实测｜Mac本地Claude Code，4大热门模型（minimax/qwen/kimi/glm）对比

一 引言

这是一篇迟到的测评。过去一段时间一直忙于工作中的无聊且无奈的项目工作，一直到最近才又能抽出些时间追赶当前的AI发展。本篇还是基于ollama，在Mac笔记本下验证本地部署Claude Code，有哪些可用的开源/云端模型推荐，以及不同模型到底该怎么选择，仅供大家参考。

为了给大家一个最真实、最落地的参考，我花了3天时间，在自己的MacBook Pro（M4芯片，24GB内存）上，完成了基于Ollama安装Claude Code的全流程验证，并且选取了目前使用频率较高的4个模型——minimax-m2.5:cloud、qwen3:8b、kimi-k2.5:cloud、glm-4.7-flash，针对相同的编码案例、办公场景、推理任务进行了全方位测试。

全程无滤镜、无夸大，纯实测视角，把每个模型的优缺点、适用范围、实操体验一一拆解，文末还整理了模型选择速查表，新手也能快速对号入座。

二 测试环境

先跟大家同步一下本次实测的核心前提，保证测试结果的公平性：

设备：MacBook Pro（M4芯片，24GB内存，512GB固态），系统版本Sequoia 15.6.1 (24G90)

工具：Ollama v0.16.3（最新版本，支持launch命令快速启动Claude Code）

模型：minimax-m2.5:cloud（云端）、qwen3:8b（本地）、kimi-k2.5:cloud（云端）、glm-4.7-flash（本地）

测试案例：统一选取4类高频场景（基础编码、复杂代码调试、办公文档处理、多模态推理），每个场景设置相同的任务指令，对比模型的响应速度、输出质量、容错率、易用性

测试环境：全程关闭其他后台应用，仅保留Ollama和Claude Code，本地模型未进行量化优化（默认配置），云端模型保证网络稳定（500M宽带）

三 前置准备

3.1 ollama安装

Mac本地Ollama安装+Claude Code部署.ollama的安装已经在上篇文章中详细描述，本篇基于ollama快速安装Claude Code并拉取模型即可。安装方法：

1、mac 终端中 输入ollama，输出列表如下：

选中Launch Claude Code，并按向右箭头按钮，即可展开支持快速按照的模型列表：

依次选中并Enter确认即可拉取模型。

3.2 可选模型

Ollama支持本地模型和云端模型的拉取，其中qwen3:8b、glm-4.7-flash是本地模型（需要下载模型文件到本地），minimax-m2.5:cloud、kimi-k2.5:cloud是云端模型（无需下载，推理在远端进行，仅占用少量本地资源）。

qwen3:8b、glm-4.7-flash我拉取到本地后占用的资源大小分别是5.2GB和19GB（刚好用claude code验证一下）：

除了直接使用ollama安装，也可以在终端依次输入以下命令，拉取对应模型，每个命令输入后回车，等待拉取完成即可（本地模型下载时间取决于网络速度，云端模型拉取仅需1-2秒）：

拉取minimax-m2.5:cloud（云端模型）ollama pull minimax-m2.5:cloud# 拉取qwen3:8b（本地模型）ollama pull qwen3:8b# 拉取kimi-k2.5:cloud（云端模型）ollama pull kimi-k2.5:cloud# 拉取glm-4.7-flash（本地模型）ollama pull glm-4.7-flash

补充说明：拉取本地模型时，建议确保Mac剩余存储空间≥30GB，避免因空间不足导致下载失败；拉取云端模型时，需要确保网络通畅，无需担心存储空间问题。

3.3 启动Claude Code，关联4个模型

完成上述步骤后，即可通过Ollama的launch命令快速启动Claude Code，并关联已拉取的4个模型，具体操作如下：

1. 首先安装Claude Code（终端输入以下命令，回车后自动安装）：

curl -fsSL https://claude.ai/install.sh | bash

2.安装完成后，启动Claude Code并关联模型，终端输入命令：

ollama launch claude

3. 启动后，终端会弹出模型选择提示，此时可以看到我们之前拉取的4个模型（本地模型会标注“local”，云端模型无标注），输入对应模型的序号，即可关联该模型，开始测试。

补充说明：每次启动Claude Code后，都可以重新选择模型，切换模型时无需重启Ollama，直接输入对应序号即可，操作非常便捷。

3.4 几个大模型的默认上下文长度

相信大家都已经了解过，上下文是大模型能记住并处理的对话 / 文本长度，单位 token。上下文越长：记得越久、能读长文本、逻辑更连贯；而反之越短：容易遗忘前文、长内容报错、占用资源少过大超出模型 / 硬件限制会卡顿、溢出、生成失败。上述几种大模型默认上下文长度：

glm-4.7-flash（Ollama）

• 默认上下文：32768 (32K) tokens
• 最大支持：198K tokens（官方标称 200K，Ollama 限制 198K）

qwen3:8b（Ollama）

• 默认上下文：40960 (40K) tokens
• 原生最大：32768 (32K) tokens
• 扩展最大：131072 (128K) tokens（YaRN 技术）

MiniMax M2.5:cloud

• 默认上下文：204,800 tokens (204K)
• 最大支持：1M tokens（通过 Lightning Attention 技术）

- 架构：MoE（混合专家），总参数 229B，激活参数 ~10BKimi K2.5:cloud- 上下文：256,000 tokens (256K)

- 架构：MoE，总参数 1T，激活参数 32B- 原生多模态（支持文本、图像、视频）

到这里，Mac本地基于Ollama安装Claude Code，并关联4个模型的全流程就完成了，整个过程下来，小白也能轻松上手，没有复杂的配置步骤，核心就是“安装Ollama→拉取模型→配置上下文→启动Claude Code”四步走。

接下来，进入核心实测环节——4个模型的全方位对比，结合相同的测试案例，拆解各自的优缺点、适用范围，每一个结论都基于我实际操作的体验，不吹不黑，客观呈现。

四 核心实测：4大模型全方位对比（相同案例，公平PK）

本次测试选取了4类高频场景，覆盖编码、办公、推理等日常使用场景，每个场景设置相同的任务指令，从响应速度、输出质量、容错率、易用性4个维度进行评分（满分10分），最终结合评分和实际体验，拆解每个模型的优缺点和适用范围。

4.1 测试案例统一说明（4类场景，所有模型均测试相同任务）

为了保证测试的公平性，所有模型均测试以下4个相同案例，每个案例的任务指令完全一致，测试完成后，对比各模型的输出结果和操作体验：

案例1（基础编码）：生成一个简单的Python爬虫脚本，爬取某静态网页的标题、正文内容，要求代码可直接运行，添加注释，处理简单的反爬（比如设置请求头）。

案例2（复杂代码调试）：提供一段存在3处错误（语法错误、逻辑错误、依赖包错误）的Java代码，要求模型找出所有错误，给出修改方案，并解释错误原因，修改后的代码可直接运行。

案例3（办公文档处理）：提供一段1000字左右的杂乱文本（包含标题、正文、无关内容），要求模型进行结构化整理，生成规范的Word文档格式（分章节、设置标题层级、添加段落间距），并提取核心要点。

案例4（多模态推理）：上传一张包含简单表格的图片（表格内容为3列5行，包含姓名、年龄、职业），要求模型识别图片中的表格内容，提取数据，生成可编辑的Excel表格代码，并计算年龄平均值。

4.2 测评维度与说明

响应速度：指令发出到完整输出的耗时快慢

输出质量：内容准确性、逻辑性、格式规范度

容错率：复杂 / 模糊指令理解能力、幻觉控制水平

易用性：部署 / 调用门槛、上下文稳定性、上手成本

4.3 单模型综合评价

4.3.1 qwen3:8b（本地 Ollama）

核心优点：

• 本地运行速度领先，响应几乎无延迟
• 8B 级模型中代码能力突出，适配日常开发
• 部署简单、隐私性强、断网可用、零使用成本

明显短板

• 复杂推理与长文本能力弱于云端
• 幻觉现象相对明显，复杂任务稳定性一般适用人群：程序员日常编码、本地轻量开发、注重隐私与无成本使用的用户

4.3.2 glm-4.7-flash（本地 Ollama）

核心优点

• 长文本理解与总结能力突出，格式规整
• 中文表达自然，幻觉少，办公场景表现稳定

明显短板

• 生成速度偏慢，硬件占用更高
• 代码与逻辑推理略逊于同阶开源模型适用人群：文案写作、报告总结、长文档阅读，偏爱本地模型且追求高质量输出的用户

4.3.3 minimax-m2.5（云端）

核心优点

• 全场景速度最快，性价比极高
• 推理、编码、工具调用能力均衡且强劲
• 高并发稳定，适配自动化与 Agent 场景

明显短板

• 文学润色与细腻表达略弱于 kimi
• 必须联网，按 token 计费有一定使用成本适用人群：高频使用者、自动化脚本、Skill / 工具调用、追求高效低成本的职场人

4.3.4 kimi-k2.5（云端）

核心优点

• 长文本、办公写作、内容质量全场最优
• 多轮对话记忆牢固，指令容错率顶尖
• 复杂内容梳理与格式呈现能力突出

明显短板

• 速度略逊于 minimax，使用成本更高适用人群：重度办公、长文章阅读、多轮深度对话、对输出品质要求极高的用户

五、实测总结：4个模型怎么选？新手直接对号入座

4个模型的表现各有优劣，没有绝对的“最好”，只有最适合自己的，结合大家的使用场景和需求，给大家整理了清晰的选择指南，新手直接对号入座，无需纠结：

5.1 按使用场景选择

如果是企业办公、高频处理文档、中等复杂度编码，优先选minimax-m2.5:cloud：办公能力突出，响应快，成本可控，适配企业级场景，同时兼顾编码需求，易用性高。

如果是新手入门、基础编码、离线使用、预算有限，优先选qwen3:8b：轻量化易部署，无使用成本，基础需求完全满足，适合学生、新手开发者，断网环境也能使用。

如果是复杂编码、多模态推理、科研任务、大规模复杂任务，优先选kimi-k2.5:cloud：全能型表现，性能顶级，Agent集群协作能力突出，适合高级开发者、科研人员、企业技术人员，网络稳定场景首选。

如果是本地高效编码、需要离线使用、对编码质量有要求，优先选glm-4.7-flash：本地模型中编码能力最优，运行高效，兼顾性能和轻量化，适合中高级开发者、网络不稳定的用户，数据隐私要求高的场景首选。

5.2 按人群选择

新手/学生：qwen3:8b（易上手、无成本、基础需求满足）→ 进阶后可切换到glm-4.7-flash（本地）或minimax-m2.5:cloud（云端）。

中高级开发者：glm-4.7-flash（本地高效编码）、kimi-k2.5:cloud（复杂任务），根据是否需要离线使用选择。

企业办公人员：minimax-m2.5:cloud（办公高效）、kimi-k2.5:cloud（复杂办公任务），根据任务复杂度选择。

科研人员：kimi-k2.5:cloud（大规模文献处理、多模态推理、Agent协作），性能和效率最优。

网络不稳定/数据隐私要求高：glm-4.7-flash（本地、高效）、qwen3:8b（本地、轻量化），优先选glm-4.7-flash（性能更优）。

5.3 关键提醒（避坑指南）

本地模型（qwen3:8b、glm-4.7-flash）：需要下载模型文件，占用本地存储空间，建议Mac预留≥30GB存储空间，16GB内存以上运行更流畅；无需网络，数据安全，但性能略逊于云端模型。

云端模型（minimax-m2.5:cloud、kimi-k2.5:cloud）：无需下载模型，占用本地资源少，响应快、性能强，但依赖网络，断网无法使用，需要注册Ollama Cloud账号（部分功能需订阅）。

Ollama配置注意：本地模型一定要修改Context Length（建议64000 tokens），否则会出现内容截断、记忆不足的问题；云端模型无需修改，自动启用完整上下文。

模型拉取注意：本地模型下载时间取决于网络速度，建议在网络稳定时拉取；云端模型拉取速度快，无需担心存储空间。

成本提醒：本地模型无使用成本；云端模型中，kimi-k2.5:cloud性价比最高，minimax-m2.5:cloud成本可控，适合高频使用。

六、实操补充：常见问题解决（实测踩坑汇总）

在本次实测过程中，我遇到了几个常见问题，相信大家在操作过程中也可能遇到，整理了详细的解决方法，帮大家避坑，节省时间：

6.1 问题1：Ollama安装失败，终端提示“权限不足”

解决方法：在安装命令前添加“sudo”，提升权限，终端输入命令：sudo curl -fsSL https://ollama.com/install.sh | sh，输入Mac开机密码，回车后等待安装完成即可。

6.2 问题2：拉取本地模型时，下载速度慢、下载中断

解决方法：检查网络连接，确保网络稳定；如果下载中断，再次输入拉取命令，Ollama会自动续传，无需重新下载；也可以更换网络（比如手机热点），提升下载速度。

6.3 问题3：启动Claude Code后，无法选择模型，提示“模型未找到”

解决方法：检查模型是否拉取成功，终端输入命令“ollama list”，查看已拉取的模型；如果未拉取成功，重新输入拉取命令；如果已拉取成功，重启Ollama（终端输入“ollama stop”，再输入“ollama start”），重新启动Claude Code即可。

6.4 问题4：本地模型运行时，Mac卡顿、闪退

解决方法：关闭其他后台应用，释放内存；检查Mac存储空间，确保预留足够的空间；修改Ollama配置，降低模型运行内存；如果仍卡顿，建议选择更轻量化的模型（比如qwen3:8b）。

6.5 问题5：云端模型响应延迟、输出中断

解决方法：检查网络连接，确保网络稳定（建议500M以上宽带）；关闭VPN，避免网络干扰；如果仍有延迟，切换到本地模型，或稍后再试。

七、最后总结

本次Mac本地基于Ollama安装Claude Code，以及4个热门模型的实测，到这里就全部结束了。整体来看，4个模型各有定位，适配不同的用户和场景：

• kimi-k2.5:cloud 是全能型王者，适合对性能要求高、处理复杂任务的用户，网络稳定场景首选；
• minimax-m2.5:cloud 是企业办公利器，办公文档处理能力突出，兼顾编码，成本可控；
• glm-4.7-flash 是本地高效之选，编码能力突出，支持离线，兼顾性能和轻量化，数据隐私有保障；
• qwen3:8b 是新手入门首选，轻量化易部署，无使用成本，基础需求完全满足，离线场景适配。

对于大多数用户来说，无需纠结于“哪个最好”，根据自己的使用场景、设备配置、网络情况，选择最适合自己的模型即可。如果经常在线、需要处理复杂任务，优先选云端模型；如果经常出差、网络不稳定、注重数据隐私，优先选本地模型。

最后，希望这篇实测推文，能够帮到大家，无论是Ollama安装Claude Code的实操，还是4个模型的选择，都能让大家少走弯路。如果大家在操作过程中遇到其他问题，或者有其他想测试的模型，欢迎在评论区留言，我会第一时间回复、补充实测！