影片筆記：【免费】M5 Pro 64GB本地AI全能实测！一台电脑全部搞定

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
• 待修正：部分時間軸可能不精確（unit 119: 6 chars owns 11.040s (max 8.000s)）
• 待修正：逐字稿可先使用，但有待校正清單（segment=7 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=8 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

本影片針對配備 M5 Pro 晶片與 64GB 記憶體的 MacBook Pro 進行本地 AI 全能測試，涵蓋 LLM 文字處理、TTS 語音合成、圖片生成、視頻生成及視覺理解五個維度，結論認為該設備在噪音控制、文字處理速度、語音克隆及視覺理解方面表現優異且可用，但在視頻生成與部分圖像生成的細節與一致性上仍存在限制。

核心重點

1. 硬體優勢：MacBook Pro M5 Pro (64GB) 在本地部署 AI 模型時，噪音控制表現「驚艷」，適合狹小空間使用。
2. LLM 文字處理：使用 GAM4 與 Queen 3.6 模型，推理速度非常快，能處理代碼、數學函數及邊界內容生成。
3. TTS 語音合成：支援聲音克隆的模型聽感極佳（幾乎聽不出區別），但速度較慢；支援 MLX/METAL 加速的模型速度快但不支援克隆。
4. 圖片生成：使用 Fluzy1 DV1 模型，風景生成細節良好，真人克隆成功率約六成，但存在手部錯誤等幻覺問題。
5. 視頻生成：蒸餾模式速度快但偏離提示詞，兩階段模式速度慢但動作更自然；整體對時間與身份保持能力較弱。
6. 視覺理解：Vision 7B 模型在代碼、圖表及圖片識別上準確率高，實時對話流暢。

詳細大綱

一、 測試背景與硬體環境

• 測試設備：MacBook Pro M5 Pro。
• 硬體配置：M5 Pro 晶片，64GB 記憶體（逐字稿提及「內昏」，推測為記憶體）。
• 測試動機：
• 市面上關於 MacBook 的測評較少。
• 關注點不僅於價格、推理速度、記憶體使用，還包含噪音控制（分貝）。
• 在狹小空間內，設備運轉噪音過大會影響體驗，MacBook Pro 的噪音控制被評價為「確實驚艷」。
• 詳細數據參考：測試者官網及公眾號有詳細硬件分析文章。

二、 LLM 文字處理能力測試

• 使用模型：
• GAM4（兩個版本）：E4B（稠密結構/Dense，每次激活約 4B 參數）、35B MOE。
• Queen 3.6（兩個版本）。
• 測試結果：
• 推理速度：非常可用，特別是 GAM4 的 E4B 和 35B MOE 模型速度很快。
• 圖形夜能力：GAMMA 模型（疑點，可能指 GAM4）的圖形能力比 Queen 3.6 高。
• 月域能力：測試「BrokerJag」（疑點，可能指 Boundary 或特定測試集）能力，即生成易造成誤判或踩在邊界上的內容。本地生成比在線模型更容易。
• 具體任務：分蘋果、盤數、數學函數、寫代碼、修復 Bug、真假話推理、解釋話語等。
• 結論：題目能較好完成預定效果，答案將整理至官網模型測試頁面。

三、 TTS 語音合成能力測試

• 架構比較：

1. 支援 MLX/METAL 加速架構：速度較快，但不支持聲音克隆，僅支援文字描述聲音（Voice Design）。
2. 原生格式（不支持 METAL 加速）：速度較慢，但支援聲音克隆。

• 聲音克隆測試：
• 使用 Queen 3 的 Base 模型（原版）。
• Bug 提示：截取參考音頻需匹配，若內容過多或兩者不匹配會生成亂碼。
• 聽感：克隆聲音「簡直是一家論真」（疑點，可能為「一傢俱真」或「一聽就真」），幾乎聽不出區別。
• 描述生成聲音：
• 速度反而比聲音克隆慢，原因不明，可能與處理架構有關。
• 結論：TTS 語音合成功能相當強大。

四、 圖片生成能力測試

• 使用模型：Fluzy1 DV1（疑點，可能為 Flux 或特定模型名稱）。
• 測試方式：

1. 直接生成圖片。
2. 使用 Laura（疑點，可能為 LoRA）技術進行訓練/克隆。

• 速度表現：
• 風景生成需冷啟動注入參數，速度最慢。
• 穩定後，生成 1024x1024 分辨率圖片約需 71 秒至 11 分（數據存疑，可能為 7-11 分）。
• 真人圖片克隆速度相近。
• 生成結果：
• 風景：細節不錯，賽博朋克、商務人像、液態金屬、產品設計光影效果良好。
• 真人克隆：
• 訓練數據：60 多張不同角度、場景、服裝的照片。
• 觸發詞：使用生僻詞觸發人像。
• 參數：Scale 等 1.0。
• 問題：出現嚴重幻覺，如手數量錯誤、胸口提示詞穿透。
• 成功率：約六成可用，四成刪除。側面照片生成相似度較高。
• 結論：速度稍慢，克隆需提升，但整體執行能力可用，需視場景抽卡。

五、 視頻生成能力測試

• 模型：STS 模型（疑點，可能為 Sora 或其他視頻模型）。
• 模式對比：

1. 蒸餾模式：速度快。
2. 兩階段模式（圖碎/圖生視頻）：速度慢，相差 4-5 倍。

• 測試案例：

1. 城市街道：

• 蒸餾版：生成室內景（車庫、白色人物），偏離提示詞。
• 兩階段版：有街道、人群、建築物，但時間理解有誤（夜間警官？）。

1. 科技實驗室：

• 蒸餾版：要素缺失，生成類似保安或快遞的手臂、屏幕。
• 兩階段版：接近描述，但核心動作和感覺缺失。
• 觀察：STS 模型傾向於在風景或建築中強行加入人物，以顯得更「富有人性」。
• 無聲視頻測試：
• 給圖片讓其說話。
• 測試對象：隨機圖庫中的狗（非預期的人）。
• 結果：狗勉強動自為（疑點，可能為「微微動」或「自動為」），若為真人則幾秒後變形。
• 蒸餾版與兩階段版對比：兩階段版動作更活躍，臉部雀斑表情更像真人。
• 結論：速度相對慢，T14（疑點，可能為 Time 或特定指標）理解稍差，身份保持不佳。建議使用視頻中的步驟或原型展示，直接生成效果不佳。

六、 世界理解（視覺理解）能力測試

• 使用模型：Vision 7B（帶 V 的模型，專門理解圖片）。
• 測試項目：

1. 代碼識別：識別模擬計算機編程界面。
2. 圖表識別：識別統計數字、最高值、平均值等。
3. 界面識別：模擬編程界面。
4. 圖片識別：

• 預期：人。
• 實際輸出：哈布狗（疑點，可能為哈士奇或特定犬種）。
• 結論：不會遵從人的強制複雜圖片識別，準確識別數字和深線圖柄（疑點）。

1. 雙圖對比：

• 天鵝寶（疑點）和安風景（疑點）：被描述為與咖啡館有關，有偏差。
• 風景與毛樹人物（疑點）：識別出只有一隻哈布狗。
• 分析圖表：給出具體年月日、統計數據。
• 代碼理解：識別貝波那奇數列（斐波那契數列疑點）等。
• 結論：
• 實時對話非常可用，流暢且準確。
• 視覺理解非常棒，能準確識別數字和深線圖柄。
• 外界問題不大。

七、 綜合評價

• 優點：
• 噪音控制驚艷。
• LLM 文字處理速度可用。
• TTS 語音克隆效果完美。
• 視覺理解準確。
• 小而快的模型在 64GB 配置下具有價值。
• 缺點：
• 圖片生成速度稍慢，克隆需提升。
• 視覺模型差距大，只能生成基本內容。
• 視頻生成身份保持差，理解有缺陷。
• 人像一致性在圖片生成中基本不可用。
• 展望：相信隨著蘋果架構及配置環境的完善，提升會很迅速。

工具 / 模型 / 名詞整理

• 硬體：MacBook Pro M5 Pro, M5 Pro 晶片, 64GB 記憶體（逐字稿稱「內昏」）。
• 模型/技術名稱：
• GAM4 / GAMMA（疑點，可能指同一模型的不同寫法或版本）。
• E4B（模型參數描述）。
• 35B MOE 模型。
• Queen 3.6 / Queen 3。
• BrokerJag（疑點，可能指 Boundary 或特定測試集名稱）。
• MLX（架構）。
• METAL（加速功能）。
• Voice Design（描述生成音頻功能）。
• Fluzy1 DV1（圖片生成模型，疑點）。
• Laura（圖片生成技術，疑點，可能為 LoRA）。
• STS 模型（視頻生成模型，疑點）。
• Vision 7B（視覺理解模型）。
• 哈布狗（圖片識別結果，疑點）。
• 貝波那奇數列（代碼識別結果，疑點，可能為斐波那契數列）。
• 天鵝寶（圖片識別結果，疑點）。
• 安風景（圖片識別結果，疑點）。
• 毛樹人物（圖片識別結果，疑點）。
• 正算赤 / 復算黑 / 赤（紅色）（TTS 測試語音內容，疑點）。
• HIFENTAGE（提示詞，疑點）。
• Scale 等 1.0（生成參數）。

操作流程整理

1. 準備環境：確認 MacBook Pro M5 Pro (64GB) 硬體配置，安裝相關 AI 模型與架構（MLX/METAL）。
2. LLM 測試：

• 加載 GAM4 (E4B, 35B MOE) 與 Queen 3.6 模型。
• 執行推理速度測試、圖形能力測試、邊界內容生成測試（BrokerJag）。
• 執行具體任務：分蘋果、盤數、數學函數、寫代碼、修復 Bug、真假話推理、解釋話語。

1. TTS 測試：

• 比較支援 MLX/METAL 加速架構與原生格式架構。
• 進行聲音克隆測試：使用 Queen 3 Base 模型，截取參考音頻，檢查匹配度與亂碼情況。
• 進行描述生成聲音測試，記錄速度差異。

1. 圖片生成測試：

• 使用 Fluzy1 DV1 模型。
• 直接生成風景圖片，記錄冷啟動與穩定後的速度（1024x1024）。
• 使用 Laura 技術訓練真人克隆：準備 60+ 張照片，設定觸發詞與 Scale 參數。
• 評估生成結果：檢查細節、幻覺（手部、穿透）、成功率。

1. 視頻生成測試：

• 使用 STS 模型。
• 對比蒸餾模式與兩階段模式（圖碎/圖生視頻）的速度與質量。
• 執行城市街道與科技實驗室提示詞測試。
• 執行無聲視頻測試：讓圖片（狗/真人）說話，觀察變形與動作活躍度。

1. 視覺理解測試：

• 使用 Vision 7B 模型。
• 執行代碼識別、圖表識別、界面識別、圖片識別（人/狗）。
• 執行雙圖對比測試（天鵝寶/安風景、風景/毛樹人物）。
• 分析圖表數據與代碼邏輯（貝波那奇數列）。

1. 綜合評估：根據上述五個維度的測試結果，評估噪音、速度、準確度與可用性，得出結論。

值得注意的限制或風險

1. 圖片生成幻覺：真人克隆時出現手部數量錯誤、胸口提示詞穿透等嚴重幻覺，成功率僅約六成。
2. 視頻生成缺陷：

• 蒸餾模式偏離提示詞（如將室外生成為室內）。
• 兩階段模式對時間理解有誤（如夜間警官）。
• 身份保持不佳，真人幾秒後會變形。
• 模型傾向於在風景中強行加入人物。

1. 速度差異：

• 圖片生成風景需冷啟動，速度最慢。
• 視頻生成兩階段模式速度比蒸餾模式慢 4-5 倍。
• TTS 描述生成聲音速度比聲音克隆慢。

1. 模型辨識不確定性：多個模型名稱（GAM4, Fluzy1 DV1, STS, Queen 3.6 等）及技術名稱（Laura, BrokerJag 等）存在聽寫疑點，可能影響準確復現。

逐字稿辨識疑點

• 內昏：推測為「記憶體」或「內存」的口誤或聽寫錯誤。
• BrokerJag：推測為「Boundary」（邊界）或特定測試集名稱的聽寫錯誤。
• GAMMA / GAM4：文中交替出現，疑為同一模型的不同稱呼或聽寫不一致。
• 圖形夜能力：推測為「圖形渲染能力」或「圖形生成能力」的口誤。
• 月域能力：推測為「越獄能力」（Jailbreak）的聽寫錯誤。
• 一家論真：推測為「一聽就真」或「一傢俱真」（一聽就真）的口誤。
• 蒸油版：推測為「蒸餾版」（Distillation）的聽寫錯誤。
• 圖碎：推測為「圖生」（Image-to-Video）或「兩階段」的聽寫錯誤。
• T14：推測為「Time」（時間）或特定評估指標的聽寫錯誤。
• 哈布狗：推測為「哈士奇」或特定犬種名稱的聽寫錯誤。
• 貝波那奇數列：推測為「斐波那契數列」（Fibonacci sequence）的聽寫錯誤。
• 天鵝寶：推測為特定圖片名稱或「天鵝」的聽寫錯誤。
• 安風景：推測為特定圖片名稱或「安靜風景」的聽寫錯誤。
• 毛樹人物：推測為「茂樹人物」或特定圖片描述的聽寫錯誤。
• 正算赤 / 復算黑：TTS 測試語音內容，聽寫存疑。
• HIFENTAGE：提示詞，聽寫存疑。
• Fluzy1 DV1：模型名稱，聽寫存疑。
• Queen 3.6 / Queen 3：模型名稱，聽寫存疑。
• GAM4：模型名稱，聽寫存疑。
• E4B：模型參數，聽寫存疑。
• 35B MOE：模型參數，聽寫存疑。
• MLX：架構名稱，聽寫存疑。
• METAL：加速功能名稱，聽寫存疑。
• Voice Design：功能名稱，聽寫存疑。
• Laura：技術名稱，聽寫存疑。
• STS：模型名稱，聽寫存疑。
• Vision 7B：模型