用 M1 Max 32GB 實測三個地端模型後，我決定先不換 Mac

看到新的 Mac 上市，我在思考要不要換掉手上這台 2021 年的 MacBook Pro（M1 Max、32GB 記憶體）。我也聽說最近地端模型進步了很多，所以會想：如果要換電腦，在我的新機預算內，有沒有機會在新的 Mac 上跑地端 AI？地端 AI 指的是把模型下載到自己的電腦上跑，不必把資料送到別人的伺服器。我想親手測，不只查資料，就先在手上這台 M1 Max 跑地端 AI，看看它的表現如何。

地端 AI 在 32GB 的 Mac 上跑得動嗎？

跑得動，但是很喘。在這台 Mac 上，地端模型每做一件工作，都要等 Claude 的幾倍到幾十倍時間，結果也不一定能直接用。我讓三個地端模型和我平常用的雲端 Claude，各做我自己工作流程裡的四件事：開新專案、整理訪談逐字稿、排今天、每週回顧。三個地端模型是 Google 的 Gemma 4 26B，還有阿里巴巴的 Qwen3.8 27B 和 Qwen3.6 35B。

Claude 四件都能直接用，每一件都在 72 秒內做完。三個地端模型每件要等 2 到 49 分鐘，各做四件、一共 12 次，其中 5 次的結果不能直接用。

測完，我決定先不換電腦。買新 Mac 能讓地端 AI 快一點，但等的時間還是比 Claude 長得多，花這筆錢買不到生產力的提升。

我怎麼測地端 AI？

AI 能做的事很多，可以聊天問答，也能生圖、做影片。這次只測我工作上最常交給 AI 的那一類：讀檔案、寫文件、跟我來回討論。我拿自己工作流程裡的四件日常工作當考題，請 Claude 扮演一位虛構的社工系研究助理，把工作交代給地端模型。她叫芷晴，手上有一批訪談要分析。IRB（研究倫理審查）規定，這些訪談資料只能存在研究室這台電腦。

我挑這三個地端模型，是想要一個非中國模型（Gemma），一個中國模型（Qwen3.8），再加一個寫得快的（Qwen3.6）。包在模型外面、讓模型能讀檔、改檔、記住對話的整套系統，叫 harness。harness 會怎麼影響結果，我在〈Harness：決定 AI Agent 成敗的不是模型，是這個東西〉寫過。兩邊各用哪些模型和 harness，列在下面這張表。

	地端	雲端（對照組）
模型	Gemma 4 26B、Qwen3.8 27B、Qwen3.6 35B	Claude Sonnet 5.5
harness	OpenCode	Claude Code

文章裡拿來比的 Claude，指的是表格右邊這一整組：Claude Sonnet 5.5 加 Claude Code。同樣四件事也交給它做一遍。兩邊的模型和 harness 都不一樣，所以這次比的不只是模型，也比了兩邊的 harness。

圖 1　測試流程，看同樣四件事怎麼分成地端和雲端兩路

四件事是哪四件？

四件事都要 AI 先讀資料夾裡的檔案，再動手建檔或改檔：

① 開新專案：我開始一件新工作時，會用一兩句話跟 AI 交代要開什麼專案、什麼時候做完。AI 會開一個新資料夾，在裡面寫一份 README.md，也就是這件工作的說明檔。README.md 寫清楚這件工作對到哪個目標、每週要做什麼、現在做到哪裡。

② 整理訪談逐字稿：芷晴把一份約 1,500 字的訪談逐字稿交給 AI，請它替每段話貼上短標籤（研究上叫編碼）。每個編碼底下，要從逐字稿抄下對應的原話當證據。最後從這份訪談寫出 3 到 5 個可能的主題。主題就是把相近的編碼歸在一起，取一個名稱，說明這一組在講什麼。芷晴沒有要求主題附原話，原話附在編碼底下就好。

③ 排今天：我早上開工時，會請 AI 先問我今天想做什麼，再對照這週的計畫和行程，和我討論出當天的工作。

④ 每週回顧：我每週會和 Claude 談我過去一週完成了哪些事情，把成果歸檔，並討論下一週的工作目標。測試時改由芷晴跟模型談這件事，地端那幾次的時間和來回次數上限，都是四件事裡最高的。

① 開新專案、③ 排今天、④ 每週回顧，都有一份寫好的 SOP，規定 AI 照什麼流程做。這份 SOP 寫在資料夾裡的 CLAUDE.md，這是給 AI 看的規則說明書，有 733 行。Claude Code 和 OpenCode 照同一份 CLAUDE.md 的流程做，兩邊的結果才能放在一起比較。② 整理逐字稿沒有寫成 SOP，靠芷晴當下交代。

誰扮演芷晴、結果怎麼判？

兩邊的芷晴都由 Claude 扮演。差別在做事的一方，是前面表格裡的地端那組，還是雲端那組。扮演時有一份角色說明，寫了芷晴是誰、這件事要做到什麼。

芷晴只做一般使用者會做的事：回答問題，模型沒聽懂或做錯時換句話再講，說同意或不同意，不教模型怎麼做。每一輪她讀完對話和資料夾裡新增或改過的檔案，再回一到三句。

模型自己讀檔、改檔，不清楚可以回頭問芷晴。地端這幾次，① ② ③ 每件上限 90 分鐘、最多 6 次來回。④ 每週回顧是 120 分鐘、最多 8 次來回，兩種上限先到哪個就停。

判的時候只看最後交出來的東西能不能直接用，結果只分成功和失敗兩種。能直接用，算成功，中間要多講幾次才修好也算。不能直接用，算失敗，包括沒做出來、次數或時間用完時還沒完成，還有實際要用這份檔案的人得自己動手改才能用。整理逐字稿時抄下來的原話，改到看不出原意，整份也算失敗。

圖 2　芷晴靠對話和檔案變化跟模型來回，下排是怎麼判成績

這次測試的條件和限制

• 機器：2021 年款 MacBook Pro 16 吋，M1 Max，32GB 記憶體
• 地端：Ollama 0.40.4（跑地端模型的免費程式）、OpenCode 1.19.0
• 地端的設定：一次能讀多長，Gemma 和 Qwen3.8 設 10 萬 token，Qwen3.6 設 4 萬。有一項省記憶體的設定，只在 Qwen3.8 上生效。思考模式（回答前先想一輪）和跑模型的引擎，都照裝好時的樣子
• Claude：Claude Code 2.1.302，模型是 claude-sonnet-5-5
• 地端這邊的扮演者：Claude Code，模型是 claude-sonnet-5-5，effort 用 Claude Code 預設的 medium
• 四個模型從同一份資料夾開始，日期固定成週四 10/22（前三件）和週日 10/25（每週回顧）
• 兩邊都用指令跑，沒用圖形介面

這次測試的限制：

• 逐字稿只有約 1,500 字，真實一小時的訪談長很多
• 這次比的是 Claude Sonnet 5.5 加 Claude Code，對上地端模型加 OpenCode，差距有多少來自 harness，沒有拆開量

地端模型做得對嗎？

Claude 四件事都成功，三個地端模型各有一到兩件不能直接用，最常出錯的是每週回顧。

模型	① 開新專案	② 整理訪談逐字稿	③ 排今天	④ 每週回顧
Claude	成功	成功	成功	成功
Qwen3.8	成功	失敗	成功	成功
Gemma	失敗	成功	成功	失敗
Qwen3.6	成功	成功	失敗	失敗

每一格都只有一筆結果，同一個設定再跑一次，結果可能不一樣。

① 開新專案：四個模型都建好了專案資料夾，也都在裡面寫了 README.md。Claude、Qwen3.8、Qwen3.6 寫出的 README.md 都能直接用。Gemma 判失敗，原因是 README.md 的內容沒有依據芷晴的情況寫出來。

② 整理訪談逐字稿：抄下來的原話之後會直接引用進論文，芷晴要的是一字不差。四個模型都改到了原話的字。改到字但意思沒變的，我判還能直接用。Claude、Gemma、Qwen3.6 改的字都沒動到意思，判成功。Qwen3.8 把「知道我們家的狀況」寫成「的狀態」，看不出原意，判失敗。

逐字稿原文和模型抄下來的原話對照

模型	逐字稿原文	模型抄下來的原話	判定
Claude	我已經一年多沒剪了。	我已經一年多沒剪頭髮了。	成功
Gemma	我覺得那個比錢重要，就是有人看到。	我覺得那個（小姑給的紅包）比錢重要，就是有人看到。	成功
Qwen3.6	日照的交通車有時候排不到，我就要自己載，婆婆上下車很吃力	交通車排不到…我自己載婆婆上下車很吃力	成功
Qwen3.8	如果有一個人知道我們家的狀況，我有問題就問他，那會省很多力氣。	如果有一個人的狀態、我有問題就問他，那會省很多力氣	失敗

前三句有的多了字，有的少了字，意思都還在。

Qwen3.6 第一次交出來的編碼檔夾了簡體字，芷晴請它改，最後一版改掉了。

③ 排今天：Claude、Qwen3.8、Gemma 都把今天的筆記建好了。Qwen3.6 判失敗，它編出一個不存在的檔，還把這個檔列成今天的任務。

④ 每週回顧：Claude 和 Qwen3.8 做完的回顧都能直接用。Gemma 判失敗，它後來每次改檔都重寫整份檔，前一週的歷史紀錄也被改壞。這週計畫做完的比例也算錯，照檔案上打勾的項目該是 40%，它算成 33%。Qwen3.6 判失敗，它一題一題問芷晴，來回次數用完時，還沒把結果寫進檔。

地端 AI 比雲端慢多少？

上一節看的是做得對不對，這一節看要等多久。一般文章測模型的速度，多半看每秒產生幾個 token，寫成 token/s。token 是模型計算文字的單位，中文字跟 token 怎麼換算，看模型而定。看 token/s 的好處是不同模型放在一起比，標準一致，缺點是跟日常的工作有距離。所以我用實際的工作來量，就是這次的四件事，看每件從開始到做完要等多久。像 ① 開新專案要建資料夾、寫 README.md，④ 每週回顧是跟芷晴用對話來做的工作。

這次三個地端模型，都是裝好就直接跑，沒有為了讓它們變快去調設定。這種跑法，我後面都叫它「照預設」。有動到的設定，主要是讓模型放得進記憶體，也讀得下這次工作的內容，細節寫在前面「這次測試的條件和限制」的折疊裡。

四件事加起來，Claude 不到 3 分鐘就做完，三個地端模型要等約 45 到 88 分鐘。最快的 Gemma 也要 Claude 的 16 倍時間，最慢的是 Qwen3.8。

圖 3　同一件工作要等多久，每一列是一件事，四條都從 0 起算，磚紅色是 Claude，牛皮紙色是三個地端模型

差最多的是每週回顧。每週回顧是一來一回談的事，Qwen3.8 跟芷晴來回了 6 次，花了 49 分鐘。這是 Qwen3.8 每次回話的時間加起來，不含芷晴打字的時間。

地端模型慢，慢在寫。模型做事分兩段，先把給它的內容讀進去，再一個字一個字寫出回答。三個地端模型的等待時間，有八到九成花在寫。

時間既然多半花在寫，能不能靠調設定把這段縮短？後來我把最慢的 Qwen3.8 設定調過，四件重跑一次。等待時間加起來從約 88 分鐘降到約 34 分鐘，還是 Claude 的 12 倍左右。調過之後，四件工作也都正確完成。

圖 4　Qwen3.8 調過設定前後，四件事加起來要等多久，三條都從 0 起算。牛皮紙色是 Qwen3.8 照預設跑，深一點的牛皮紙色是調過設定的 Qwen3.8，磚紅色是 Claude

Qwen3.8 調了哪些設定、各快多少

Qwen3.8 調了四項設定。我試了三種組合，再跟照預設跑的結果比。下面的數字，除了講每週回顧的那一段，都只算前三件：開新專案、整理訪談逐字稿、排今天。

關掉思考模式：思考模式是模型回答前先想一輪，想的內容也要一個字一個字寫出來，只是畫面上看不到。關掉之後，前三件寫的 token 少了很多。每秒寫的量差不多，約 7 個 token。省下的時間來自少寫，不是寫得快。

MTP：MTP 讓模型一次先猜好幾個字，再檢查猜得對不對，猜對的就不用一個一個寫。我在關思考那組上再開 MTP，設成一次猜 4 個。它猜中約六成（61%），每秒從 7.0 個 token 變成 11.8 個。

換成 MLX：照預設跑的 Qwen3.8，用的是 GGUF 格式的模型檔（q4_K_M），由 llama.cpp 這個引擎來跑。引擎是實際把模型跑起來的程式。MLX 那組改用 MLX 格式的模型檔（nvfp4），配 Ollama 用 MLX 做的引擎。MLX 是 Apple 為自家晶片做的機器學習框架。q4_K_M 和 nvfp4 是兩種把模型檔壓小的方式。

MLX 那組也開了 MTP，這是引擎預設就開的。它猜中約八成（81%），每秒寫 16.2 個 token，是四組裡最快的。不過這組寫的 token 也比較多，約 1.16 萬。前三件的總時間，跟關思考＋MTP 那組差不多（21.3 對 20.9 分鐘）。

一次能讀的長度：調過的三組，一次能讀的長度都從 10 萬 token 縮到 4.8 萬。

組	思考模式	MTP	模型檔和引擎	一次能讀多長	前三件加起來
照預設	開	沒開	GGUF 格式、llama.cpp 引擎	10 萬 token	38.9 分鐘
關思考	關	沒開	GGUF 格式、llama.cpp 引擎	4.8 萬 token	27.8 分鐘
關思考＋MTP	關	開，一次猜 4 個	GGUF 格式、llama.cpp 引擎	4.8 萬 token	20.9 分鐘
MLX	關	開（引擎預設）	MLX 格式、MLX 引擎	4.8 萬 token	21.3 分鐘

10/21 那晚，每週回顧只跑了 MLX 那組，花了 12 分鐘，四件都判成功。正文說的「調過」，就是這組。

四組都在同一台 32GB 筆電上跑，全程插電，跑之前關掉其他程式。

只有 Qwen3.8 調過，Gemma 和 Qwen3.6 都沒調。這些數字都是某一次跑出來的結果，不是平均值，只能當參考。

這一節開頭說過，一般文章測速度多半看 token/s，也就是每秒產生幾個 token。習慣看這個數字的人，可以用下面這張表對照。表上的數字，跟前面的等待時間出自同樣那幾次實驗，每個數字都是四件事加起來算的。

	讀（每秒幾個 token）	寫（每秒幾個 token）	四件寫了多少 token	四件要等多久
Qwen3.8 照預設	約 90	約 6.5	約 3.0 萬	約 88 分鐘
Qwen3.8 調過	約 88	約 16.4	約 1.9 萬	約 34 分鐘
Claude	至少約 800	至少約 120	約 2.0 萬	171 秒

調過設定之後，Qwen3.8 寫得比較快，讀的速度幾乎沒變。Claude 讀和寫都快很多，寫至少是調過的 Qwen3.8 的 7 倍，讀至少 9 倍。

這張表怎麼算的，Claude 為什麼寫「至少」

每秒幾個 token，就是做了多少個 token，再除以花了幾秒。表上的數字都是四件事加起來算的。

讀，只算模型真的重新讀進去的新內容。前面讀過、模型還記得的舊內容不算。Claude 另外從快取讀了約 125 萬個 token。快取是雲端替 Claude 存起來的舊內容，這部分也沒算進去。

讀花了幾秒、寫花了幾秒，都能從跑模型的程式留下的紀錄算出來。所以地端兩列直接相除就好，是實際量到的速度。拿 Qwen3.8 照預設那次來算：

• 讀：55,864 個 ÷ 620 秒 ≈ 90 個
• 寫：29,748 個 ÷ 4,590 秒 ≈ 6.5 個

雲端不會告訴我讀和寫各花幾秒，只給每次呼叫的總時間。四件事呼叫雲端的時間，加起來約 164 秒。這 164 秒裡，Claude 讀了 130,880 個新內容，寫了 20,109 個。

先算寫。就算 164 秒全部花在寫，每秒也寫了：

• 20,109 個 ÷ 164 秒 ≈ 123 個

可是這 164 秒裡，有一部分時間在讀，真正花在寫的時間比 164 秒短。寫的量一樣是 20,109 個，花的時間更短，每秒寫的就比 123 個多。所以表上寫「至少約 120」。

讀也是一樣的算法。就算 164 秒全部花在讀，每秒也讀了：

• 130,880 個 ÷ 164 秒 ≈ 798 個

真正花在讀的時間也比 164 秒短，所以每秒讀的會比這個更多。表上寫「至少約 800」。

Qwen3.8 調過之後，四件寫的 token 從約 3.0 萬少到約 1.9 萬。原因之一是關掉了思考模式。開著思考模式時，模型回答前會先寫一段畫面上看不到的思考內容。關掉之後，這一段就不用寫了。不過每次跑，模型來回的次數也不一樣。

跑地端 AI 要什麼樣的 Mac？

挑 Mac 跑地端 AI，要看記憶體的兩個數字，就像自己買車要看載重和馬力。一個是容量，像載重，決定放得下多大的模型，還有模型一次能讀多長。另一個是頻寬，像馬力，決定模型寫得多快。

容量要多大？

Mac 的記憶體是一整塊，CPU 和 GPU 一起用。跑模型主要靠 GPU，但 GPU 不能把整塊用完，要留一部分給系統。32GB 的 Mac，GPU 能用的部分預設約 25GB。128GB 的 Mac 約 107GB，系統留約 20GB。

跑模型時，記憶體要放三樣東西。

01模型本身大小看模型，小的幾 GB，大的八十幾 GB。放在 GPU 能用的部分

02模型正在讀的內容像規則、工具說明、對話和檔案，越長越佔空間。放在 GPU 能用的部分

03macOS 和其他程式例如瀏覽器、OneDrive 這類雲端硬碟，還有平常在背景跑的小工具。放在留給系統的部分

模型本身

第一樣是模型本身，佔多少看模型多大。現在常見、能在地端跑的模型，大致分成大中小三級。名字裡的 120B、27B、4B 代表模型的大小，數字越大，模型越大。

級別	例子	模型檔大小
大（約 120B）	gpt-oss-120b、Qwen3.5 122B、Nemotron 3 Super 120B	65 到 87GB
中（20B 到 35B）	gpt-oss-20b、Gemma 4 26B、Qwen3.8 27B、Qwen3.6 35B	14 到 23GB
小（4B 到 9B）	Qwen3.5 4B、Qwen3.5 9B	3.3 到 6.6GB

表裡的大小，是 Ollama 上壓小過的版本。Ollama 是跑地端模型的免費程式，這次的地端模型也是用它跑的。這次測的三個模型都在中級，Qwen3.8 27B 的模型檔約 18GB。大級的模型檔，每一個都比 32GB 的 Mac 上 GPU 能用的約 25GB 還大。

模型正在讀的內容

第二樣是模型正在讀的內容，包括規則、工具說明和對話。規則是模型先要知道的事，像前面提過的規則說明書 CLAUDE.md，還有 harness 本身帶的規則。工具說明寫的是模型能用哪些工具、每樣怎麼用，像讀檔、改檔。對話是到目前為止的來回，包括使用者說的話、模型的回覆、讀進來的檔案、工具跑出來的結果。模型這次正在寫的回覆，也算在裡面。

留給這一塊的空間，決定模型一次能讀多長。模型一次能讀進去的內容長度上限，叫 context window。要讀的內容越長，這一塊佔的空間越大。內容越長，模型第一次讀進去也要等越久。這次實驗做 ① 開新專案時，交代的工作只有短短兩句，Qwen3.8 第一次讀進去的內容卻有約 1.8 萬 token。多出來的幾乎都是規則和工具說明。Qwen3.8 照預設跑，光讀這一段就花了約 3 分鐘。現在的 Claude 模型，例如 claude-sonnet-5-5，預設就是 100 萬 token（1M），不用另外設定。

照 Claude 的 1M 來配，Qwen3.8 27B 光讀內容這一塊，用這次開的省記憶體設定推算，就要約 35GB，是模型本身的兩倍。加上模型本身約 18GB，合計 50GB 出頭。

macOS 和其他程式

第三樣是 macOS 和其他程式，用的是留給系統的那一部分。32GB 的 Mac 約留 7GB，128GB 的 Mac 約留 20GB。上面卡片裡那些程式，都在這約 7GB 或 20GB 裡搶空間。

手上的 Mac 夠嗎？

16GB 跑不動這次測的模型。Apple 現在賣的 Mac，多數基本款是 16GB。照 Apple 台灣官網的規格頁（2026-10-20 讀取），MacBook Air 是 16GB 起。這次測的三個模型，Qwen3.8 27B 和 Gemma 4 26B 的模型檔約 18GB，Qwen3.6 35B 約 23GB。光模型檔就比整台記憶體大，放不下。

32GB 跑得起來，但記憶體很吃緊。我這台就是 32GB，GPU 能用約 25GB。Qwen3.8 和 Gemma 一次讀 10 萬 token，放得下。Qwen3.6 只讀 4 萬 token，佔用的記憶體就超過 GPU 能用的上限，還要借用硬碟空間。照上面的推算，Qwen3.8 27B 加上 1M 的內容，合計要 50GB 出頭，32GB 的 Mac 放不下。

128GB 放得下。128GB 的 Mac，GPU 能用約 107GB。Qwen3.8 加上 1M 的內容放得下，模型檔 65 到 87GB 的大級模型也放得進。

真的要把地端 AI 當成主要工具，我目前的想法是，記憶體要往 128GB 看。

頻寬要多快？

換成 M5 Max，寫的速度大約是原本的 1.5 倍。

寫的速度主要卡在記憶體頻寬。M5 Max（40 核心 GPU）的頻寬是 614GB/s，是 M1 Max 400GB/s 的約 1.5 倍。同一代的 M5 Pro 是 307GB/s，比 2021 年的 M1 Max 還低。挑 Mac 要看頻寬，不是看哪一年出的。買車也是這樣，新出廠的車，馬力不一定比老車大。

同一台 M1 Max 筆電，Qwen3.8 做每週回顧，照預設要等 49 分鐘，調過設定約 12 分鐘。這段等待裡，讀約 5 分鐘，寫約 7 分鐘。讀的部分，光第一次讀規則和工具說明就花了約 3 分鐘。換成 M5 Max，我粗算時只讓寫的部分變快，讀的部分當作不變，算出來約 10 分鐘。同一件事，Claude 是 72 秒。

圖 5　Qwen3.8 調過設定後，每週回顧要等多久，上列是 M1 Max 實測，下列是 M5 Max 粗算，兩條都從 0 起算。淺灰褐色是讀，深一點的牛皮紙色是寫，更淺的灰褐色是跑工具和空檔

速度數字怎麼來的

記憶體頻寬：M1 Max 的 400GB/s 出自 Apple 2021 年發表 M1 Max 的新聞稿，M5 Max 40 核心 GPU 的 614GB/s 和 M5 Pro 的 307GB/s，都出自 Apple 的 MacBook Pro 規格頁（2026-10-20 讀取）。

筆電要容量和頻寬都顧到，就是 128GB 的 M5 Max。14 吋、M5 Max、128GB 記憶體、2TB 的 MacBook Pro，Apple 台灣官網的售價是 NT$230,900（2026-10-20 讀取）。

地端 AI 還有哪些門檻？

地端 AI 不是買好電腦就能用。我這次在手上這台 Mac 走過一遍，每一步都要自己決定、自己調。自由度很高，但很花時間，對沒有技術背景的人是一道門檻。

裝好之後，還有一串設定得自己來，要讓 harness 看得到地端模型，要決定一次能讀多長，也要試怎麼讓它變快。以一次能讀多長為例，這台筆電的預設只有約 3.2 萬 token，還沒開始做事，光是規則和工具說明就用掉一半以上。這次三個模型能讀的長度，都是我自己調大的。每一項都要先知道有這回事才會去調，調了也不一定有效。

這些門檻讓我想到 Claude Code，它一開始的門檻也不低。當時只有終端機版，要自己裝好 Node.js、設定好路徑，還要會在終端機裡打指令。裝完一打指令，畫面可能只跳出一行英文 command not found，意思是找不到這個指令。官方的疑難排解頁面，光是安裝和登入會遇到的錯誤，現在就列了 48 種。後來 VS Code 這類編輯器裡有了圖形介面，再來是下載就能用的桌面版，Claude Code 才比較走進一般人的生活。它門檻最高的時候，也比地端 AI 這一串設定簡單。雲端工具的門檻一直在降，地端這些設定，目前還是得自己來。

地端 AI 划算嗎？

我就是無法抗拒生產力工具的人，最怕研究了一堆工具，回報很久才來，或是根本沒有。所以我用 CP 值算一次帳：買新 Mac 跑地端 AI，投入的錢和時間，換到什麼。

投入的錢，是約 23 萬買一台 128GB 的 M5 Max，已經超出我的新機預算。投入的時間，是上一節那一串設定：裝好環境、調一次能讀的長度、一項一項試怎麼變快。花了這些時間，Qwen3.8 四件事加起來，從約 88 分鐘縮到約 34 分鐘。花錢買新機，還能再快一點。同樣四件事，Claude 不到 3 分鐘。

所以花錢換不到生產力的提升。換到的，是地端本來就有的好處：不用靠雲端的自由，還有資料不出電腦。

買新 Mac 跑地端 AI，像自己買車。自己的車想去哪就去哪，行程也不用給別人知道，只是得自己開、自己保養。用雲端的 Claude，像搭高鐵，速度快，也有人保養。要生產力，這筆投入不划算。資料不能離開電腦的人，或不想靠雲端的人，才值得考慮。

對我來說，地端還沒到甜蜜點，帳算不過來，還不到換的時候。手上的 M1 Max 32GB 跑雲端的 Claude 就夠了。原本要花在調地端設定的時間，我拿去優化讓 Claude 自己做下去的流程，回報是注意力和品質。我希望這套流程再自動一點，讓我能接更多案子，或少花一點工時。

或許明年、後年，等機器沒那麼貴、設定也沒那麼麻煩，我再來算一次地端這筆帳。在那之前，就拜託我這台 2021 年的 MacBook Pro 再多撐一陣子了。

---

雲端 Claude 要用到位，自己摸索也做得到，想少繞一點路，可以參考我的實體工作坊。

要帶整個團隊導入 Claude 的話，可以找匯流顧問。