro, que substituem essa linha; o M4 ainda estava disponível em alguns revendedores no fim de agosto.

Mac mini M4

CPU de 10 núcleos, GPU de 10 núcleos, 120 GB/s, 16 GB de memória unificada (24 ou 32 GB como opção), Thunderbolt 4.

Mac mini M4 Pro

CPU de 12 núcleos, GPU de 16 núcleos (14 e 20 opcionais), 273 GB/s, 24 GB de memória (48 ou 64 GB opcionais), Thunderbolt 5.

Formato e ruído

12,7 × 12,7 × 5,0 cm, 0,67 kg (M4) ou 0,73 kg (M4 Pro); 5 dBA em repouso, conforme Apple.

Consumo anunciado

M4: 4 W em repouso, 65 W no máximo. M4 Pro: 5 W e 140 W. A Apple não divulga valores de consumo durante a inferência.

#Mac mini M4 ou M4 Pro: a largura de banda é decisiva

Entre os dois chips, a verdadeira diferença não é a memória máxima (32 GB contra 64 GB), mas a largura de banda, multiplicada por 2,3 (273 ÷ 120). Na tabela do llama.cpp, a relação medida é de 2,1 na geração (50,7 ÷ 24,1 em Q4_0) e de 2,0 na leitura do prompt (440 ÷ 221).

O M4 é suficiente se

você é o único usuário, busca modelos de até 12 bilhões de parâmetros (Qwen 3.5 9B, Gemma 4 12B) e aceita cerca de vinte tokens/s no melhor dos casos. Opte por 24 GB para manter também um modelo de embeddings carregado.

O M4 Pro é a escolha certa se

Seu objetivo são modelos com 14 a 27 bilhões de parâmetros, um MoE com 30 a 35 bilhões (no mínimo 48 GB), um agente de código ou múltiplos usuários. Acima de 64 GB, é necessário um Mac Studio.

#VRAM no Mac mini: a memória unificada e seu limite de uso pela GPU

Um Mac mini não possui VRAM separada, mas o GPU não consegue usar toda a memória. De acordo com os usuários do llama.cpp, a limitação padrão é de dois terços a três quartos da RAM; ao iniciar, o llama.cpp exibe a linha recommendedMaxWorkingSetSize, que mostra o valor real. A configuração iogpu.wired_limit_mb tem valor 0 por padrão, o que significa 'política padrão do sistema' e não 'ilimitado'.

O limite deve comportar os pesos, o cache KV (a memória do contexto, que cresce com a conversa) e os buffers de cálculo. Para carregar um modelo que se aproxima do limite, esse limite é aumentado: o MLX recomenda um valor superior ao tamanho do modelo em megabytes, mas inferior à memória da máquina. Deixe vários gigabytes para o macOS; caso contrário, a velocidade despenca. Uma configuração manual via sysctl pode não persistir após uma reinicialização.

# Valeur actuelle : 0 = plafond par défaut du système
sysctl iogpu.wired_limit_mb

# 40 Go pour le GPU sur 48 Go de RAM (40 x 1024 = 40960 Mo)
sudo sysctl iogpu.wired_limit_mb=40960

#Qual modelo para qual memória: o que cabe em um Mac mini

A tabela cruza o tamanho dos arquivos publicados pelo Ollama com um limite de dois terços da RAM (hipótese prudente). “Sim”: os pesos ocupam menos de 70% do limite, e sobra espaço para o cache KV. “No limite”: eles cabem, com um contexto curto. “Não”: eles excedem o limite. São cálculos, não medições.

#Mac mini M4 16 GB: os modelos a preferir

Com 16 GB, o limite fica em torno de 11 GB. Qwen 3.5 9B (6,6 GB no Ollama) deixa cerca de 4 GB para o cache KV e os buffers. Gemma 4 12B (7,6 GB) funciona com um contexto curto. Um modelo de 14 GB como Mistral Small 24B excede esse limite: o Ollama o distribui entre GPU e CPU, e a velocidade cai. O comando ollama ps mostra a distribuição; procure manter a execução 100% na GPU.

#Velocidade de um Mac mini: limite teórico e medições publicadas

A taxa de geração é limitada pela largura de banda: tokens por segundo ≈ largura de banda (GB/s) ÷ pesos lidos a cada token (GB). Esse cálculo fornece um limite teórico, nunca uma medição real. Para um modelo denso de 14 GB, 120 ÷ 14 dá 8,6 tokens/s no máximo em um M4, e 273 ÷ 14 dá 19,5 em um M4 Pro.

As medições publicadas ficam abaixo desse limite. A seguir estão as medições da tabela que a comunidade llama.cpp mantém atualizada para os chips Apple, com Llama 2 7B. Não são nossas medições e se referem a um modelo antigo em Q4_0 e Q8_0, mas mostram a relação entre os chips.

Passar de Q8_0 para Q4_0 acelera a geração em 1,8x no M4 e 1,7x no M4 Pro: o tamanho do arquivo conta mais que o cálculo. Os núcleos GPU têm maior impacto na leitura do prompt (364 contra 440 tokens/s no M4 Pro). A tabela não contém nenhuma medição para o M6 na data de consulta.

#Mac mini M6 e M5 Pro: o que a nova linha muda para um LLM

A Apple anuncia para o Mac mini M6 uma velocidade de processamento do prompt no LM Studio até 4,8 vezes maior que a do M4, e para o M5 Pro até 4 vezes maior que a do M4 Pro. Esses ganhos se referem à leitura do prompt, que aproveita os aceleradores neurais adicionados a cada núcleo da GPU. A geração continua determinada pela largura de banda e melhora bem menos: de 12% (307 contra 273 GB/s) a 42% (170 contra 120 GB/s).

Um M6 básico com 153 GB/s tem apenas 28% mais largura de banda do que o M4: o limite teórico de um 9B passa de 18 para cerca de 23 tokens/s. A nova linha beneficia principalmente os usos com contexto longo: um RAG que injeta documentos longos, um agente de código que relê um repositório.

Máquina nova, modelo de 30 a 35 bilhões de parâmetros

Um M5 Pro com pelo menos 48 GB, 64 GB para se sentir confortável com um MoE de 35 bilhões: o M6 atinge apenas 32 GB.

M4 ainda em estoque

Coerente para 7 a 12 bilhões de parâmetros, se houver uma diferença de preço clara em relação ao M6. Este estoque é limitado.

#Instalar um servidor LLM em um Mac mini com Ollama

O Ollama no macOS funciona como um aplicativo, cujas configurações são feitas por meio de variáveis de ambiente definidas com launchctl. Por padrão, o Ollama escuta apenas em 127.0.0.1, na porta 11434: sem alterações, nenhum outro dispositivo pode usá-lo.

1. 01
   Instalar o aplicativo Ollama

   Baixe o Ollama de ollama.com e coloque o aplicativo na pasta Aplicativos. Na primeira execução, ele oferece criar o link do comando ollama.
2. 02
   Abrir a porta para a rede local

   Defina OLLAMA_HOST com launchctl (comando abaixo), depois reinicie o aplicativo. O endereço 0.0.0.0 abre a API para toda a rede, sem autenticação: use esse endereço apenas em uma rede de confiança.
3. 03
   Impedir a suspensão

   Em Configurações do Sistema, na seção Energia, ative a opção que impede a suspensão automática quando a tela está apagada: sem ela, o serviço pode ser interrompido.
4. 04
   Baixar um modelo adequado

   Escolha, no quadro, um modelo marcado "sim" para sua memória, por exemplo qwen3.5:9b em 16 GB.
5. 05
   Verificar a partir de outro dispositivo

   Envie uma requisição para o endereço do Mac mini (nome .local ou IP), depois execute ollama ps: a coluna Processor deve exibir 100% GPU.

# Écoute sur tout le réseau local, puis relancer l'application Ollama
launchctl setenv OLLAMA_HOST "0.0.0.0:11434"

# Modèle pour 16 Go de mémoire
ollama pull qwen3.5:9b

# Test depuis un autre appareil (remplacez l'adresse)
curl http://mac-mini.local:11434/api/chat -d '{"model": "qwen3.5:9b", "messages": [{"role": "user", "content": "Bonjour"}], "stream": false}'

Dois ajustes frequentemente copiados são inúteis aqui: a documentação do Ollama esclarece que o Flash Attention é ativado automaticamente quando o hardware permite, e OLLAMA_ORIGINS diz respeito às extensões de navegador. Por outro lado, quantizar o cache KV (OLLAMA_KV_CACHE_TYPE=q8_0) reduz seu tamanho aproximadamente pela metade com uma perda muito pequena, o que faz diferença em uma máquina com 16 GB quando o contexto aumenta.

#LM Studio: a alternativa ao Ollama

O LM Studio exige um chip Apple Silicon e macOS 14 ou mais recente, com 16 GB de RAM recomendados. Desde a versão 0.3.4, ele carrega tanto modelos GGUF quanto MLX. Sem tela, seu daemon llmster é iniciado com lms daemon up. A opção “Serve on Local Network” disponibiliza a API na rede; a autenticação por token não é ativada por padrão. O mecanismo MLX do Ollama, apresentado em versão preliminar em março de 2026, exigia mais de 32 GB: um M4 com 16 GB não podia se beneficiar dele.

#O que um Mac mini pode oferecer: chat, RAG, agentes, cluster

Servidor de chat em casa

As APIs do Ollama e do LM Studio aceitam clientes no formato OpenAI (Open WebUI, Zed, scripts). Colocado perto do roteador, o Mac mini atende toda a casa.

RAG documental

É necessário carregar o modelo de geração e um modelo de embeddings. nomic-embed-text pesa 274 MB: em 16 GB, cabe ao lado de Qwen 3.5 9B.

Agente de código

Um agente envia prompts longos em cada etapa: a leitura do prompt conta mais do que a geração, e é aqui que M6 e M5 Pro ganham mais.

#Quantos usuários simultâneos?

Ollama processa uma requisição de cada vez por modelo por padrão (OLLAMA_NUM_PARALLEL vale 1). Cada requisição paralela aumenta o contexto alocado: de acordo com a documentação, 4 requisições com um contexto de 2.000 tokens alocam 8.000 tokens. Memória do cache = cache de uma conversa × requisições paralelas. Cada pessoa recebe sua resposta mais lentamente; não existe aqui uma medição confiável para um número específico de pessoas.

#Ligar vários Mac mini em cluster

Somente o M4 Pro oferece Thunderbolt 5 (120 Gb/s); o M4 se limita a Thunderbolt 4 (40 Gb/s). O projeto exo oferece suporte a RDMA via Thunderbolt 5, que reduziria em 99% a latência entre máquinas, e afirma acelerar os modelos à medida que se adicionam dispositivos, com macOS 26.2 ou superior. Seus benchmarks foram realizados em Mac Studio, não em Mac mini. Um cluster serve principalmente para carregar um modelo grande demais para uma única máquina.

• Compartilhar Ollama na sua rede local (família, equipe)
• Segurança do servidor Ollama: autenticação e reverse proxy
• Exo: transformar várias máquinas em um cluster LLM doméstico
• Otimizar seu Mac com Apple Silicon: limite de GPU, Flash Attention, cache KV
• Informações do hardware: Mac mini M6
• Informações do hardware: Mac mini M5 Pro

#Mac mini M4 ou MacBook Air M4: mesmo chip, uso diferente

O MacBook Air de 13 polegadas com M4 utiliza o mesmo chip, com a mesma largura de banda (120 GB/s) e as mesmas opções de 16, 24 ou 32 GB: a velocidade máxima é a mesma. O que muda é o chassi. A versão antiga deste guia indicava uma redução de 20% no desempenho do Air após dez minutos; nenhuma fonte confirma essa redução, e essa afirmação foi retirada. Para um serviço ligado continuamente, o Mac mini é a escolha natural; para um computador portátil (1,24 kg, tela e bateria incluídos), o MacBook.

• Fonte: Apple, ficha técnica do Mac mini (2024)
• Fonte: Apple, anúncio dos Mac mini M6 e M5 Pro (agosto de 2026)
• Fonte: llama.cpp, desempenho em chips Apple da série M
• Fonte: documentação Ollama, FAQ (variáveis de ambiente, cache KV)
• Fonte: documentação LM Studio, modo servidor sem interface

#Perguntas frequentes