Apple M4 Pro 能运行 Qwen3 14B 吗？

运行良好Q4_K_M 可装入统一内存（GPU 可用 16.8 GB，占用 10.9 GB）：运行良好，估算 20.1 tok/s（16.0–24.1，校准估算 ±20%）。

统一内存：默认设置下 GPU 大约可以使用其中的 70%开放许可证 · Apache-2.0 社区 GGUF · unsloth思考模式

24 GB 统一内存 · 273.0 GB/s · FP16 8.1 TFLOPS。按 8k 上下文和 f16 KV 缓存计算。判定按内存容量分别列出。

不同内存容量下的判定

本页使用 24 GB 配置；下面列出所有容量。

24 GB运行良好估算 20.1 tok/s（16.0–24.1，校准估算 ±20%）(本页采用)
48 GB运行良好估算 20.1 tok/s（16.0–24.1，校准估算 ±20%）
64 GB运行良好估算 20.1 tok/s（16.0–24.1，校准估算 ±20%）

Apple M4 Pro 上 Qwen3 14B 的全部量化

4 个已收录的 GGUF 文件，从小到大排列，8k 上下文
量化	文件大小	判定	速度	显存/内存	运行方式	备注
Q2_K	5.75 GB	运行良好	估算 29.3 tok/s23.4–35.1校准估算 ±20%	7.7 / 16.8 GB	统一内存	—
IQ4_XS	8.14 GB	运行良好	估算 21.9 tok/s17.5–26.3校准估算 ±20%	10.1 / 16.8 GB	统一内存	—
Q4_K_M基准	9.00 GB	运行良好	估算 20.1 tok/s16.0–24.1校准估算 ±20%	10.9 / 16.8 GB	统一内存	—
Q8_0	15.70 GB	运行较慢	估算 8.0 tok/s5.6–10.4理论估算 ±30%	17.0 GB 内存	纯 CPU	—

带思考模式的模型会额外花 token 来思考，所以速度门槛按 1.5 倍从严设定（30 / 12 / 3 tok/s）。关闭思考模式后，判定可能会高一级。

Q4_K_M 下的内存占用

权重、KV 缓存和计算缓冲区属于模型；OS 预留是显示驱动占用的部分。

统一内存

权重: 9.0 GB
KV 缓存: 1.3 GB
计算缓冲区: 0.6 GB
空闲: 5.9 GB
GPU 不可用: 7.2 GB

上下文长度与 KV 缓存

上下文：8k

KV 缓存f16q8_0q4_0

Q4_K_M 下各上下文长度和 KV 缓存类型所需的内存与判定，以及估算速度（tok/s）。
上下文	KV f16	KV q8_0	KV q4_0
4k	10.2 GB运行良好估算 21.5 tok/s17.2–25.7校准估算 ±20%	9.9 GB运行良好估算 22.2 tok/s17.7–26.6校准估算 ±20%	9.7 GB运行良好估算 22.6 tok/s18.1–27.1校准估算 ±20%
8k	10.9 GB运行良好估算 20.1 tok/s16.0–24.1校准估算 ±20%	10.3 GB运行良好估算 21.3 tok/s17.1–25.6校准估算 ±20%	10.0 GB运行良好估算 22.1 tok/s17.7–26.5校准估算 ±20%
16k	12.3 GB运行良好估算 17.8 tok/s14.2–21.3校准估算 ±20%	11.1 GB运行良好估算 19.9 tok/s15.9–23.9校准估算 ±20%	10.4 GB运行良好估算 21.2 tok/s17.0–25.5校准估算 ±20%
32k	15.2 GB运行良好估算 14.4 tok/s11.6–17.3校准估算 ±20%	12.7 GB运行良好估算 17.5 tok/s14.0–21.0校准估算 ±20%	11.3 GB运行良好估算 19.7 tok/s15.8–23.6校准估算 ±20%

S = 运行流畅 · A = 运行良好 · B = 运行较慢 · F = 无法运行

在 Q4_K_M 下，判定仍为“运行良好”的上下文上限：f16 KV 缓存为 32k，q8_0 为 32k。

估算速度

生成: 估算 20.1 tok/s（16.0–24.1，校准估算 ±20%）
提示词处理: 约 216 tok/s（129–302，粗略估算 ±40%）

这一组合的实测结果

这一组合还没有公开的实测结果；上面的数字都是估算。

如果这还不够

在 Apple M4 Pro 上同样运行良好的更大模型
运行良好
Mistral Small 3.2 24B: 运行良好，估算 13.2 tok/s（10.6–15.9，校准估算 ±20%）
Apple M4 Max (32-core GPU) 上运行 Qwen3 14B
运行流畅
Q4_K_M：运行流畅，估算 30.1 tok/s（24.1–36.2，校准估算 ±20%）

运行方法

以下命令使用 Q4_K_M 文件。两个工具都会在首次运行时从 Hugging Face 下载。

文件：Qwen3-14B-Q4_K_M.gguf（9.00 GB），来自 unsloth/Qwen3-14B-GGUF。

llama.cpp

llama-server -hf unsloth/Qwen3-14B-GGUF:Q4_K_M -c 8192 -ngl all -fa on

-ngl all 把所有层都加载到 GPU 上。
-fa on 开启 Flash Attention（量化 KV 缓存时需要）。
--cache-type-k q8_0 --cache-type-v q8_0 可将 8k 上下文下的 KV 缓存缩小到 0.72 GB。

Ollama

终端：

OLLAMA_CONTEXT_LENGTH=8192 ollama serve
ollama run hf.co/unsloth/Qwen3-14B-GGUF:Q4_K_M

在显存低于 24 GB 的 GPU 上，Ollama 默认使用 4k 上下文。可在启动服务器时设置 OLLAMA_CONTEXT_LENGTH，或在对话中使用 /set parameter num_ctx。
/set parameter num_ctx 8192

常见问题