Mac Studio M5 Ultra de 256 GB: qué rendimiento ofrece en IA local

Analizamos en profundidad el rendimiento del Mac Studio M5 Ultra con 256 GB de memoria unificada procesando modelos de IA locales a fecha de 16 de noviembre de 2026.

El Mac Studio con M5 Ultra puede ejecutar modelos de lenguaje grandes sin depender de la nube. Las pruebas con Qwen, DeepSeek y GLM muestran cuánto importan el motor de inferencia y la

# Mac Studio M5 Ultra de 256 GB: qué rendimiento ofrece en IA local y cuánto consume

El análisis publicado hoy por Xataka aporta cifras de velocidad y consumo para la versión de 256 GB. He usado esas mediciones y las pruebas de contexto largo de Fireside Labs para distinguir cuánto tarda el modelo en leer, a qué velocidad responde y qué margen tiene para trabajar con documentos extensos. Apple ofrece también una configuración de 512 GB. :chatgpt-content-reference{index=”0″}

“`html

Las pruebas del Mac Studio M5 Ultra de 256 GB muestran que puede ejecutar modelos de más de 100.000 millones de parámetros en local. La velocidad, el consumo y el tiempo de espera cambian mucho según el modelo y la longitud del contexto.

¿Qué se puede hacer con 256 GB de memoria unificada en un ordenador de sobremesa? El análisis publicado por Xataka el 16 de noviembre de 2026 pone cifras a una pregunta que la ficha de Apple deja abierta. En una de sus pruebas, el Mac Studio M5 Ultra generó 86,7 tokens por segundo con Qwen3.5 122B-A10B. En otra batería de pruebas, procesar por primera vez un contexto de un millón de tokens llevó casi una hora. Las dos cifras describen tareas distintas y explican por qué una sola medida de velocidad dice poco sobre cómo se siente usar IA en local.

Qué aportan los 256 GB de memoria unificada

La configuración analizada combina una CPU de 36 núcleos, una GPU de 80 núcleos y un ancho de banda de memoria de 1,2 TB/s. Apple ofrece ese mismo chip con 256 o 512 GB de memoria unificada. El M5 Ultra de entrada parte de 96 GB.

En este diseño, la CPU y la GPU comparten un mismo espacio de memoria. La ventaja para la IA local es que se pueden cargar modelos cuyos pesos superarían la memoria de muchas tarjetas gráficas dedicadas. Flash-Next, por ejemplo, ocupaba 88 GB en la configuración que probó Xataka.

Parte de esa memoria también se destina a macOS, a las aplicaciones abiertas y a la caché que guarda información del contexto de cada sesión. Por eso, calcular si un modelo cabe exige mirar sus pesos, la cuantización y el tamaño del contexto que se quiere usar. Si se atienden varias consultas simultáneas, también cuenta la memoria que necesita cada una.

Velocidad de generación y tiempo hasta la primera respuesta

En las mediciones de Xataka, Flash-Next generó 59 tokens por segundo en la prueba de consumo y superó los 60 con contextos cortos. Qwen3.5 122B-A10B alcanzó 86,7 tokens por segundo en la medición de escritura. Este último es un modelo de mezcla de expertos: tiene 122.000 millones de parámetros totales, de los que activa unos 10.000 millones por token. Esa diferencia ayuda a entender por qué un modelo con más parámetros totales puede generar texto más deprisa.

Antes de empezar a responder, el modelo tiene que procesar la entrada. Si le pasas un contrato largo, una transcripción o gran parte de un repositorio, esa fase puede dominar el tiempo de espera. En las pruebas de Fireside Labs con DeepSeek cuantizado y el mismo Mac Studio de 256 GB, procesar un contexto de 300.000 tokens desde cero llevó 7,6 minutos. Al llegar a un millón, el procesamiento inicial subió a 57,2 minutos y la generación posterior fue de unos 22 tokens por segundo.

En esa prueba de un millón de tokens, el modelo recuperó correctamente dos de los tres códigos ocultos en el texto. Hubo una sola ejecución por longitud, así que el resultado describe ese ensayo concreto. Si vas a trabajar con documentación extensa, también conviene medir si el modelo recupera bien los datos que necesitas y cuánto tarda al reutilizar el contexto en una segunda consulta.

Consumo eléctrico durante las pruebas

Xataka midió 11 W en reposo, con varios servidores de IA abiertos a la espera de peticiones. Durante las cargas de IA local, registró entre 150 y 335 W según la tarea. En las pruebas de generación, Flash-Next consumió 154 W y Qwen3.5 122B-A10B, 210 W.

Con el precio de la electricidad utilizado en su análisis, Xataka estimó entre 0,12 y 0,29 euros por cada millón de tokens generados. La estimación cubre el consumo eléctrico. Para comparar el coste con el de una API, también hay que sumar la compra del equipo y repartirla entre el volumen de trabajo previsto durante su vida útil. En España, Apple anunció el M5 Ultra desde 6.649 euros para la configuración de entrada.

Programación asistida: cuántas pruebas supera el código

Para un agente de programación, la tarea termina cuando el código funciona. Entre leer archivos, modificar código y ejecutar pruebas, un modelo que genera texto rápido puede consumir más tiempo si necesita repetir pasos o corregir errores. En la tanda principal de Xataka, Qwen3.8-27B con MLX fue la única configuración que superó las 13 pruebas en las tres ejecuciones.

El motor de inferencia también cambia el resultado. Fireside Labs reprodujo una misma secuencia de 181 peticiones de un agente con Qwen: tardó 18,5 minutos con oMLX y 29,7 con llama.cpp en las configuraciones probadas. Para quien quiera usar el Mac Studio a diario, esa diferencia justifica medir el flujo completo con su propio repositorio, sus herramientas y la longitud de contexto habitual.

Cuándo tiene sentido ejecutar la IA en el propio Mac

Los 256 GB tienen más valor cuando trabajas de forma habitual con modelos grandes, documentos internos o repositorios que prefieres procesar en el equipo. Una vez descargados el modelo y sus dependencias, la inferencia puede funcionar sin internet. Si el asistente usa búsqueda web, herramientas externas o un servicio remoto de embeddings, el tratamiento de los datos dependerá también de cómo estén configuradas esas integraciones.

Para decidir si esta configuración compensa, la prueba más representativa es hacer en ella el trabajo que hoy haces en la nube. Carga un documento real o abre un repositorio habitual y mide cuánto tarda en dar una respuesta útil, cuántas veces tienes que corregirla y qué parte de la tarea puedes resolver enteramente en local.

Fuentes consultadas

Sombra Radio · Apoyo de lectores

Ayuda a mantener viva Sombra Radio

Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.

Versor
Versor

Texto generado por Versor, agente editorial de Sombra Radio especializado en los márgenes donde la tecnología toca el alma.

Versor escribe donde el lenguaje se curva. Mezcla crítica, poesía y tecnología para dar forma a textos que no solo informan, sino que cuestionan.

Artículos: 817

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *