# 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？）。
    2.  **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）。
    5.  **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。
3.  **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。
4.  **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。
5.  **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。
6.  **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）。
7.  **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。
3.  **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。
4.  **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