Mac Studio mit 512 GB: Kapazität statt Tempo

512 GB Arbeitsspeicher in einem Gerät, das unter den Schreibtisch passt. Das ist die Zahl, mit der Apple am 25.08.2026 den neuen Mac Studio vorgestellt hat, und sie ist der Grund, warum diese Meldung bei uns landet und nicht in der Hardware-Rubrik. Apple schreibt selbst, man könne damit "enormous LLMs entirely on device" betreiben, ohne Token zu zählen und ohne steigende Cloud-Kosten.

Die Zahl stimmt. Sie beantwortet nur eine andere Frage, als die meisten gerade stellen.

Was Apple gebaut hat

Vier Chips, zwei Geräte. Die für uns entscheidenden Spalten sind Speicher und Bandbreite, nicht die Kerne.

Ein Detail steht nur in den technischen Daten und in keiner Pressemitteilung: Der M5 Max hat zwei Bandbreitenstufen. Das Einstiegsmodell für 2.999 Euro kommt auf 460 GB/s, die 614 GB/s gibt es erst mit der 40-Kern-GPU. Für Inferenz ist das direkt spürbar, gleich mehr dazu.

Die Preise in Deutschland:

Vorbestellen geht seit dem 25.08., ausgeliefert wird ab 22.09.2026. Die 512-GB-Variante kommt erst Ende Oktober und nur in Kombination mit dem Vollausbau aus 36 CPU- und 80 GPU-Kernen.

Und jetzt der Teil, den man mitdenken muss, bevor man rechnet: Speicher ist die teuerste Zeile im Konfigurator. Der Sprung auf 256 GB kostet 4.400 Euro Aufpreis, das Gerät liegt damit bei 10.999 Euro. Einen Preis für die 512-GB-Stufe nennt Apple bis heute nicht. Wir hochrechnen ihn hier bewusst nicht, weil Apples Speicheraufpreise nicht linear verlaufen und jede Schätzung im Netz gerade genau das ist. Dass Arbeitsspeicher überhaupt so teuer geworden ist, hat einen Grund, den wir in RAMpocalypse beschrieben haben: Die KI-Rechenzentren kaufen den Markt leer.

Die Rechnung, die wirklich zählt

Für lokale Inferenz gibt es eine Faustformel, die fast alles erklärt:

Token pro Sekunde ist ungefähr Speicherbandbreite geteilt durch die Bytes, die pro Token gelesen werden.

Für jedes einzelne Token muss das Gerät die benötigten Gewichte einmal durch den Speicherbus ziehen. Wir haben das in unserem Hardware-Test lokaler Modelle auf einem M3 Pro mit 150 GB/s nachgemessen: Ein Modell, das 16 GB belegt, kommt rechnerisch auf gut 9 Token pro Sekunde, gemessen waren es 7,5. Die Formel hält.

Der entscheidende Zusatz betrifft Mixture-of-Experts-Modelle. Dort zählen nicht die Gesamtparameter, sondern nur die pro Token aktiven. Daraus folgt die Merkregel, an der die gesamte Kaufentscheidung hängt:

Die Gesamtparameter bestimmen, ob ein Modell hineinpasst. Die aktiven Parameter bestimmen, wie schnell es antwortet.

Genau deshalb ist der M5 Ultra interessant. 512 GB lösen das Hineinpassen, 1,2 TB/s lösen das Tempo bei der Generierung.

Was das an echten Modellen heißt

Konkrete Zahlen, damit die Kapazität greifbar wird:

Bei den 404 GB für DeepSeek ist zu bedenken, dass der Kontextspeicher noch dazukommt. In einer 512-GB-Maschine wird es damit eng, aber es geht. Und Qwen3 235B passt eben nicht in 128 GB, wer es lokal fahren will, landet mindestens bei der 256-GB-Stufe und damit bei knapp 11.000 Euro.

Die Schwachstelle, über die Apple nicht spricht

Hier wird es unbequem, und hier steht die stärkste Zahl im gesamten Material.

Jemand hat den Vorgänger, einen Mac Studio M3 Ultra mit 512 GB, mit DeepSeek V3 671B in Q4_K_M unter llama.cpp durchgemessen. Bei einem Prompt von 8.001 Token:

• Prompt-Verarbeitung: 9,01 Token pro Sekunde, macht 888 Sekunden, also 14,8 Minuten bis zum ersten Antwortzeichen
• Generierung danach: 6,21 Token pro Sekunde
• Gesamtdauer: 17,2 Minuten

Fast eine Viertelstunde Stille, bevor irgendetwas passiert. Der Grund dafür steht in zwei Zeilen bei EXO Labs, und sie sind die beste Erklärung, die wir zu dem Thema gefunden haben:

• NVIDIA DGX Spark: rund 100 TFLOPs FP16, 128 GB bei 273 GB/s
• Mac Studio M3 Ultra: rund 26 TFLOPs FP16, 512 GB bei 819 GB/s

Das Einlesen eines Prompts ist rechenlastig, das Erzeugen der Antwort ist bandbreitenlastig. Apple hat viel Bandbreite und wenig Rechenleistung. EXO nutzt das aus und teilt die Arbeit auf: Die NVIDIA-Kiste liest den Prompt, der Mac schreibt die Antwort. Bei Llama-3.1 8B mit 8k Kontext sieht das so aus.

flowchart TB
  A["Prompt kommt an"] --> B["Phase 1: Prompt einlesen<br/>rechenlastig"]
  B --> C["Phase 2: Antwort erzeugen<br/>bandbreitenlastig"]
  C --> D["Antwort steht"]
  B -.-> E["Mac: 3,8x langsamer<br/>als NVIDIA"]
  C -.-> F["Mac: 3,4x schneller<br/>als NVIDIA"]
  class E abort
  class F success
  classDef abort fill:#7F1D1D,stroke:#EF4444,color:#FCA5A5
  classDef success fill:#14532D,stroke:#22C55E,color:#86EFAC

Zwei Dinge mildern das Bild. Erstens ist die Werkzeugkette ein großer Hebel: Wer statt llama.cpp das auf Apple Silicon optimierte MLX nutzt, verarbeitet Prompts gut zweieinhalbmal so schnell (189 statt 77 Token pro Sekunde bei rund 11.000 Token). Zweitens kennt Apple das Problem offensichtlich und wirbt beim M6 ausdrücklich mit einer bis zu 13,5-fach schnelleren Prompt-Verarbeitung gegenüber dem M1.

Ob der M5 Ultra die Viertelstunde auf ein erträgliches Maß drückt, wissen wir nicht. Es gibt keine Messungen, das Gerät ist noch nicht ausgeliefert. Wer heute liest, ein Mac Studio mache große Modelle flüssig nutzbar, liest eine Hochrechnung, keine Messung.

Was Teams daraus mitnehmen

Der M5 Ultra kauft Kapazität und Bandbreite, nicht Rechenleistung. Für die Generierung großer MoE-Modelle ist das in dieser Bauform konkurrenzlos. Zum Vergleich: Der direkteste Wettbewerber, NVIDIAs DGX Spark, bietet 128 GB bei 273 GB/s für 4.699 Dollar. Der Mac Studio hat die 4,4-fache Bandbreite und viermal so viel Speicher.

Drei Fragen entscheiden, ob sich das für euch lohnt:

1. Wie lang sind eure Prompts? Kurze Chatanfragen sind der beste Fall für diese Maschine. Ein Agent, der jede Runde eine halbe Codebasis einliest, oder ein RAG-Aufbau mit großen Kontexten trifft genau die Schwachstelle. Messt das an eurer echten Last, nicht an einem Beispielprompt.
2. Wie viele Leute sollen gleichzeitig darauf arbeiten? Die genannten Werte sind Einzelnutzerwerte. Als Arbeitsplatzgerät für eine Person ergibt das Sinn, als Inferenzserver für ein ganzes Team ist es die falsche Bauform. Apple bewirbt zwar ein Vierer-Cluster mit bis zu dreifacher Inferenzleistung, veröffentlicht dazu aber weder Whitepaper noch Angaben zu Transport oder Framework. Das ist derzeit ein Versprechen, keine Architektur.
3. Warum überhaupt lokal? Wenn die Antwort "Kosten" lautet, rechnet ehrlich gegen: 11.000 Euro für die 256-GB-Stufe sind sehr viele Token bei einem Anbieter. Wenn die Antwort dagegen lautet, dass bestimmte Daten das Haus nicht verlassen dürfen, dann ist der Preis gar nicht die relevante Größe. Diesen Unterschied haben wir in Lokale KI: Deine Daten bleiben bei dir auseinandersortiert.

Für den Einstieg gilt weiterhin, was schon vorher galt: Die interessanteste Klasse für die meisten Teams sind nicht die 400-GB-Brocken, sondern Modelle zwischen 20 und 60 GB, die auf Geräten laufen, die ihr vielleicht schon habt. Wie man dort anfängt, steht in unserem Ollama-Artikel und im Hardware-Test.

Die 512 GB sind trotzdem eine gute Nachricht. Sie verschieben die Grenze dessen, was ohne Cloud überhaupt denkbar ist, und zwar deutlich. Man sollte nur wissen, welche Hälfte des Problems sie lösen.