在24GB M4 MacBook上跑本地大模型：Qwen 3.5-9B实测40 tokens/s，支持工具调用

开发者 jola 分享了自己在M4 MacBook Pro（24GB 内存）上运行本地大语言模型的完整实践经验。在经历了多次模型选型、量化配置和前端适配的试错后，他最终搭建出了一套「不需要联网、能在笔记本上流畅运行」的本地 AI 工作流——核心模型是Qwen 3.5-9B（Q4_K_S 量化版），在 LM Studio 中跑出了约40 tokens/秒的生成速度，同时支持思维链（thinking）和工具调用（tool use）。

M4 MacBook Pro本地运行大模型

选型之路：不是「能装下」就能用

本地部署大模型的第一道坎是选型。jola 尝试过多种方案：Ollama、llama.cpp、LM Studio，各自有不同的模型兼容性和配置 quirks。模型方面，他先后测试了 Qwen 3.6 Q3、GPT-OSS 20B、Devstral Small 24B 以及 Gemma 4B——前几个虽然理论上能在 24GB 内存中加载，但实际运行中「基本不可用」；Gemma 4B 能跑，但在工具调用场景下表现糟糕。

真正让他满意的是Qwen 3.5-9B @ Q4_K_S。这个量化版本在压缩后仍能保留足够的推理能力，同时留出足够内存给日常运行的 Electron 应用和其他开发工具。更关键的是，它支持128K 的上下文窗口，对于代码分析和文档阅读场景非常实用。

配置细节：Thinking 模式与代码优化参数

在 LM Studio 中，jola 为代码和精确任务场景推荐了一组参数配置：

• temperature=0.6
• top_p=0.95
• top_k=20
• min_p=0.0
• presence_penalty=0.0
• repetition_penalty=1.0

启用 thinking 模式还需要在 Prompt Template 底部手动添加{%- set enable_thinking = true %}。这些细节说明，本地模型的「可用性」不仅取决于硬件和模型本身，前端推理引擎的配置同样关键。

前端接入：Pi 与 OpenCode

模型跑起来后，jola 将其接入了两个开发向 AI 前端：

Pi的配置相对简洁，通过~/.pi/agent/models.json指向 LM Studio 的本地 OpenAI-compatible API（http://localhost:1234/v1），并在 settings 中开启hideThinkingBlock来隐藏思维链的干扰输出。

OpenCode的配置则更加明确，指定了 131072 的上下文长度和 32768 的最大输出 token 数，同时开启 tools 支持。

jola 的个人感受是 Pi 更轻快，但配置过程容易让人陷入「调参陷阱」——花太多时间打磨工具设置，反而挤占了实际开发的时间。

与 SOTA 模型的差距：不是替代品，是另一种工作方式

jola 非常坦诚地指出了本地模型与云端 SOTA 模型的差距：Qwen 3.5-9B（Q4）无法独立完成复杂的多步骤任务，容易分心、陷入循环、误解需求。如果你期望像使用 Claude 或 GPT-4 那样「一句话生成整个应用」，本地模型会让你失望。

但 jola 发现了一个意想不到的好处：本地模型迫使你保持更高的参与度。与 SOTA 模型合作时，开发者很容易不自觉地将所有认知负担外包给 AI；而本地模型需要更明确的指令、更细致的引导，反而让开发者始终处于思考和规划的核心位置。它更像一个「研究助理、橡皮鸭、以及拥有即时回忆能力的编程语言专家」，而不是一个能替你思考的「全栈外包」。

对于拥有 24GB 内存的 M 系列 MacBook 用户来说，这套方案提供了一个切实可行的「离线 AI 助手」选项。它不需要订阅费、不依赖网络、不将数据发送到第三方服务器——代价是你必须接受它的能力上限，并愿意付出更多的交互精力。在大模型越来越「黑箱化」和「云端化」的今天，这种「可控但有限」的本地方案，或许代表了一种值得保留的替代路径。

参考来源：jola.dev - Running local models on an M4：https://jola.dev/posts/running-local-models-on-m4