眾所皆知 M5 Ultra 與 DGX Spark 都是當前消費端最多人吹捧的本地端 AI 電腦，應該很多人會好奇他們兩者在本地端應用方面誰更強？不過 M5 Ultra 目前最高等級是 256GB RAM（512GB 10月底上市），而 DGX Spark 單機僅有 128GB RAM，所以直接對比也並不公平。國外支援 AI YouTuber Alex Ziskind 近日就把 Mac Studio（M5 Ultra、256GB）與雙機 DGX Spark 集群（各 128GB x 2）拉出來對決，結果可能會讓你意想不到。
M5 Ultra vs DGX Spark 兩種 256GB 的長相
兩邊的帳面記憶體一樣大，長相完全不同。Mac Studio 這台是 M5 Ultra 頂配，256GB 統一記憶體、8TB SSD，他手上這台組態要價 14,000 美元、約新台幣 45.5 萬元。
另一邊是兩台 NVIDIA DGX Spark，每台 128GB 加 4TB 儲存，開賣時每台 3,999 美元、現在官方定價漲到 4,699 美元（約新台幣 15.3 萬元），兩台加起來約 30.5 萬元，再加一條不便宜的 200Gbps QSFP 線材。
那條線跑的是 RoCE（RDMA over Converged Ethernet），讓兩台機器能直接讀寫對方的記憶體；模型則靠 vLLM 的張量平行（Tensor Parallel）切開，每一層對半分到兩台機器上，每生成一個 token 都要在線上互傳半成品，下一層才能開始（其實蘋果也有類似的技術 RDMA-over-Thunderbolt，使用 TB5 線材）。為什麼一定要兩台？DeepSeek V4 Flash 量化後約 150 到 160GB，塞不進單台 128GB 的 Spark；拆成兩台後每台佔用約 111GB，剛好留下運作空間。Mac 則是整包裝進單一記憶體池。他測的模型是 DeepSeek V4 Flash 與 Qwen 3.8 Flash Next，兩邊都跑 4-bit 量化版本。
生成速度打平，記憶體頻寬定勝負
先看「寫」，也就是 token 生成。DeepSeek 兩邊都是每秒約 38 個 token，平手；Qwen 則是 Mac 每秒 45 個對 Spark 的 38 個，Mac 拿下一城。原因指向記憶體頻寬：M5 Ultra 官方規格 1.2TB/s，每台 Spark 只有 273GB/s，兩台加起來仍不到 Mac 的一半，那條標稱 200Gbps 的線他實測約 111Gbps，同步開銷再吃掉一些。
軟體的影響也很大。同一個 DeepSeek 在 Mac 上用 Llama.cpp 寫出每秒約 40 個 token，換成 MLX 直接跳到 53 個，只換引擎就快 34%；兩邊都用 Llama.cpp 時差距在 2% 以內。
讀 prompt 是 Spark 的主場
再看「讀」，也就是提示詞處理，畫面完全倒過來。2,000 token 時兩邊都快到沒感覺；8,000 token 時 DeepSeek 在 Spark 約 4 秒、Mac 約 10 秒；16,000 token 時 Mac 的等待翻倍到 21 秒。
差距拉開是在真實程式碼庫測試的 TTFT（首 Token 吐字時間） ：32,000 token、14 個 Python 檔案丟進去，雙 Spark 17 秒讀完開始吐字，Mac 到 50 秒還在讀提示詞，差距約 3 倍。換算成 Qwen 的較短提示也是同樣比例：Mac 26 秒對 Spark 的 11.2 秒，2.4 倍。Spark 一路推到 128,000 token 只花 72 秒；Mac 在這一關他乾脆不測，照 32K 的速度推估要等 3 分鐘以上。 這符合硬體架構的預期：提示詞處理吃的是 GPU 並行算力，兩台 Spark 的算力加總勝過單顆 M5 Ultra；token 生成吃記憶體頻寬，單機統一記憶體的 Mac 反而佔優。
快取救了 Mac
不過真實世界的對話不是每次都從零開始。伺服器會保留已經讀過的內容（前綴快取），16,000 token 的情境下：第一次提問 Mac 21 秒、Spark 8.3 秒；追問只要 Mac 3 秒、Spark 1.4 秒。那口「讀長文」的氣每個工作階段只付一次。程式碼工具就是這樣運作的：Agent 把程式碼庫送一次，伺服器留著，後續問題只加上新增的部分。
痛點在於情境一直在變：換 repo、丟大檔案、對話長過快取上限，就得重讀。另一個他觀察到的細節是換模型也會整批重算，等於重新付一次學費。 這也解釋了圈內對「分離式 prefill／decode」的興趣：讓算力大的 Spark 專門讀提示詞、頻寬大的 Mac 專門生成，各取所長。他說這類專案已經有人在做，但目前還是早期實驗。
多人使用才是分水嶺
多人同時使用時，兩台機器的性格差異拉到最大。DeepSeek 在 Mac 上 4 人同時使用時總吞吐量每秒 66 個 token，8 人掉到 46；雙 Spark 則一路爬到 70。給每人 8,000 token 的對話歷史、8 人同時上線：Mac 總吞吐只剩每秒 11 個 token、Spark 有 25 個；更痛的是等待，Mac 上每個人要等超過一分鐘才看到第一個字，之後每秒約 5 個 token，Spark 大約等 24 秒、之後每秒 7 個。簡單說：Mac 是一到兩人的機器，雙 Spark 適合四人左右的小團隊，八個人就是硬撐。
熱、電、與麻煩程度
滿載時 M5 Ultra 吃 434 瓦、Spark 集群 410 瓦，幾乎一樣會跳電表；機身表面 Mac 最熱處 49 到 50 度、Spark 約 48 度，Mac Studio 背後出風口 56 度，Spark 機內他量到 58 至 63 度，兩邊都吵、都燙。他特別補充，這組滿載數字不代表待機狀態，閒置時兩者功耗差距其實很大（差了11倍）。
設定成本的差距才是日常分野：Mac 幾乎零設定，還能兼差剪片跑渲染；Spark 集群要對齊兩台的作業系統、核心、驅動程式與韌體，再灌 vLLM 多節點設定與一堆 NCCL、RoCE 環境變數，最後檢查 RDMA 流量。簡單說 Mac Studio 除了 AI 以外日常所有工作與娛樂都能輕鬆愉快使用，Spark 則就是專門給 AI 使用，LINUX 環境也要你自己去折騰就看你自己的選擇。有興趣的朋友可以看原始影片的介紹，有cc字幕：
結語：256GB 兩盒，不等於 256GB 一盒
他的答案是：裝得下一樣的模型，但讀得快很多。至於買哪個，先量自己的工作：提示詞有多大？答案要寫多長？大輸入（程式碼庫、長文件）吃 Spark 的讀速，長輸出與單人重度使用吃 Mac 的頻寬與省事。別忘了帳單：兩台 Spark 加線材 30 萬元有找，他那台 8TB 的 M5 Ultra 要 45.5 萬元（其實SSD不要買那麼大的話約35萬左右，價差主要在比黃金貴的 SSD），價差足以買一台高階筆電。如果你的工作是一天到晚把整個程式碼庫丟給模型，Spark 集群的讀速會直接改變體驗；如果多半是自己跟模型長談，Mac 的省事安靜更實在。
