Qual LLM no MacBook Air M3 (8 / 16 / 24 GB) ?

#MacBook Air M3 em 2026: a ficha técnica útil para os LLM

De acordo com a ficha técnica da Apple, o chip M3 do MacBook Air combina uma CPU com 8 núcleos (4 de desempenho e 4 de eficiência), uma GPU com 8 ou 10 núcleos, um Neural Engine com 16 núcleos e uma largura de banda de memória de 100 GB/s. A memória unificada é soldada: a Apple lista duas configurações de entrada, 8 GB ou 16 GB, ambas ampliáveis para 24 GB no momento da compra. O modelo está disponível em versões de 13 e 15 polegadas com o mesmo chip.

Largura de banda

100 GB/s, igual à do M2. É ela, mais do que o número de núcleos do GPU, que limita a velocidade de geração.

Refrigeração

Sem ventoinha. O chip só consegue dissipar o calor pelo chassi: durante uma geração longa, ele acaba reduzindo sua frequência.

Neural Engine

16 núcleos, mas as ferramentas comuns de IA local (Ollama, llama.cpp, LM Studio) usam a GPU via Metal, não o Neural Engine.

Novidade do M3

O Dynamic Caching, que aloca em tempo real a memória local da GPU. Não temos medições do seu efeito nos LLMs e não prometemos nenhum efeito.

#IA local ou Apple Intelligence: duas coisas diferentes

Muitas pesquisas sobre o MacBook Air M3 tratam de “IA” no sentido amplo. Apple Intelligence é o conjunto de funções integrado ao macOS (resumos, escrita, Siri); segundo a Apple, ele funciona em Macs equipados com um chip M1 ou mais recente, portanto também no MacBook Air M3. Ele não permite que você escolha o modelo, exponha uma API ou trabalhe com seus próprios documentos usando um modelo aberto.

A IA local, mencionada neste guia, consiste em baixar um modelo aberto (Qwen, Gemma, Granite, Mistral) e executá-lo com Ollama, LM Studio ou MLX. Você escolhe o modelo, o tamanho do contexto e o que fica na máquina. Os dois podem coexistir; a memória é, no entanto, compartilhada, e um modelo com 9 bilhões de parâmetros carregado reduz o que resta para macOS e para os aplicativos.

#Quantidade de memória: 8, 16 ou 24 GB

A memória é o primeiro critério, porque um modelo que excede a capacidade disponível não fica mais lento: ele se torna inutilizável. No Apple Silicon, a GPU não consegue usar toda a memória unificada; segundo as discussões no repositório llama.cpp, o Metal disponibiliza por padrão entre dois terços e três quartos dela. Em uma máquina de 16 GB, conte com cerca de 10 a 12 GB para o modelo e seu contexto.

A coluna “utilizável” é uma estimativa baseada na regra de dois terços a três quartos, não um valor fornecido pela Apple. A versão de 8 GB só se justifica se você souber que continuará usando apenas modelos pequenos; como não é possível adicionar memória depois, a versão de 16 GB é a escolha razoável para IA local. Para verificar se um modelo e seu contexto cabem, a calculadora de memória do site fornece o total.

• Calculadora de memória para um modelo e um contexto
• Escolher sua quantização

#Qual modelo escolher e qual velocidade esperar

A taxa de geração é limitada pela largura de banda dividida pelo tamanho dos pesos lidos a cada token. Com 100 GB/s, um modelo de 4,6 GB tem um limite de cerca de 21 tokens por segundo, um de 6 GB de cerca de 16, e um de 14 GB de cerca de 7. Nas medições publicadas para um Llama 7B, o M3 atinge 21,34 tokens por segundo em Q4_0, o que equivale a cerca de 80% do limite. Trata-se de limites teóricos, não de garantias.

Se o resultado for muito lento, a solução não está em um ajuste, mas no tamanho do modelo: passar de 9B para 4B praticamente dobra a taxa de geração. Para programação, um modelo especializado de 7 a 9B é mais útil do que um 24B lento demais para ser usado em tempo real. A tabela de velocidade do site (/benchmarks) reúne as medições publicadas por hardware.

#Sem ventoinha: o calor limita as gerações longas

O MacBook Air não tem ventilador. Para uma pergunta curta, você não perceberá isso. Para um resumo de várias dezenas de páginas ou uma geração de vários minutos, o chip aquece e acaba reduzindo sua frequência e, consequentemente, sua taxa de processamento. O fenômeno depende do cômodo, da carga e do ambiente; não temos nenhuma medição para citar, e é melhor verificar isso na sua máquina com uma geração longa.

Colocar a máquina sobre um suporte com ventilação

Um suporte em alumínio ou uma superfície dura ajuda o chassi a dissipar o calor; um sofá ou uma cama o impede.

Planejar pausas

Em tarefas longas, divida o trabalho em lotes em vez de fazer uma única geração de vários minutos.

Reduzir o modelo

Um modelo de 4B ou 8B aquece muito menos do que um modelo que satura a largura de banda continuamente.

Conectar à tomada

Quando o computador está funcionando com bateria, o macOS pode limitar o desempenho para economizar energia.

• Otimizar o desempenho térmico de uma máquina que executa inferência

#Instalar Ollama e iniciar um primeiro modelo

Ollama exige macOS Sonoma (14) ou mais recente. A maneira mais simples é baixar o aplicativo no site oficial; o guia de instalação detalha a alternativa via Homebrew. Depois de iniciado, o aplicativo escuta na porta 11434 da máquina, e os modelos são baixados com um único comando.

1. 01
   Instalar Ollama

   Baixe a aplicação ou siga o guia de instalação no macOS, depois inicie-a pela primeira vez.
2. 02
   Escolher um modelo de acordo com a memória

   8 GB: um modelo com 3 a 4 bilhões de parâmetros. 16 GB: um 8B (5,2 GB na biblioteca Ollama). 24 GB: um 14B (9,3 GB) ou mais.
3. 03
   Iniciar a geração

   Execute ollama run seguido do nome do modelo: o download ocorre na primeira chamada.
4. 04
   Verificar a memória durante o uso

   Abra o Monitor de Atividade, na aba Memória: a pressão da memória deve permanecer verde. Se passar para amarelo ou vermelho, o modelo é grande demais ou o contexto é longo demais.

ollama run qwen3:8b

A biblioteca Ollama indica 5,2 GB para qwen3:8b e 9,3 GB para qwen3:14b. O segundo é adequado para um MacBook Air de 24 GB, não para um de 16 GB, onde deixa muito pouco espaço disponível. Se você quiser testar MLX em vez de Ollama, o guia dedicado explica as diferenças e as limitações de cada ferramenta.

#Dois ajustes do Ollama que fazem a diferença com 16 GB

O primeiro é o tamanho do contexto. A FAQ oficial do Ollama indica uma janela padrão de 4.096 tokens, que pode ser alterada; ampliá-la consome memória para o cache. Para documentos longos, aumente-a progressivamente em vez de definir um valor máximo. O segundo é a quantização do cache KV: segundo a mesma FAQ, o Ollama aceita a variável OLLAMA_KV_CACHE_TYPE com o valor q8_0, que utiliza aproximadamente metade da memória do formato f16 padrão, desde que o Flash Attention esteja ativado.

launchctl setenv OLLAMA_FLASH_ATTENTION 1
launchctl setenv OLLAMA_KV_CACHE_TYPE q8_0
# puis quitter et relancer l'application Ollama

No Mac, a FAQ esclarece que, quando o Ollama roda como aplicativo, as variáveis são definidas com launchctl e, em seguida, o aplicativo deve ser reiniciado. O guia de otimização para Macs com Apple Silicon complementa esses ajustes no macOS.

#MLX ou Ollama no MacBook Air M3

MLX é o framework de aprendizado de máquina da Apple para seus chips. É adequado para desenvolvedores que querem controlar o modelo via Python ou fazer um ajuste fino com LoRA localmente. O Ollama cuida do download, do carregamento e da API; é o ponto de entrada mais simples. As diferenças de velocidade entre os dois dependem do modelo e da versão: em vez de prometer um percentual, consulte a comparação detalhada do site.

• MLX ou llama.cpp no Mac: a comparação
• Usar MLX em Apple Silicon

#É necessário passar para um MacBook Air M4 ou superior?

O M4 aumenta a largura de banda para 120 GB/s de acordo com a tabela do llama.cpp, ou seja, 20% a mais do que o M3: nessa tabela, um Llama 7B em Q4_0 passa de 21,34 para 24,11 tokens por segundo. A diferença é perceptível nos modelos de 8B ou mais, mas não representa uma mudança radical. A verdadeira limitação do M3 continua sendo a memória, não a velocidade.

• MacBook Air M4: o sucessor
• MacBook Air M2: a geração anterior
• MacBook Pro M2: com ventoinha
• Configurações do macOS para Apple Silicon
• Fonte: ficha técnica do MacBook Air M3 (Apple)
• Fonte: medições do llama.cpp em chips Apple
• Fonte: FAQ oficial do Ollama

#Perguntas frequentes