MacBook Pro M5 Max 128 GB: as verdadeiras medições em IA local (benchmark 2026)

#A máquina e o protocolo

A máquina é um MacBook Pro de 16 polegadas com o chip M5 Max completo: 18 núcleos de CPU, 40 núcleos de GPU e 128 GB de memória unificada com largura de banda anunciada de 614 GB/s. Ela roda macOS 27.0 com Ollama 0.34.1. Nenhum parâmetro do sistema foi modificado: o limite de memória da GPU é o padrão, o que importa ao comparar com seu próprio Mac.

O protocolo se resume a quatro regras, e elas não são decorativas. Mac conectado à tomada, porque o macOS limita o desempenho do chip quando funciona com bateria. Aplicativos pesados fechados. Apenas um modelo carregado de cada vez. E, sobretudo, o mesmo prompt para todas as séries, pois é ele que torna os números comparáveis entre modelos e, amanhã, entre máquinas.

Explique en 300 mots la différence entre la mémoire unifiée d'un Mac et la VRAM d'un GPU dédié, pour un lecteur non technique.

Série A, as duas referências

Gemma 4 12B e Qwen 3.8 27B em GGUF, dois modelos que também rodam em Macs bem mais modestos. Eles permitem situar a máquina em uma escala conhecida.

Série B, MLX versus GGUF

O mesmo Qwen 3.8 27B, com os mesmos pesos, servido pelo motor MLX do Ollama em vez de llama.cpp. Apenas o motor muda.

Série C, o verdadeiro destaque da faixa de 128 GB

gpt-oss 120B, 65 GB, um modelo que simplesmente não cabe em um notebook PC.

Série D, o pré-preenchimento com carga real

Um documento de 16.689 tokens enviado de uma só vez ao gpt-oss 120B, com uma instrução para produzir uma síntese. É a única medição significativa de prefill da campanha.

Dois bônus fora do protocolo

Joël já tinha Qwen 3.6 35B-A3B em MLX e gpt-oss 20B na sua máquina. Ele os mediu nas mesmas condições.

#Todos os números em uma tabela

Aqui estão as saídas brutas do comando ollama run --verbose, como Joël copiou após cada medição. Cada modelo gerou uma resposta completa ao prompt de 300 palavras, em modo de raciocínio quando o modelo o suporta, o que explica os 1.400 a 3.200 tokens gerados para 300 palavras de texto final.

#Geração: seis modelos, uma leitura

Se analisado de forma superficial, esse ranking é absurdo: um modelo de 120 bilhões de parâmetros a 79 tokens por segundo, duas vezes mais rápido que um 27B em GGUF. A explicação cabe em três letras. gpt-oss 120B, gpt-oss 20B e Qwen 3.6 35B-A3B são modelos com mistura de especialistas, MoE. A cada token, apenas uma fração dos parâmetros é acionada: cerca de 5 bilhões para gpt-oss 120B, 3,6 bilhões para gpt-oss 20B e 3 bilhões para o Qwen. A velocidade de geração depende do que se move na memória a cada token, não do que está em repouso.

Os modelos densos, Gemma 4 12B e Qwen 3.8 27B, utilizam todos os seus parâmetros a cada token. Sua velocidade segue, portanto, a largura de banda da memória dividida pelo peso do modelo: essa é a regra dos Macs desde o M1, e o M5 Max não escapa dela. Nesta máquina, um modelo denso de 27B em GGUF roda a 37 tokens por segundo, e um 12B, a 58.

167 tok/s em Qwen 3.6 35B-A3B com MLX

O número mais alto da campanha, no modelo que combina os dois aceleradores: arquitetura MoE e motor MLX. É a velocidade de um pequeno 8B, com o conhecimento geral de um 35B.

113 tok/s em gpt-oss 20B

O melhor equilíbrio entre velocidade, qualidade e peso para uso diário como assistente: 13 GB, uma resposta de 2.200 tokens em 19 segundos.

79 tok/s em gpt-oss 120B

O modelo mais capaz da lista, com velocidade duas vezes superior à leitura humana. Esse é o resultado que justifica o nível de 128 GB, voltaremos a isso mais adiante.

58 e 37 tok/s nos modelos densos

Gemma 4 12B e Qwen 3.8 27B em GGUF: desempenho confortável, mas sem surpresas. São as mesmas ordens de grandeza observadas em um M4 Max, pois a largura de banda mudou pouco entre as duas gerações.

#MLX contra GGUF, nas mesmas condições

Todo mundo afirma que o MLX, a biblioteca da Apple otimizada para Apple Silicon, é mais rápido que o llama.cpp. Pouquíssimas pessoas medem isso em condições rigorosamente iguais, com o mesmo modelo, no mesmo dia e na mesma máquina. É isso que a série B faz: Qwen 3.8 27B em GGUF Q4 a 36,6 tokens por segundo, depois Qwen 3.8 27B em MLX a 68,0 tokens por segundo. Um aumento de 86%.

Nosso guia sobre MLX e o Mac M5 anunciava um ganho de 30 a 40% na geração. No M5 Max e neste modelo, a realidade é mais do dobro. Parte dessa diferença provavelmente vem das otimizações do MLX próprias da geração M5 e dos aceleradores neurais integrados à GPU; ainda não conseguimos isolar sua contribuição. O que podemos dizer é que, em um Mac recente, rodar um modelo denso em GGUF enquanto existe sua versão MLX equivale a deixar metade da máquina na garagem.

ollama pull qwen3.8:27b-mlx
ollama run qwen3.8:27b-mlx --verbose

#O que 128 GB realmente permitem

O que realmente importa na faixa de 128 GB não é a velocidade, mas o que cabe na memória. gpt-oss 120B ocupa 65 GB em MXFP4. Nenhum notebook PC consegue executá-lo na GPU: as placas gráficas para notebooks têm um limite de 16 ou 24 GB de VRAM. No M5 Max com 128 GB, ele é carregado, responde entre 75 e 79 tokens por segundo em três execuções e ainda sobra espaço.

O levantamento de memória feito antes da campanha é revelador: 35 GB ocupados pelo macOS e pelos aplicativos da sessão de trabalho, 93 GB disponíveis para a IA. O modelo de 120B cabe nessa memória com uma margem de cerca de trinta gigabytes, suficiente para manter um contexto longo e um segundo modelo leve em paralelo, como um 8B para autocompletar código. Em um M5 Max de 64 GB, o mesmo modelo não carrega de jeito nenhum; com 96 GB, ele cabe, mas sem margem para o restante.

8,5 a 22,7 segundos

Duração total da resposta do gpt-oss 120B ao prompt de 300 palavras, em três execuções: 669, 732 e depois 1.707 tokens gerados. A velocidade não muda (79,1, 77,5 e 75,5 tokens por segundo); é o comprimento do raciocínio que varia de uma execução para outra, pois o modelo decide se conta ou não suas palavras uma a uma.

50 segundos

Duração da série D: leitura de um documento de 16.689 tokens e, em seguida, redação de uma síntese de 2.584 tokens em dez itens.

Pressão térmica « Nominal »

Medição feita após cada série. Nenhum ventilador audível durante toda a campanha de testes, incluindo o modelo de 120B.

#O prefill, o número que ninguém publica

Um prompt de vinte palavras não diz nada sobre o prefill. Para medi-lo, Joël enviou ao gpt-oss 120B um texto de 11.280 palavras em um único bloco, ou seja, 16.689 tokens e cerca de 45 páginas, com uma instrução de resumo. Resultado: 1.388 tokens por segundo na leitura, ou seja, doze segundos antes que a primeira palavra da resposta aparecesse, seguidos de 2.584 tokens de síntese a 67,6 tokens por segundo.

Esse é o número que faz sentido para usos sérios. Analisar um contrato, resumir um relatório de auditoria, consultar uma base documental com RAG: em todos esses casos, o modelo passa a maior parte do tempo lendo, não escrevendo. Doze segundos para 45 páginas, em um notebook, sem que um único byte saia da máquina, é o que torna a IA local utilizável para um consultor sujeito ao sigilo profissional ou uma empresa sujeita a exigências de confidencialidade.

#Calor e ventoinhas

Joël registrou o estado térmico após cada série usando o comando de pressão térmica do macOS. O resultado foi sempre “Nominal”, sem ruído audível das ventoinhas, inclusive durante a série D, que utiliza a GPU em plena carga durante cinquenta segundos. Isso é coerente com o que observamos nos M4 Max, com uma ressalva: nossas medições são feitas em períodos curtos de menos de um minuto. O teste de throttling previsto no protocolo, dez minutos de carga contínua seguidos de uma nova medição da série A, não foi realizado. Vamos solicitá-lo na próxima campanha.

sudo powermetrics --samplers thermal -i 1000 -n 1 | grep -i pressure

#O que essas medições não dizem

Um benchmark honesto lista o que não prova. Aqui estão as ressalvas, na ordem de importância.

Pré-preenchimentos de prompts curtos

Duas execuções por modelo, com a segunda mantida. Mas prompts de 43 a 98 tokens medem apenas a latência de inicialização: somente a série D, com 16.689 tokens, fornece uma taxa real de leitura.

Nenhum modelo denso de 70 bilhões

O nível de 128 GB também se justifica com os 70B em Q4 com contexto longo. Não medido aqui.

Sem teste de throttling

Picos de carga de menos de um minuto. O comportamento durante uma hora de RAG intensivo ainda precisa ser documentado.

Sem medições com alimentação pela bateria

O protocolo exige que o computador esteja conectado à tomada. Na bateria, espere números significativamente inferiores, pois o macOS limita o chip.

Um documento da série D específico de cada testador

O texto longo enviado na série D não é definido pelo protocolo: dois testadores não leem o mesmo documento, o que limita a comparação do prefill entre máquinas. Por sugestão de Joël, o protocolo agora fornece um único texto de referência de 11.292 palavras, disponível para download na seção seguinte: as próximas medições serão comparáveis entre si. A medição desta página foi feita antes, com outro documento de tamanho equivalente.

Uma única máquina, um único operador

Nenhuma variância medida. Se você tiver a mesma configuração, suas medições são bem-vindas; veja a seção seguinte.

Modelos em modo de raciocínio

Os modelos que refletem antes de responder geram muito mais tokens do que as 300 palavras solicitadas, e essa extensão varia de uma execução para outra para um mesmo modelo (669 a 1.707 tokens no gpt-oss 120B). Portanto, os tempos totais não são comparáveis; apenas as velocidades são.

Cache de prompt nas novas execuções

Quando o mesmo prompt é executado novamente, o Ollama reutiliza os tokens já lidos (« prompt eval cached »). O prefill de uma nova execução com o mesmo prompt não é, portanto, uma medição; para medir o prefill, é necessário um prompt longo e novo, como na série D.

#Reproduzir o benchmark em sua casa

O protocolo foi projetado para ser executado exatamente da mesma forma em qualquer Mac com Apple Silicon, do MacBook Air ao Mac Studio. Se você seguir as mesmas séries com o mesmo prompt, seus resultados serão diretamente comparáveis aos apresentados nesta página.

1. 01
   Preparar a máquina

   Conecte o computador à tomada, feche o navegador, o Docker e as máquinas virtuais. Anote o modelo do chip, o número de núcleos do GPU e a versão do Ollama.
2. 02
   Registrar o estado do sistema

   Anote o chip, o número de núcleos da GPU, as versões do macOS e do Ollama, a alimentação elétrica, a memória disponível e os aplicativos abertos. Joël escreveu um script zsh que gera esse relatório com um único comando; ele será incluído no capítulo de benchmarks do kit Mac após verificação, com a autorização de Joël.
3. 03
   Série A

   Baixe gemma4:12b e qwen3.8:27b, inicie cada um com --verbose, cole o prompt comum, deixe a resposta terminar, saia com /bye. Faça duas rodadas e mantenha a segunda.
4. 04
   Série B

   Faça o mesmo com qwen3.8:27b-mlx. Compare a linha eval rate com a da série A.
5. 05
   Série C

   Se você tiver 96 GB ou mais: gpt-oss:120b. Caso contrário, escolha o maior modelo que caiba na sua memória unificada, reservando 10 GB.
6. 06
   Série D

   Baixe o texto de referência QuelLLM, com 11 292 palavras, o mesmo para todos, e passe-o para ollama run, seguido da instrução « Resuma este texto em 10 itens de lista ». Anote o número de tokens do prompt exibido: ele depende do modelo, não do texto.

# Série A — les deux repères
ollama pull gemma4:12b && ollama pull qwen3.8:27b
ollama run gemma4:12b --verbose
ollama run qwen3.8:27b --verbose

# Série B — même modèle, moteur MLX
ollama pull qwen3.8:27b-mlx
ollama run qwen3.8:27b-mlx --verbose

# Série C — le palier 128 Go (65 Go à télécharger)
ollama pull gpt-oss:120b
ollama run gpt-oss:120b --verbose

# Série D — préfill sur le texte de référence commun (11 292 mots)
curl -sO https://quelllm.fr/img/protocole/texte-reference-quelllm-v1.txt
ollama run gpt-oss:120b --verbose "$(cat texte-reference-quelllm-v1.txt) Résume ce texte en 10 puces."

• Baixar o texto de referência v1 (11.292 palavras, texto simples, 68 KB)

#Para quem e a que preço

O M5 Max de 128 GB se justifica por um único uso: rodar localmente modelos que não cabem em nenhum outro notebook, com margem para o contexto e um segundo modelo. Com gpt-oss 120B a 79 tokens por segundo e um documento de 45 páginas lido em doze segundos, sem ventilador, é uma estação de trabalho de IA que cabe em uma bolsa.

Se suas necessidades se limitam a modelos de 30 bilhões de parâmetros, metade da memória é suficiente e a diferença de preço paga um monitor muito bom. Se suas necessidades começam em modelos de 100 bilhões, não existe alternativa portátil, e este guia fornece os números para justificar essa escolha a quem assina a ordem de compra.

#Créditos e fontes

As medições desta página foram realizadas por Joël Ramat, consultor de cibersegurança e GRC, especialista em ISO 27001, com atuação em consultoria e auditoria potencializadas por IA on-premise, cofundador e presidente da Sywédgia SAS. Ele executou o protocolo QuelLLM em sua própria máquina em 16 de setembro de 2026 e revisou este artigo antes da publicação. Os dados coletados continuam sendo dele, e ele tem liberdade para publicá-los por conta própria.

• Joël Ramat no LinkedIn
• Sywédgia, consultoria e auditoria de cibersegurança
• Nosso guia de comparação entre MLX e llama.cpp no Mac M5
• Ficha de hardware MacBook Pro M5 Max
• Instalar gpt-oss com Ollama

Método: saídas brutas de ollama run --verbose copiadas após cada medição, sem edição; estado do sistema registrado por script antes da campanha; pressão térmica lida após cada série. O relatório completo, com as respostas integrais dos modelos, é conservado e pode ser fornecido por solicitação. Redação e formatação: Mohamed Meguedmi, QualLLM.

#FAQ