TurboFieldfare 2026：在任何 M 系列 Mac 上以 2GB 記憶體執行 26B 的 Gemma

一套開源（Apache-2.0）的 Swift 與 Metal 推論引擎、CLI 及原生 Mac 應用程式，可在任何 Apple Silicon Mac（包括 8GB 機型）上，以約 2GB 記憶體執行 Google 經指令微調的 Gemma 4 26B-A4B。

MoE 模型中被路由的專家可以從 SSD 串流載入，而非常駐於 RAM，讓 26B 參數的模型能在 8GB Mac 上以約 2GB 記憶體執行，而不必動用 32GB 工作站。

Andrey Mikhaylov 是一位熱愛裝置端 AI 的 iOS 與 Metal 工程師，他想執行一個模型，但其 14.3GB 的 4 位元權重無法塞進 8GB Mac 的記憶體。他於 2026-07-29 在 Show HN 發表 TurboFieldfare，聲稱在 8GB M2 MacBook Air 上約使用 2GB 記憶體、速度為 5-6 tokens/s，而在 M5 MacBook Pro 上為 31-35 tokens/s。

該討論串迅速竄紅——919 分、345 則留言——維護者即時回答問題，分享實測的快取命中率，並採納來自 M1 MacBook 與 MacBook Neo 硬體的社群結果。Creative AI News 與德國網站 ifun.de 隨後跟進報導；該儲存庫記錄了支撐此設計的 103 項經稽核實驗，另有一個供 M2 以上 Mac 使用的選用視覺配套套件。截至 2026-09-02，該儲存庫顯示約 410 個 fork。

截至 2026-09-02，TurboFieldfare 仍是一個獨立研究專案：Apache-2.0 授權的程式碼，沒有公司、資金或商業化，未來工作指向 iPhone/iPad 移植版及更多低記憶體 Mac。

阻擋 26B 等級模型進入消費級筆電的障礙是記憶體，而非運算能力。

Gemma 4 26B-A4B 是混合專家模型，因此每個 token 只會觸發一小部分參數，完整的權重集合不必常駐。

客製化的 Metal 核心與針對特定模型的執行環境，在這項特定工作負載上勝過包裝通用型的 MLX 或 llama.cpp。

快速的 Apple SSD 讓磁碟頻寬成為 RAM 容量的實用替代方案。

HN 的開發者受眾能自行複製、建置並對程式碼進行基準測試，將發表時的宣稱轉化為社群驗證的結果。

針對單一嚴苛限制撰寫特定模型的引擎，可以勝過通用型執行環境；而發布真正經過實測的程式碼，能讓單一工程師借用整個社群作為基準測試團隊。

截至 2026-09-02，TurboFieldfare 仍處於活躍的開源開發階段：103 項經稽核實驗、一份社群基準測試指南、一個回送式 OpenAI 相容伺服器，以及一個選用視覺套件，約 410 個 fork 反映出活躍的社群。作者將其描述為與 Google 無隸屬關係的獨立研究專案，並將 iPhone 與 iPad 移植版列為主要未來工作。德國網站 ifun.de 將其定位為此等規模的模型能在 8GB Mac 上執行的證明，同時指出取捨之處：在基礎硬體上的輸出是刻意為之，且 SSD 速度至關重要。