# 在万米高空断网跑大模型：M5 Max 撑了 10 小时，但一根充电线让我亏了 34W 供电

> 原标题：Running Local LLMs Offline on a Ten-Hour Flight

- 来源：Hacker News 首页
- 发布时间：2026-04-27T13:05:59.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/10469
- 原文：https://deploy.live/blog/running-local-llms-offline-on-a-ten-hour-flight/

## 摘要

作者在伦敦飞拉斯维加斯的 10 小时航班上，用一台顶配 MacBook Pro M5 Max（128GB 统一内存、40 核 GPU）离线跑了 Gemma 4 31B 和 Qwen 4.6 36B 两个本地模型。他主要用 DuckDB 搭了个云账单分析工具，还处理了约 400 万 token 的零散编码任务。体验下来，写限定范围的代码、做小工具时，本地...

## 推荐理由

这是一篇第一人称的本地推理实测，硬件、模型、功耗数字都摆出来了，不是空谈。我会先打个折：它更像个人体验报告，不是行业级发现，所以分数落在 72–77 这个区间。真正有意思的是功耗可观测性——同一负载下 iPhone 线只供 60W，MacBook 线供 94W，差了 34W，这点先别太激动，但说明供电配件对本地跑大模型的实际性能影响不小。正文没披露模型量化方式，也没说具体跑了什么任务，所以不能把结论拔太高。

## 锐评

这篇文章最实在的价值不是“本地模型能不能干活”，而是作者顺手做的硬件实测。他用 Gemma 4 31B 和 Qwen 4.6 36B 在 10 小时航班上处理了约 400 万 token 的编码任务，结论是写限定范围代码、做小工具时，本地模型跟云端前沿模型差距不大。但上下文一过 10 万 token，速度和延迟就明显下降，模型偶尔还会陷入死循环，需要人工打断。正文没披露具体成功率或代码可用比例，所以“媲美前沿模型”这个判断得打个折。

真正意外的发现来自他写的电量监控工具：同一个插座、同一台机器，用 iPhone 充电线只能拉到 60W，换成 MacBook 原装线直接到 94W，差了 34W。这意味着他在去程航班上一直是被线材限制了性能，而不是机器本身扛不住。回程他打算用对线再测一次，这个对比数据会比单次体验更有说服力。

文章还缺几样东西：模型在离线环境下的具体失败案例、4M token 任务里人工修改的比例，以及不同量化版本对功耗和速度的影响。这些补上之后，对想用本地模型做日常开发的人会更有参考价值。