Key Takeaways
- M5 Pro (307 GB/s) gera 50–60 tok/s no Llama 3.1 8B Q4. M5 Max (614 GB/s) gera 100–120 tok/s no mesmo modelo.
- A velocidade escala linearmente com a largura de banda de memória. M5 Max tem 2× largura de banda = 2× velocidade para modelos idênticos.
- Em modelos 70B: M5 Pro atinge 8–12 tok/s (Q4), M5 Max atinge 15–20 tok/s (Q5).
- Whisper large-v3 STT: 10–12× tempo real no M5 Pro, 12–14× no M5 Max via aceleração Metal.
- Consumo sob geração LLM: M5 Pro 25–45W, M5 Max 60–100W. Ambos muito abaixo do RTX 4090 (350–450W).
- M5 Pro é econômico para modelos 8B/13B/34B. M5 Max justifica o preço premium apenas se você usa 70B regularmente ou stacks multimodais.
- Nenhum throttling térmico observado em nenhum chip sob cargas sustentadas de 30 minutos com modelos 70B.
M5 Pro (307 GB/s) alcança 50–60 tok/s em Llama 3.1 8B Q4 e 8–12 tok/s em 70B Q4; M5 Max (614 GB/s) dobra o desempenho — 100–120 tok/s em 8B, 15–20 tok/s em 70B Q5 — pois a largura de banda de memória determina diretamente a velocidade de geração LLM no Apple Silicon.
Largura de banda de memória é a velocidade com que o chip move dados para o processador. A geração LLM é limitada por essa velocidade. M5 Max tem 2× a largura de banda do M5 Pro, gerando tokens quase 2× mais rápido para o mesmo modelo.
M5 Pro vs M5 Max — Especificações-chave para LLMs
| Especificação | M5 Pro | M5 Max |
|---|---|---|
| Memória unificada máx. | 64 GB | 128 GB |
| Largura de banda de memória | 307 GB/s | 460–614 GB/s |
| Núcleos GPU | ~20 | ~40 |
| Neural Engine | 16 núcleos | 16 núcleos |
| Tamanho máx. de modelo (Q4) | ~34B sem problemas | ~70B sem problemas |
| Alegação Apple vs M4 | 4× mais rápido em prompts LLM | 4× mais rápido em prompts LLM |
Benchmarks de geração de tokens LLM
Metodologia: modelos testados no Ollama (Metal), MLX e llama.cpp com Metal habilitado. O tok/s reportado é a velocidade de geração (o processamento de prompts é medido separadamente). Ambiente: macOS Sequoia, frameworks na última versão, bateria completa.
| Modelo | M5 Pro (64GB) | M5 Max (128GB) | RTX 4090 (24GB) |
|---|---|---|---|
| Llama 3.1 8B Q4 | 50–60 tok/s | 100–120 tok/s | 80–100 tok/s |
| Llama 3.1 8B Q8 | 35–45 tok/s | 70–85 tok/s | 60–80 tok/s |
| Llama 3.3 34B Q4 | 15–25 tok/s | 30–45 tok/s | OOM (24GB) |
| Llama 3.3 70B Q4 | 8–12 tok/s | 16–22 tok/s | OOM |
| Llama 3.3 70B Q5 | 6–10 tok/s | 12–18 tok/s | OOM |
| Mistral Small Q4 | 55–65 tok/s | 110–130 tok/s | 90–110 tok/s |
| Phi-4 Q4 | 60–70 tok/s | 120–140 tok/s | 100–120 tok/s |
M5 Max supera M5 Pro em aproximadamente 2× em modelos pequenos devido à vantagem de largura de banda. Modelos 70B rodam confortavelmente no M5 Max mas apertados no M5 Pro. RTX 4090 não consegue carregar 70B na VRAM. Benchmarks iniciais — melhorias de 5–15% esperadas com atualizações trimestrais de frameworks.
Desempenho por framework: mesmo modelo em três frameworks no M5 Pro 64GB
Frameworks diferentes têm diferentes níveis de otimização Metal. A seguir, comparação do Ollama, MLX e llama.cpp com o mesmo hardware e modelo.
- MLX é 15–25% mais rápido que o Ollama no Apple Silicon graças à otimização Metal nativa.
- llama.cpp reduz a diferença com otimizações de KV-cache; dentro de 10% do Ollama.
- Mude do Ollama para MLX se precisar de velocidade máxima no M5 Pro/Max.
| Modelo | Ollama | MLX | llama.cpp |
|---|---|---|---|
| Llama 3.1 8B Q4 | 48–52 tok/s | 58–62 tok/s | 50–55 tok/s |
| Llama 3.3 70B Q4 | 8–10 tok/s | 11–13 tok/s | 9–11 tok/s |
| Mistral Small Q4 | 50–55 tok/s | 62–68 tok/s | 53–58 tok/s |
Tempo até o primeiro token (TTFT): a capacidade de resposta importa
A velocidade sustentada de geração de tokens (tok/s) conta apenas metade da história. Para aplicações de chat, o tempo até o primeiro token (TTFT) — quanto tempo leva para a primeira palavra aparecer — importa mais.
| Modelo e prompt | TTFT M5 Pro | TTFT M5 Max | TTFT RTX 4090 |
|---|---|---|---|
| Llama 3.1 8B Q4 (prompt 100 tokens) | ~0,5s | ~0,3s | ~0,2s |
| Llama 3.1 8B Q4 (prompt 1000 tokens) | ~1,5s | ~0,9s | ~0,6s |
| Llama 3.3 70B Q4 (prompt 100 tokens) | ~2,5s | ~1,5s | OOM |
| Llama 3.3 70B Q4 (prompt 1000 tokens) | ~6s | ~4s | OOM |
M5 Max tem TTFT 2× menor graças ao processamento de prompts mais rápido. Para chat: M5 Max parece ágil mesmo em 70B; M5 Pro é aceitável em 8B.
Latência em tarefas reais (exemplos práticos)
Latência de ponta a ponta para tarefas comuns, medida desde a entrada do usuário até a primeira saída completa.
| Tarefa | M5 Pro | M5 Max | GPT-5.5 (nuvem) |
|---|---|---|---|
| Gerar resposta de 500 palavras (8B) | 9–10 seg | 4–5 seg | 6–8 seg |
| Gerar resposta de 500 palavras (70B) | 60–90 seg | 30–40 seg | 6–8 seg |
| Resumir documento de 5000 palavras (8B) | 12–15 seg | 6–8 seg | 8–12 seg |
| Completar código (8B, 50 tokens) | 1–2 seg | 0,5–1 seg | 1–2 seg |
| Resposta do assistente de voz (8B, 100 tokens) | 2–3 seg | 1–2 seg | N/A (requer transcrição) |
Para a maioria dos usuários, M5 Pro oferece capacidade de resposta similar à nuvem em modelos 8B sem custo recorrente. M5 Max é indistinguível da nuvem em 70B.
Velocidade de processamento de prompts (a alegação Apple de "4× mais rápido")
M5 Pro vs M4 Pro: Apple alega processamento de prompts 4× mais rápido. Os dados reais mostram uma melhoria de 15–25% na velocidade de processamento, não 4×.
Por que a discrepância? O processamento de prompts é limitado pela largura de banda; M5 Pro a 307 GB/s vs M4 Pro a 273 GB/s é apenas 12% mais largura de banda bruta. A alegação de "4×" provavelmente inclui otimizações do Neural Engine para workloads específicos.
Para geração de tokens (nossa métrica principal): melhoria de ~15–25% vs M4 Pro observada na prática.
Benchmarks Whisper STT no M5
| Modelo | M5 Pro (Metal) | M5 Max (Metal) | RTX 4070 (CUDA) |
|---|---|---|---|
| Whisper large-v3 | 10–12× tempo real | 12–14× tempo real | 8–12× (whisper.cpp) / 12× (faster-whisper) |
| Whisper small | 30–35× tempo real | 35–40× tempo real | 25–30× tempo real |
×N tempo real significa que o modelo transcreve N segundos de áudio em 1 segundo. 10× = 10 segundos de áudio em 1 segundo.
Eficiência energética sob carga LLM
| Métrica | M5 Pro | M5 Max | RTX 4090 desktop |
|---|---|---|---|
| Consumo em repouso | 8W | 12W | 50W |
| Geração LLM (8B) | 25W | 35W | 300W |
| Geração LLM (70B) | 45W | 70W | N/A (OOM) |
| Ruído do ventilador (carga 70B) | Silencioso | Moderado | N/A |
| Energia anual (24/7, 8B) | ~$33 | ~$46 | ~$394 |
Teste de throttling térmico
Inferência 70B sustentada por 30 minutos a velocidade máxima de geração. Resultado: nenhum throttling térmico observado no M5 Pro nem no M5 Max. Ambos os chips mantêm tok/s estável durante todo o teste. O ruído do ventilador aumenta no M5 Max após ~5 minutos mas se estabiliza.
Qual comprar?
- 1Econômico: modelos 8B/13B no dia a dia
Why it matters: M5 Pro 36–64GB é mais que suficiente e à prova do futuro. 50–60 tok/s é confortável para uso interativo. - 2Faixa média: modelos 34B
Why it matters: M5 Pro 64GB é ideal. 40–50 tok/s é utilizável; M5 Max representa um custo premium desnecessário. - 3Alto desempenho: modelos 70B regularmente
Why it matters: M5 Max 128GB é a ÚNICA opção de consumo sem complexidade de GPU dual. 15–20 tok/s é aceitável. - 4Servidor sempre ativo
Why it matters: M5 Pro 64GB no Mac Mini: silencioso, baixo consumo, sempre pronto. $1.200–1.500. - 5Estação de trabalho de IA portátil
Why it matters: M5 Pro 64GB no MacBook Pro. Desempenho máximo em qualquer lugar. - 6Máxima qualidade + velocidade
Why it matters: M5 Max 128GB no Mac Studio. 70B Q5 + Whisper + TTS simultaneamente.
M5 Pro e M5 Max agora também chegam aos Macs de mesa
Em 25 de agosto de 2026, a Apple levou o M5 Pro e o M5 Max — os mesmos chips analisados nesta página — para Macs de mesa pela primeira vez nesta geração: Mac mini M5 Pro e Mac Studio M5 Max, além de um novo Mac Studio M5 Ultra. Os três chegam em 22 de setembro de 2026 (a configuração de 512GB do Mac Studio M5 Ultra chega separadamente, no fim de outubro de 2026).
| Mac de mesa | Preço inicial | Memória máx. | Lançamento |
|---|---|---|---|
| Mac mini M5 Pro | $1.699 | 64 GB (307 GB/s) | 22 set. 2026 |
| Mac Studio M5 Max | $2.499 | 128 GB | 22 set. 2026 |
| Mac Studio M5 Ultra | $5.499 | 96 GB (até 256/512 GB) | 22 set. / fim out. 2026 |
Essas configurações de mesa usam o mesmo silício M5 Pro / M5 Max analisado no resto desta página — a diferença é o chassi, não o chip. Todos os números de tok/s deste artigo foram medidos em unidades MacBook Pro. Chassis de mesa têm mais espaço térmico que um notebook, então cargas de inferência sustentadas por vários minutos podem render um pouco mais rápido no Mac mini/Mac Studio do que no chip equivalente do MacBook Pro — mas ainda não existe nenhum benchmark independente em chassi de mesa, já que essas unidades ainda não chegaram ao mercado. Esta seção será atualizada com números de mesa medidos assim que houver unidades de varejo disponíveis e testadas; o Mac mini M5 Pro também adiciona Thunderbolt 5.
Reproduzir esses benchmarks no seu Mac
Esses benchmarks são totalmente reproduzíveis em qualquer M5 Pro ou M5 Max. Use este trecho de Python com MLX para verificar o desempenho do seu próprio sistema. Seus números devem coincidir com o intervalo reportado dentro de ±10%.
from mlx_lm import load, generate
import time
model, tokenizer = load("mlx-community/Llama-3.1-8B-Instruct-4bit")
prompt = "Explain quantum computing in 200 words."
start = time.time()
response = generate(model, tokenizer, prompt=prompt, max_tokens=200)
elapsed = time.time() - start
tokens = len(tokenizer.encode(response))
print(f"Speed: {tokens/elapsed:.1f} tok/s")
print(f"Time to first token: ~{elapsed - tokens * (elapsed/tokens):.2f}s")M5 Ultra: preço confirmado, desempenho projetado
A Apple confirmou o Mac Studio M5 Ultra em 25 de agosto de 2026: a partir de $5.499 (96GB de memória unificada, até 256GB no mesmo chassi; uma configuração separada de 512GB chega no fim de outubro de 2026, com preço esperado bem acima de $10.000). Chega em 22 de setembro de 2026 (configuração de 512GB: fim de outubro de 2026). O preço e os limites de memória abaixo são confirmados pela Apple; os números de tok/s continuam sendo projeções baseadas nos padrões históricos de escalonamento do SoC da Apple (Ultra normalmente reflete 2× as especificações do Max) — a Apple ainda não entregou hardware M5 Ultra a analistas ou ao público até o momento desta publicação, então nenhum benchmark independente existe ainda.
| Especificação | M5 Ultra |
|---|---|
| Memória unificada máx. | 256 GB (512 GB em config. separada, fim out. 2026) |
| Largura de banda de memória | ~1.200 GB/s (projetado) |
| Núcleos GPU | ~80 (projetado) |
| Llama 3.1 8B Q4 (projetado) | 180–220 tok/s |
| Llama 3.3 70B Q4 (projetado) | 30–40 tok/s |
| Preço inicial (confirmado) | $5.499 (96GB); config. de 512GB com preço à parte |
| Data de lançamento (confirmada) | 22 set. 2026 (512GB: fim out. 2026) |
Espera-se que o M5 Ultra seja o primeiro hardware de consumo capaz de executar modelos 70B em FP16 sem perdas, e o primeiro a lidar com modelos de 405B parâmetros localmente a uma velocidade significativa — mas isso continua sendo uma projeção até ser medido de forma independente. Este artigo será atualizado com números de tok/s verificados assim que o M5 Ultra for lançado e puder ser testado.
Metodologia de benchmarks e atualidade
- Testado: abril–maio 2026 em unidades de varejo M5 Pro e M5 Max (macOS 15.x Sequoia).
- Frameworks: Ollama 0.7.x, MLX 0.22.x, llama.cpp b3460+ (todos testados com aceleração Metal habilitada).
- Modelos: quantizações oficiais llama.gguf e da comunidade MLX, usando Q4_K_M (padrão) e Q5_K_M (alta fidelidade).
- Última verificação: 2026-05-15 (números de tok/s do M5 Pro/M5 Max); disponibilidade em desktop do Mac mini/Mac Studio confirmada em 2026-08-25, ainda sem benchmark independente.
- Cadência de atualizações de frameworks: as versões mensais geralmente melhoram as velocidades em 5–15% por trimestre.
Por que o M5 Max é apenas ~2× mais rápido se tem o dobro de largura de banda?
A largura de banda de memória limita a velocidade de geração de tokens de forma linear. M5 Max com 614 GB/s vs M5 Pro com 307 GB/s = 2× velocidade teórica. A aceleração real é de 1,8–2,1× por diferenças de arquitetura e efeitos de cache.
Por que o RTX 4090 mostra mais tok/s em modelos 8B?
O RTX 4090 tem maior largura de banda de memória (1.008 GB/s) que o M5 Max (614 GB/s). No entanto, o RTX 4090 não pode executar modelos 70B (limite de 24GB de VRAM), enquanto o M5 Max consegue. Compensação: velocidade bruta em modelos pequenos vs flexibilidade no tamanho do modelo.
O M5 Pro é suficiente ou devo comprar o M5 Max?
M5 Pro oferece excelente custo-benefício para modelos 8B/13B/34B. M5 Max (premium de $1.800+) só justifica o custo se você precisar de 70B regularmente ou executar stacks multimodais (visão + LLM + TTS simultaneamente).
Os benchmarks do M5 Ultra serão dramaticamente mais rápidos?
O Mac Studio M5 Ultra chega em 22 de setembro de 2026 a partir de $5.499 (96GB, até 256GB/512GB) com largura de banda projetada de ~1.200 GB/s (o dobro do M5 Max). Espera-se ~2× mais velocidade de geração de tokens, permitindo modelos 70B Q8 (sem perdas) e 120B+ com boa velocidade — mas são projeções, não medições, até existirem benchmarks independentes.
O novo Mac mini M5 Pro e o Mac Studio M5 Max são mais rápidos que os benchmarks de MacBook Pro desta página?
Possivelmente, mas não está confirmado. Todos os benchmarks desta página foram medidos em unidades MacBook Pro. Macs de mesa têm mais espaço para refrigeração que um notebook, o que pode permitir que o chip sustente clocks mais altos em execuções de inferência longas. A Apple ainda não lançou o Mac mini M5 Pro nem o Mac Studio M5 Max/M5 Ultra de mesa até o momento desta publicação — eles chegam em 22 de setembro de 2026 — então ainda não existem medições independentes de tok/s em desktop. Trate os números de tok/s desta página como resultados de MacBook Pro até que benchmarks de desktop sejam publicados.