Mac mini M6 и M5 Pro для ИИ: от писем до сложных агентов

На столе стоит небольшой компьютер. Один сотрудник просит его сократить письмо, другой — найти условия в документах, третий — разобрать код внутренней программы. Внешне это одна коробка. Но внутри могут работать совершенно разные модели, и именно их выбор определяет, получится полезный инструмент или дорогой эксперимент.

Новые Mac mini с M6 и M5 Pro поступили в продажу 22 сентября 2026 года. Apple объявила их 25 августа; стартовые цены в США — $899 и $1 699 соответственно. Это цены базовых версий, а не конфигураций с максимальной памятью и не российские розничные предложения. Apple: new Mac mini and Mac Studio available September 22 ↗ Apple: M6 and M5 Pro Mac mini announcement and US starting prices ↗

Для AI Office эта новость интересна возможностью собрать компактный локальный узел под понятную работу компании. Разберём пять ступеней: от небольшого классификатора до универсальной Qwen3.8-27B и крупной специализированной модели для программирования. Материал проверен 23 сентября 2026 года. Это подбор кандидатов для пилота, а не отчёт о тестировании нового Mac mini в нашей лаборатории.

Формулировка «все обозреватели назвали лучшей покупкой» слишком сильная. Например, Macworld отмечает компактность, тишину и производительность M5 Pro, но считает рост цены серьёзной проблемой для рекомендации. Macworld: Mac mini M5 Pro review ↗

У владельца бизнеса вопрос ещё конкретнее: какую работу будет выполнять компьютер и сколько стоит довести результат до принятия? Отличный настольный Mac не становится автоматически хорошим многопользовательским ИИ-сервером. Монтаж видео, короткий чат и агент, который полчаса исследует репозиторий, создают разную нагрузку.

Поэтому начинать стоит с задач и памяти. Более новый номер чипа сам по себе не делает M6 предпочтительнее M5 Pro для любой модели.

По спецификации Apple у M6 доступны 16, 24 и 32 ГБ объединённой памяти, у M5 Pro — 24, 48 и 64 ГБ. Пропускная способность памяти составляет 153–170 ГБ/с у M6 в зависимости от конфигурации и 307 ГБ/с у M5 Pro. Apple Mac mini technical specifications ↗

Объединённая память используется системой и вычислительными компонентами совместно. У модели нет отдельного безграничного запаса видеопамяти: macOS, браузер, база знаний и другие приложения тоже занимают место. Объём лучше выбирать при заказе с учётом всей рабочей нагрузки.

Пропускная способность показывает, как быстро можно передавать данные памяти. Это важный фактор при генерации, но не готовое число слов в секунду. На реальную скорость влияют архитектура модели, формат весов, программа запуска, контекст и число запросов. Двукратная разница в одном аппаратном показателе не гарантирует двукратной разницы в работе.

Ниже приведены конкретные 4-битные сборки MLX Community. Это преобразованные сообществом версии, а не отдельные модели Apple. Числа в колонке весов — сумма размеров файлов safetensors в опубликованных репозиториях, округлённая в десятичных гигабайтах. Токенизаторы и прочие файлы в сумму не включены.

В работе добавляются память контекста, промежуточные вычисления, визуальные данные и накладные расходы. Часть общего объёма может быть недоступна выбранному графическому бэкенду. Поэтому «веса помещаются» и «система работает устойчиво» — разные проверки.

Таблица — наша предварительная инженерная оценка для одной загруженной модели и одного активного запроса. Начальный тест разумно ограничить контекстом около 4–8 тысяч токенов, затем увеличивать его с измерением памяти. Это условия пилота, а не установленные нами минимальные требования или гарантия запуска.

Размер B обозначает миллиарды параметров. Большее число не даёт универсального превосходства: специализация, обучение и качество конкретной сборки могут оказаться важнее. Особенно нельзя переносить результаты исходной модели на квантованную версию без проверки.

В официальной карточке Qwen3.5-2B разработчик ориентирует модель прежде всего на прототипирование и задачи, требующие специальной настройки. Доступна MLX-сборка 4-bit с весами около 1,72 ГБ. Qwen3.5-2B: official model card ↗ mlx-community/Qwen3.5-2B-4bit weight files ↗

Её разумно проверять на узких операциях: распределить короткие обращения по нескольким категориям, выделить реквизиты из чистого текста, привести название к нужному формату, подготовить краткую выжимку. Чем яснее правила и проще проверить результат, тем полезнее такой кандидат.

Например, в заявке написано «нужна повторная поставка фильтров». Модель предлагает категорию «снабжение» и извлекает название товара. Приложение проверяет допустимость категории, а недостающий артикул остаётся пустым. Придумывать его ради заполненной формы нельзя.

Для этой ступени базовый M6 с 16 ГБ можно рассматривать как стартовую площадку пилота. Покупать M5 Pro только ради такого классификатора обычно не имеет смысла без другой тяжёлой нагрузки. А сложный договор с исключениями и перекрёстными ссылками — плохая отправная задача для самой маленькой модели.

Qwen3.5-4B — следующий кандидат для повседневной текстовой работы; выбранная 4-битная MLX-сборка содержит около 3,03 ГБ весов. Карточка исходной модели и файлы преобразованной версии доступны отдельно. Qwen3.5-4B: official model card ↗ mlx-community/Qwen3.5-4B-4bit weight files ↗

Предлагаемые сценарии: сократить письмо без потери договорённостей, превратить заметки в связный текст, подготовить несколько вариантов ответа или сделать краткое резюме небольшого документа. Задание должно объяснять тон, адресата и сведения, которые нельзя изменять.

Проверка здесь очень предметная: сохранились ли сроки, суммы, имена и обязательства? Если модель сделала письмо приятнее, но превратила «планируем отгрузить» в «гарантируем отгрузку», результат не принимается. Пользователь подтверждает готовый текст до отправки.

M6 с 16 ГБ — кандидат для ограниченного теста, 24 ГБ дают больший запас под обычные приложения. Эта ступень подходит для знакомства с локальным помощником, когда компания ещё не строит сложные цепочки инструментов.

Для более содержательных ответов стоит включить в сравнение Qwen3.5-9B. У выбранной MLX-сборки 4-bit около 5,95 ГБ весов. Qwen3.5-9B: official model card ↗ mlx-community/Qwen3.5-9B-4bit weight files ↗

Хороший пилот — вопросы по инструкциям, каталогу услуг и внутренним регламентам. Система сначала находит подходящие фрагменты, затем модель составляет ответ по ним. Такой подход обычно называют RAG: генерация опирается на найденные материалы, а не только на сведения, полученные при обучении.

Например, сотрудник спрашивает, какие документы нужны для сдачи объекта. В ответе должны появиться актуальный перечень и ссылки на его основание. Если разные регламенты противоречат друг другу, система должна показать расхождение, а не выбрать удобную версию без объяснения.

Для покупки под этот сценарий мы бы сначала оценивали M6 с 24–32 ГБ. Это запас для документов, поискового компонента и приложения, а не утверждение, что 9B принципиально не запустится на 16 ГБ. Длинные разговоры и одновременная работа сотрудников требуют отдельного нагрузочного теста.

Qwen3.8-27B — модель с языковой частью на 27 млрд параметров и визуальным энкодером. Разработчик позиционирует её для программирования, профессиональной работы и многошаговых задач. В выбранной MLX-сборке 4-bit около 16,05 ГБ весов. Qwen3.8-27B: official model card ↗ mlx-community/Qwen3.8-27B-4bit weight files ↗

В рамках этой подборки именно её мы бы рассматривали как основного универсального кандидата для более сложного корпоративного пилота. Например: сопоставить несколько предложений поставщиков, выделить расхождения в условиях, подготовить проект служебной записки или разобрать неоднозначную заявку перед расчётом коммерческого предложения.

Здесь важна цепочка: найти данные, определить недостающие сведения, сформировать вывод и предложить следующий шаг. Суммы при этом считает проверяемый программный механизм, а действия выполняются в пределах разрешений. Большая модель не должна становиться единственным контролёром собственных ошибок.

M6 с 32 ГБ — кандидат на испытание короткого контекста и последовательных запросов. Для рабочего узла с дополнительными сервисами мы бы начинали оценку с M5 Pro на 48 ГБ; 64 ГБ добавляют резерв. При этом даже 64 ГБ не обещают работу со всем максимальным контекстом из карточки модели и любой параллельностью.

Это верхняя универсальная ступень нашей подборки, а не заявление о лучшей модели мира. Качество русского языка, точность ссылок и вызовов инструментов нужно сравнить на документах вашей компании. Мы не измеряли их на новых Mac mini.

Для команды с собственным программным обеспечением есть отдельный кандидат — Qwen3-Coder-Next. По официальной карточке это модель для кодовых агентов с 80 млрд параметров всего и 3 млрд активных на шаге. Выбранная MLX-сборка 4-bit занимает около 44,84 ГБ только весами. Qwen3-Coder-Next: official architecture and intended use ↗ mlx-community/Qwen3-Coder-Next-4bit weight files ↗

«Активных всего 3B» не означает, что хранить нужно лишь три миллиарда параметров. Архитектура выбирает часть вычислений, но остальные веса тоже должны быть доступны. Именно поэтому крупная MoE-модель может требовать много памяти, несмотря на относительно небольшое число активных параметров.

Из двух новых Mac mini для такого испытания имеет смысл рассматривать M5 Pro с 64 ГБ. Это пограничный по ресурсам кандидат, а не гарантированно комфортная конфигурация: нужно проверить доступную память бэкенда, короткий контекст и один запрос без других тяжёлых моделей. Если начинается постоянная подкачка или возникает ошибка выделения памяти, такая конфигурация не проходит приёмку.

Предлагаемые задачи — объяснение устройства репозитория, подготовка изменений, тестов и миграций, поиск причины ошибки. У агента должны быть отдельная рабочая копия и ограниченные полномочия. Изменения проходят проверки и ревью; сам факт запуска крупной модели не даёт оснований разрешать ей выпуск кода без контроля.

Это самая крупная модель в списке и специализированный вариант для разработки. Для писем, закупок и управленческих сводок она не становится автоматически лучше Qwen3.8-27B. Если приоритет — устойчивый общий помощник, разумнее оставить больше свободной памяти, чем занять её максимально большим набором весов.

MLX LM предназначен для работы с языковыми моделями на Apple silicon; MLX-VLM — для моделей, обрабатывающих изображения вместе с текстом. Конкретный путь зависит от архитектуры и выбранной сборки. MLX LM: language models on Apple silicon ↗ MLX-VLM: vision-language inference on Mac ↗

Нужно различать исходные веса, MLX-преобразование и другой формат, например GGUF. Файл для одного движка не следует считать автоматически совместимым с другим. Для пилота фиксируют идентификатор модели, ревизию файлов, версию программы запуска и настройки контекста. Так результат можно повторить.

Поддержка изображений у модели также не равна готовому сервису распознавания любых сканов. Приём PDF, извлечение текста, обработка страниц и проверка реквизитов требуют собственного процесса. В частности, наличие визуальной модели не добавляет автоматически OCR в AI Office.

Локальный запуск может позволить обрабатывать запросы без передачи документов внешнему провайдеру. Это нужно проверить для всей цепочки: интерфейса, поиска, журналирования и дополнительных инструментов. Загрузка весов и обновлений обычно выполняется отдельно; доступные в приложении облачные функции не становятся локальными вместе с установкой модели.

Для писем, коротких резюме и узких операций начните сравнение с M6 на 16–24 ГБ и моделей 2B–4B. Более дорогой компьютер имеет смысл только при подтверждённом ограничении или других задачах рабочего места.

Для помощника по базе знаний стоит оценить M6 с 24–32 ГБ и 9B-модель. Если документы сложные, добавьте Qwen3.8-27B в тест на 32 ГБ: сравните не только правильность, но и время ожидания, память и доработку ответа человеком.

Для выделенного корпоративного узла с Qwen3.8-27B мы бы рассматривали M5 Pro с 48–64 ГБ. Покупка должна опираться на проверку выбранного процесса, особенно если компьютером будут пользоваться несколько сотрудников. Запас памяти полезен, но не превращает один узел в неограниченный сервер.

Для Qwen3-Coder-Next потребуется отдельный эксперимент на 64 ГБ. Если нужны одновременно тяжёлая модель, большой контекст и несколько активных агентов, стоит рассматривать оборудование с большим запасом памяти. Возможности Mac mini имеют границу, и это нормально для компактного компьютера.

Накопитель выбирайте с учётом нескольких версий моделей, документов и резервных копий. Внешний SSD может расширить хранилище, но не заменяет оперативную память для быстрого выполнения модели. Объём диска и объём рабочей памяти решают разные задачи.

Подготовьте 20–30 характерных заданий: коротких, длинных, неоднозначных и таких, где правильный ответ — сообщить о нехватке данных. Это предлагаемый набор пилота, не официальный стандарт. Для каждого задания заранее определите признаки принятого результата.

Измеряйте время до первого ответа и полного завершения, расход памяти, подкачку, число исправлений и стоимость проверки сотрудником. Затем повторите тест при одновременных запросах и фоновой индексации документов. Именно этот режим покажет, годится ли компьютер для общего сервиса.

Не считайте число установленных моделей числом параллельно работающих помощников. На диске их может быть много, но одновременная загрузка требует дополнительной памяти. Очередь и последовательное выполнение иногда оказываются выгоднее постоянной попытки запустить всё сразу.

Мы рассматриваем такой компьютер как возможную аппаратную основу локальной станции, которую нужно проверить под конкретный сценарий. В текущем прототипе AI Office есть поиск по документам с учётом прав и источников, каталоги Excel/CSV, проверяемый расчёт предложений и локальная задача после подтверждения человеком.

Есть подключение через Ollama и совместимый HTTP-провайдер. Это отправная точка для интеграции, а не подтверждение совместимости всех перечисленных MLX-сборок. Mac mini M6 и M5 Pro, скорость моделей и многопользовательскую нагрузку AI Office на них мы пока не испытывали. Готового OCR или кодового агента эта статья также не анонсирует.

Ценность такого проекта — в связке оборудования, подходящей модели и рабочего процесса. Сначала компьютер помогает выполнить одну задачу с проверяемым результатом. Затем компания решает, какие возможности действительно стоит расширять.

Начать с AI Office можно с простого вопроса: что должен делать ваш локальный ИИ каждый день? Под ответ выбираются модель и память. Тогда маленькая коробка на столе становится частью работы, а не коллекцией скачанных нейросетей.