OpenClaw 硬體需求的核心問題不是 CPU 多快，而是記憶體多大。M4 Max 128GB 是目前跑本地模型最穩定的 Mac 配置，實測 qwen2.5:32b 並發 25 路，400 筆請求 16 分鐘跑完。這個概念叫「記憶體天花板」（Memory Ceiling），你的 RAM 上限直接決定能跑多大的本地模型。8GB 只能呼叫雲端 API，128GB 可以在本地跑 32B 參數模型同時處理 25 路並發請求。這篇用 M4 Max 128GB 跑 OpenClaw + Ollama 的第一手實測數據，告訴你每個記憶體等級能做什麼、不能做什麼。
OpenClaw 硬體需求：記憶體天花板決定一切
多數人選 Mac 跑 AI 會先比 CPU 核心數。方向錯了。OpenClaw 搭配本地模型時，效能瓶頸是記憶體，不是處理器。
原因很直接：大語言模型的參數需要全部載入記憶體才能推理。qwen2.5:32b 光模型本身就吃掉約 35GB，加上推理時的 KV Cache 和並發開銷，實際佔用超過 50GB。你的 RAM 不夠，模型跑不起來，跟 CPU 多快完全無關。
Apple Silicon 的統一記憶體架構是目前個人用戶跑本地模型最務實的選擇。不需要另外買顯卡，CPU 和 GPU 共用同一塊記憶體，Metal 加速直接上。但前提是你買了足夠的記憶體，因為Apple Silicon 的記憶體出廠後無法升級。
另一個常被忽略的因素是記憶體頻寬。M4 Max 的記憶體頻寬達 546 GB/s，是 M4 Pro 的兩倍。頻寬越高，模型推理時每秒能處理的 token 就越多。光看容量不看頻寬，等於只看油箱大小不看馬力。
OpenClaw 記憶體配置階梯：從 16GB 到 128GB
不同記憶體對應不同的使用場景，選錯等級浪費錢或浪費時間：
| 配置 | 可跑模型 | OpenClaw 使用場景 | 體驗 |
|---|---|---|---|
| 16GB（Mac Mini / MacBook Air） | 7B 勉強 | 純 API 模式（Claude / GPT） | 夠用但沒本地模型 |
| 32GB（MacBook Pro / Mac Mini） | 14B 流暢 | 輕量本地推理 + API 混用 | 日常夠用 |
| 64GB（MacBook Pro / Mac Mini） | 32B 可跑，並發受限 | 本地模型為主，API 為輔 | 專業使用 |
| 128GB（M4 Max / Mac Studio） | 32B 全速並發 | 本地模型全面取代 API | 生產力等級 |
如果你只用 OpenClaw 呼叫 Claude API 或 GPT API，16GB 就夠了。記憶體天花板只在你想跑本地模型時才會撞到。
補充一點：硬碟速度也有影響。模型第一次載入是從 SSD 讀進記憶體，M4 系列內建的 NVMe SSD 讀取速度超過 7 GB/s，qwen2.5:32b（約 20GB 檔案）大概 3-5 秒就能載入。但如果你用外接硬碟存模型，載入時間可能拉長到 30 秒以上。模型一旦載入記憶體，後續推理就不再依賴硬碟速度。
M4 Max 128GB 跑 OpenClaw 的 Ollama 實測數據
M4 Max 128GB 搭配 Ollama 跑 qwen2.5:32b 的真實效能數據，不是估算：
測試環境
- 處理器：Apple M4 Max
- 記憶體：128GB 統一記憶體（頻寬 546 GB/s）
- GPU 可用 VRAM：100GB（Metal 加速）
- 模型：qwen2.5:32b
- 並發數：25 路
- 儲存：內建 NVMe SSD
Ollama 關鍵參數設定
export OLLAMA_NUM_PARALLEL=25
export OLLAMA_NUM_GPU=99
export OLLAMA_FLASH_ATTENTION=1
export OLLAMA_GPU_DRIVER=metal
export OLLAMA_NUM_THREADS=12
export OLLAMA_BATCH_SIZE=256
export OLLAMA_NUM_CTX=8192實測結果
| 指標 | 數據 |
|---|---|
| 測試量 | 400 筆翻譯請求 |
| 總耗時 | 16 分鐘 |
| 成功率 | 96.5% |
| Token 吞吐量 | 700-900 tok/s |
| 單筆請求速度 | 4-6 秒 |
| 記憶體佔用 | 約 50GB（模型 35GB + 推理 15GB） |
400 筆請求 16 分鐘跑完，96.5% 成功率。這個數據的意義是：一本書的翻譯任務，本地模型就能處理，不需要付 API 費用。想看更多 OpenClaw 的實際應用場景，可以參考7 大功能實測報告。
對比 qwen2.5:14b（較小模型），同樣 25 路並發，單筆請求 6-8 秒，但 JSON 輸出穩定度只有 73%，需要更多重試。結論是 128GB 配 32B 模型才是穩定的生產配置。
散熱方面，M4 Max 在 25 路並發持續跑 16 分鐘時，MacBook Pro 的風扇會全速運轉，機身明顯發熱但不會降頻。Mac Studio 散熱空間更大，長時間批次任務會更安靜。如果你的工作流是每天跑數小時的批次處理，Mac Studio 比 MacBook Pro 更適合。
OpenClaw 的 Ollama GPU 記憶體優化：突破天花板的關鍵指令
M4 Max 128GB 的硬體上限是 128GB，但 macOS 預設不會把所有記憶體都分給 GPU。你需要手動設定：
sudo sysctl iogpu.wired_limit_mb=121000這行指令把 GPU Wired Memory 上限從預設值提升到約 121GB。沒跑這行指令，你的 128GB 記憶體有大約 30% 是 GPU 用不到的。
注意事項：
- 每次重開機後需要重新執行
- 需要終端密碼（sudo）
- 設太高會壓縮系統可用記憶體，121GB 是 128GB 機器的安全上限
- 64GB 機器建議設定
iogpu.wired_limit_mb=57344（約 56GB）
完整的 Ollama 啟動流程：
# 1. 設定 GPU 記憶體上限
sudo sysctl iogpu.wired_limit_mb=121000
# 2. 啟動 Ollama
export OLLAMA_NUM_PARALLEL=25
export OLLAMA_NUM_GPU=99
export OLLAMA_FLASH_ATTENTION=1
ollama serve
# 3. 預熱模型（載入記憶體）
ollama run qwen2.5:32b "測試"預熱這步不能省。第一次載入模型需要 30-60 秒，之後的請求才會是 4-6 秒的速度。完整的安裝和部署步驟，參考本地部署完整教學。
OpenClaw 雲端 vs 本地模型：什麼時候用哪個
不是所有場景都適合本地模型。決策很簡單：
| 場景 | 建議 | 原因 |
|---|---|---|
| 日常對話、寫作 | 雲端 API（Claude / GPT） | 品質更高，延遲更低 |
| 批次處理（翻譯、摘要） | 本地模型 | 成本歸零，速度夠用 |
| 隱私敏感資料 | 本地模型 | 資料不離開你的電腦 |
| 需要最強推理能力 | 雲端 API | Claude Opus / GPT-4o 仍然強過本地 32B |
| 24/7 自動化任務 | 混合使用 | 簡單任務本地跑，複雜任務呼叫 API |
成本對比：Claude API 處理 400 筆翻譯請求大約 $2-5。本地模型處理同樣工作量的電費不到 $0.1。如果你每天都有批次任務，一個月省下來的 API 費用就能回本硬體投資的一部分。
但雲端模型的推理品質目前還是高過本地 32B 模型一個檔次。兩者不是替代關係，是互補。想看 OpenClaw 如何把雲端和本地模型串進自動化工作流，讀一人公司自動化配方。
純 API 模式的網路需求不高，一般家用寬頻（下載 50Mbps 以上）就綽綽有餘。API 傳輸的是文字，不是影片，每筆請求的流量通常只有幾 KB。但如果你的網路不穩定或延遲偏高（ping > 200ms），本地模型反而體驗更好。
OpenClaw Mac 選購建議：三個預算方案
方案一：入門級（預算 3 萬以內）
Mac Mini M4 16GB。純 API 模式跑 OpenClaw，不跑本地模型。適合想試 OpenClaw 自動化但不需要本地推理的人。這個價位的記憶體天花板在 7B 模型，實用性不高。
方案二：進階級（預算 5-7 萬）
MacBook Pro M4 Pro 48GB 或 Mac Mini M4 Pro 64GB。可以跑 14B 模型做日常任務，32B 模型可以載入但並發受限。對多數開發者來說這是性價比最高的配置。
方案三：生產級（預算 10 萬以上）
Mac Studio M4 Max 128GB 或 MacBook Pro M4 Max 128GB。可以跑 32B 模型全速並發，處理批次翻譯、PDF 知識庫建置等生產任務。本文的實測數據就是這個等級的表現。
選購原則：先確認你要不要跑本地模型。不跑的話 16GB 足夠。要跑就至少 64GB 起步，因為 32GB 跑 32B 模型會嚴重掉速。記憶體買了就不能換，寧可多買不要少買。
OpenClaw 硬體常見問題
OpenClaw 最低需要多少記憶體？
純 API 模式 8GB 就能跑。搭配本地模型，16GB 勉強跑 7B，32GB 可跑 14B，64GB 以上才能流暢跑 32B 模型。記憶體天花板（Memory Ceiling）決定你能用多大的模型。
M4 Max 和 M4 Pro 跑 OpenClaw 差多少？
M4 Max 的 GPU 核心數和記憶體頻寬都是 M4 Pro 的兩倍。實測 qwen2.5:32b 並發 25 路，M4 Max 128GB 每秒產出 700-900 tokens，M4 Pro 64GB 大約只有一半的吞吐量。
OpenClaw 一定要用 Mac 嗎？
不一定。Linux + NVIDIA GPU（RTX 4090 / A100）效能更強，24GB VRAM 的 4090 跑 14B 模型比 M4 Pro 快。但 Mac 的 Metal 統一記憶體架構讓大模型不需要獨立顯卡就能跑，128GB 統一記憶體比 24GB VRAM 能裝更大的模型。對個人用戶來說，Mac 是最省事的選擇。
GPU 記憶體優化指令每次重開機都要跑嗎？
是的。sudo sysctl iogpu.wired_limit_mb=121000 不會持久化，每次重開機後失效。可以寫進 shell 啟動腳本（.zshrc 或 .bash_profile）自動執行。
qwen2.5:32b 和 qwen2.5:14b 該選哪個？
128GB 選 32b，64GB 選 14b。32b 的 JSON 輸出穩定度達 95% 以上，14b 只有約 73%。如果你的任務需要結構化輸出（翻譯、資料提取），模型大小直接影響成功率。
OpenClaw 需要多少硬碟空間？
OpenClaw 本身很小，加上 Ollama 和一個 32B 模型大約需要 25-30GB 硬碟空間。如果你會下載多個模型做測試，建議預留 100GB。Mac 的內建 SSD 速度夠快，不需要額外購買外接硬碟。
下一步：從選對硬體到跑起 OpenClaw
硬體到位只是第一步。選對配置之後，下一步是安裝和優化。
還不確定 OpenClaw 能幫你做什麼？從OpenClaw 是什麼開始了解。已經決定要裝了？直接跳到本地部署完整教學，裡面有從安裝 Ollama 到跑起第一個模型的完整步驟。
本文作者 Dean 使用 M4 Max 128GB 搭配 OpenClaw + Ollama 處理日常翻譯和自動化任務超過 3 個月。文中所有效能數據均為實際測試結果，非理論估算。
© 2026 Dean Today — 版權所有
本文為原創內容，受著作權法保護。轉載請註明出處並附上原文連結：https://deantoday.com/full-stack-ai/openclaw-hardware-requirements-m4-max-mac-guide/
