搭载 M5 Ultra 芯片的新款 Mac Studio 凭借 36 核 CPU 和集成神经加速器矩阵运算单元的 80 核 GPU，确立了其顶级系统地位。高达 512GB 的统一内存选项吸引了大量本地 AI 爱好者，但苹果目前长达 13 至 15 周的交货周期让等待变得漫长。
这台顶配机型售价高达 1.23 万美元甚至更高，是否物有所值？初步评测显示，流行的 Qwen 3.8 27B 模型无法充分调用其 256GB 内存。为测试极限，我们引入了 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 等大型模型，并对比了搭载英伟达 RTX Spark 芯片的微软 Surface Laptop Ultra 及 DGX Spark 集群在代理任务（Agentic Tasks）中的表现。
代理 AI 性能与能效优势
在 Artificial Analysis 的 AgentPerf-Local 基准测试中，M5 Ultra 展现出显著优势。该测试侧重提示词处理，对原始算力要求极高。尽管缺乏详细时钟频率数据，但 M5 Ultra 的 80 核 GPU 在宏观层面远超 GB10 的 48 个 Blackwell SM。更重要的是，Mac Studio 拥有 1.2 TB/s 的内存带宽，是 GB10（273 GB/s）的四倍多。
使用 llama.cpp 作为推理后端并启用原生多令牌预测（MTP）支持，M5 Ultra Mac Studio 完成测试的时间不到单台戴尔 Pro Precision GB10 工作站的一半。考虑到后者配备 4TB SSD 的售价已高达 1 万美元，与约 1.2 万美元的 Mac Studio 进行对比具有现实意义。
能效方面，Mac Studio 不仅速度更快，整体任务能耗还降低了约 16%。其能量延迟积（EDP）仅为 DGX Spark 的一半以下，证明了在处理密集模型和工作负载时惊人的效率。
大模型实战：软件生态成关键变量
为榨干 256GB 内存性能，我们测试了 GLM-5.3 Flash 和 DeepSeek V4.1 Flash 1017。Mac Studio 可原生容纳这些模型的量化版本（GLM 为四比特，DeepSeek 为两比特），而单台 128GB 的 DGX Spark 则无法加载。
然而，GB10 系统的集群能力在此显现价值。随着英伟达平台价格上涨，联想 ThinkStation PGX 显示“即将推出”，戴尔 Pro Precision GB10 单价飙升至 1 万美元。即便两台 DGX Spark 总价高达 1.5 万至 2 万美元，仍比单台 Mac Studio 贵 25% 以上，但其软件生态更为成熟。
在运行 DeepSeek V4.1 Flash 1017 时，受限于 Apple Silicon 推理引擎选择，Mac Studio 只能使用 llama.cpp，且因内存余量不足无法同时加载推测解码模型，导致性能受损。相比之下，Spark 集群利用 DSpark 推测解码和 TensorFold 引擎，处理最长上下文仅需不到五分钟，而 Mac Studio 需 10 至 25 分钟。
在 GLM 5.3 Flash 测试中，情况有所好转。由于该模型 MTP 无需单独草稿模型，Mac Studio 得以加速解码。虽然 Spark 集群在提示词处理上仍更快，但借助社区开发的 TensorFold 服务方案，Mac Studio 的解码吞吐量平均提升了三倍，提示词处理时间也大幅缩短，接近 Spark 集群水平。
结论：硬件强悍，软件仍需追赶
单台 M5 Ultra Mac Studio 在本地 AI 性能和能效上确实碾压单台 DGX Spark，这并非荒谬之言。随着 RAM 和 NAND 供应紧张，传统 PC 工作站价格飙升，使得 Mac Studio 的性价比凸显。
但硬件潜力不等于实际体验。对于 Qwen 3.8 27B 等小型模型，Mac Studio 表现优异；但对于 GLM 5.3 Flash 和 DeepSeek V4.1 Flash 1017 等大型模型，高性能服务方案至关重要。目前 TensorFold 对 GLM 支持良好，但完全不支持 DeepSeek。
英伟达 DGX Spark 平台的核心价值在于其成熟的社区软件支持。新模型权重发布后，用户几乎可立即运行，前提是拥有足够的集群内存。这种确定性加上存储涨价，推高了双 Spark 集群的需求与价格。
如果你需要一台兼具顶级 CPU、强大 GPU 且安静紧凑的工作站，Mac Studio 是非凡之选。若你愿意等待软件生态完善，并能忍受截至本文撰写时已排至 2027 年 2 月的交货期，它值得排队。
但若你的预算超过 1 万美元且专门用于构建本地 AI 推理环境，集群两台 Spark 能提供更稳健的软件支持、广泛的模型兼容性以及必要的内存容量。尽管其原始性能潜力可能略低，但这些保障或许物有所值。