The M6 Mac mini Had Me Checking My Numbers

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

영상 속 M6 Mac mini는 벤치마크 버전을 맞춰 재확인하자 개발·로컬 AI 작업에서 M4 대비 개선을 보였지만, 구매 판단에는 점수뿐 아니라 메모리 용량과 실제 작업 조건이 중요하다.

📌 핵심 요점

1. 벤치마크는 같은 버전끼리 비교해야 한다. 처음에는 M6의 Geekbench 점수 4,085가 M5의 4,190보다 낮았지만, M5를 Geekbench 7로 다시 측정하자 3,715가 나왔다.
2. 개발 작업에서는 대기 시간이 줄었다. 영상에서 Python 테스트는 M4 32.8초에서 M6 21.5초로, Xcode 빌드는 172초에서 114초로 단축됐다. 두 작업 모두 소요 시간이 약 34% 줄어든 셈이다.
3. 로컬 AI는 작업 단계에 따라 개선 폭이 달랐다. llama.cpp 테스트에서 프롬프트 처리는 초당 210→742토큰, 생성은 18→26.9토큰이었다. 서버를 통한 별도 테스트에서는 첫 토큰 대기 시간이 2.5초→721밀리초로 줄었다.
4. 메모리 대역폭과 용량은 구분해야 한다. 영상은 대역폭을 데이터 이동 속도, 용량을 모델을 담을 공간으로 설명한다. 32GB 구성에서는 약 27B 모델 실행을 시연했지만, 해당 모델 파일이 16GB를 넘어 16GB 구성에는 적합하지 않다고 평가했다.
5. 업그레이드 가치는 사용 목적과 구성 가격에 달렸다. 진행자는 일반 사용자에게 512GB 이상의 저장공간, 로컬 AI 사용자에게 32GB 메모리를 권했다. 다만 이번 영상은 첫인상 평가이며, 상위 모델 비교와 일부 신기능 검증은 후속 과제로 남겼다.

🧩 배경과 문제 정의

영상은 외형이 비슷한 M4와 M6 Mac mini를 놓고, 기존 M4 사용자가 교체를 고려할 만큼 성능이 달라졌는지 묻는다. 출발점은 M6가 M5보다 낮게 나온 Geekbench 점수이며, 진행자는 서로 다른 벤치마크 버전이 비교를 왜곡했음을 확인한다.

이후 브라우저, Python, Xcode, SSD, 메모리 대역폭, 로컬 언어 모델과 이미지 생성으로 검증 범위를 넓힌다. 핵심 판단 기준은 작업 시간, AI 응답 속도, 실행 가능한 모델 크기, 전력과 구매 구성이다. 아래 정리는 제공된 전사의 설명과 측정값을 따른 것으로, 제품 사양의 독립적인 사실 확인 결과는 아니다.

🕒 시간순 섹션별 상세정리

1. 예상과 다른 점수에서 시작한 비교

• 진행자는 M6 Mac mini와 M4의 외형이 비슷하다고 소개한 뒤, M6의 Geekbench 4,085점이 M5 MacBook Pro의 4,190점보다 낮게 나온 결과에 의문을 제기한다. [00:18]
• 기존 M5 점수는 Geekbench 6 기준이었다. 점수가 전반적으로 낮아졌다는 버전 7로 M5를 다시 측정하자 3,715점이 나와 비교의 해석이 달라진다. [00:32]
• Mac mini가 M4에서 M6로 넘어갔다고 설명하며, 기존 사용자에게 의미 있는 변화인지 개발·로컬 AI 테스트로 살펴보겠다고 예고한다. 상위 모델과 로컬 클러스터는 후속 영상 주제로 남긴다. [01:04]

2. CPU·GPU와 연결 규격의 변화

• 영상은 CPU를 슈퍼 코어 2개, 성능 코어 4개, 효율 코어 6개로 설명하며, 늘어난 코어가 컴파일 등 개발 작업에 영향을 줄 것이라고 본다. [01:38]
• GPU는 M4의 10코어에서 12코어로 늘었고 각 GPU 코어에 신경망 가속기가 들어갔다고 보여준다. M5에서 도입된 구조라는 설명과 함께 Neural Engine이 두 개라고 주장한다. [02:06]
• N1 무선 칩, Wi-Fi 7, Bluetooth 6와 이더넷 속도 증가를 보여준다. 반면 기본 모델은 Thunderbolt 4를 유지하고 Thunderbolt 5는 Pro 모델에 제공된다고 보여준다. [02:35]

3. 브라우저와 Python에서 나타난 차이

• 웹 애플리케이션 반응성을 측정하는 Speedometer에서 73점을 기록한다. 진행자는 자신이 본 가장 높은 점수라며 놀라움을 드러낸다. [03:05]
• 모든 CPU 코어를 사용하는 Python Mandelbrot 테스트에서 M6는 21.5초, M4는 32.8초를 기록한다. 입력 크기를 늘려 전체 코어가 작동하는 모습도 확인한다. [03:52]
• CPU 부하 상황의 표시 전력은 M4 약 40W, M6 약 48W였다. 참고로 소개한 M4 Pro의 23.2초보다도 M6 결과가 짧았지만, 이는 해당 Python 테스트에 한정된 비교다. [04:11]

4. 컴파일 시간과 SSD 성능

• 76개 CocoaPods 라이브러리와 의존성을 포함한 Xcode 벤치마크에서 M6는 114초, M4는 172초를 기록한다. 참고 수치인 M5 Max 84초와 M1 Ultra 112초는 이전 Xcode·macOS 결과라 정확히 일치하는 비교가 아니라고 덧붙인다. [05:02]
• SSD에서는 큰 모델 파일 이동에 관련된 순차 읽기·쓰기와 개발 작업의 작은 파일 접근에 관련된 랜덤 읽기·쓰기를 구분한다. M6의 랜덤 4K QD64는 크게 개선됐지만 QD1은 비슷하다고 평가하며, 전사에는 구체적인 전송률이 제시되지 않는다. [05:46]

5. Micro Center 방문과 협찬 안내

• Micro Center의 AI 하드웨어와 Apple 제품 코너를 둘러보며 Mac 제품, 어댑터, Thunderbolt 케이블 등을 보여준다. [06:30]
• 향후 Mac 제품 취급 계획과 Austin 지역의 플래시 드라이브 행사를 안내하고, Micro Center가 이번 영상을 협찬했음을 밝힌 뒤 테스트로 돌아간다. [06:59]

6. 공정 설명과 메모리 대역폭 실측

• 진행자는 M6를 2nm, M4를 3nm 칩으로 보여준다. 두 기기의 유휴 전력은 비슷하지만, 새 기기가 부하 상황에서 더 많은 일을 수행한다는 관점으로 보여준다. [07:33]
• 제시된 메모리 대역폭은 M4 약 120GB/s, M6 16GB 구성 153GB/s, 32GB 구성 170GB/s다. 진행자는 이를 Apple이 제시한 수치라고 구분한다. [08:12]
• STREAM의 복사 작업 실측은 M4 112GB/s, M6 143GB/s였고 M6 재측정은 144.7GB/s였다. M6 실측이 제시 사양보다 낮다는 점을 짚고 AI 성능과 연결한다. [08:56]

7. 로컬 AI를 이해하는 두 가지 메모리 기준

• 영상은 프롬프트 처리에는 연산 성능, 생성 단계에는 메모리 대역폭이 중요하다고 보여준다. 이는 이후 측정값을 해석하기 위한 구분이다. [09:46]
• 대역폭을 물이 흐르는 관의 폭, 용량을 물탱크 크기에 비유한다. 속도는 실행 속도에, 용량은 모델을 담아 실행할 수 있는지에 영향을 준다고 보여준다. [10:23]
• llama.cpp로 프롬프트 처리와 토큰 생성의 기본 수치를 측정하고, 이어 LM Studio에서도 살펴보겠다고 예고한다. [10:41]

8. 언어 모델의 처리량과 첫 응답 시간

• 진행자가 뒤에서 9B라고 설명한 GGUF 모델 테스트에서 프롬프트 처리는 M4 210토큰/초, M6 742토큰/초였다. 토큰 생성은 각각 18토큰/초와 26.9토큰/초를 기록한다. [11:30]
• 서버에 요청하는 Llama Benchy에서는 첫 토큰 대기 시간이 M4 2.5초, M6 721밀리초였다. 프롬프트 처리·생성은 각각 M4 198·17토큰/초, M6 711·26토큰/초였으며, 진행자는 직접 측정보다 낮은 값을 HTTP 통신과 연결해 보여준다. [12:31]
• 이어진 실제 텍스트 생성 시연에서는 프롬프트 처리·생성이 M4 45.9·17.4토큰/초, M6 약 71·26토큰/초였다. 생각 토큰을 길게 생성해 실행을 중단했으며, 진행자는 두 단계 모두 M6가 빠르다고 평가한다. [13:22]

9. 이미지 생성과 지속 부하의 전력·온도

• 같은 프롬프트로 Flux 1 Schnell을 실행해 M6는 35초, M4는 1분 34초에 이미지를 생성한다. 모델이 16GB 메모리에 들어가며 두 기기에 메모리 압박이 없다고 보여준다. [14:13]
• 로컬 모델을 1,000토큰씩 100회 반복하는 부하에서 칩 전력은 M4 약 34W, M6 약 30~31W로 관찰됐다. 최대 표시값은 각각 44W와 38W였고, 열화상에서도 M6가 몇 도 낮다고 평가한다. [15:10]
• 듀얼 Neural Engine과 네이티브 FP8 지원은 가능성이 있지만 제대로 된 추가 테스트가 필요하다며 후속 검증을 예고한다. [15:29]

10. 큰 모델에서 드러난 메모리 용량의 의미

• Qwen 3.8 27B로 소개한 모델은 파일 크기가 16GB를 조금 넘어, 진행자는 16GB 기기에서 실행하기 어렵다고 보여준다. [15:58]
• 32GB 기기에서는 컨텍스트 설정을 262,000으로 높여 모델을 불러온다. 메모리 사용량 약 23GB와 생성 속도 9.7토큰/초를 보여주지만, 설정한 길이 전체의 입력을 처리하는 시연은 아니다. [16:21]
• 진행자는 M4의 메모리 상한이 24GB, M6는 32GB라고 설명하면서 큰 로컬 모델을 위한 용량 증설을 강조한다. 이 제품 구성 설명은 구매 전 확인이 필요한 항목이다. [16:44]

11. 구매 구성과 후속 비교 과제

• 일반 사용자에게는 256GB보다 512GB 또는 1TB 저장공간을, AI 사용자에게는 32GB 메모리를 권한다. 외장 저장장치 활용 시 Thunderbolt 4의 전송 한계도 고려한다. [17:15]
• 시작 가격을 899달러로 소개하며 M4 출시 당시보다 비싸지만 가치가 있다고 평가한다. 약 1,700달러부터 시작한다고 소개한 M5 Pro가 가격 차이만큼 빠른지는 아직 결론 내리지 않는다. [17:54]
• 이번 영상이 첫인상 평가임을 다시 밝히고, M5 Pro 클러스터와 M5 Ultra를 더 깊게 다룰 후속 영상을 예고하며 마무리한다. [18:12]

🧾 결론

• 제목의 ‘숫자를 다시 확인하게 만든’ 경험은 비교 기준의 중요성을 보여준다. 벤치마크 버전이 다르면 신제품의 성능을 반대로 해석할 수 있다.
• 영상의 개발·AI 테스트에서는 M6의 개선이 확인되지만, 모든 작업이 같은 비율로 빨라진다는 뜻은 아니다. 프롬프트 처리, 토큰 생성, 컴파일을 각각 살펴봐야 한다.
• 기존 M4 사용자의 교체 판단은 반복 작업에서 절약되는 시간과 현재 메모리의 한계에 달렸다. 일상 사용만으로 교체가 필수라는 근거는 제시되지 않았다.
• 제품 사양과 가격은 영상의 설명에 근거한 정보다. 구매 전 공식 구성표와 동일 조건의 추가 측정으로 확인필요가 있다.

📈 투자·시사 포인트

• 업무용 장비의 가치는 최고 점수보다 반복 작업의 시간 절감으로 평가할 수 있다. 빌드를 자주 수행하는 개발자라면 영상의 빌드 시간 차이를 자신의 하루 작업 횟수에 대입해 볼 수 있다.
• 로컬 AI용 구매에서는 칩 세대와 함께 메모리 용량을 우선 검토해야 한다. 실행하려는 모델이 메모리에 들어가지 않으면 처리 속도 개선만으로 문제를 해결하기 어렵다.
• 저장공간 증설, 외장 저장장치, 연결 규격까지 포함한 총비용이 중요하다. 영상은 기본 저장공간과 Thunderbolt 4의 제약을 구매 판단 요소로 제시한다.
• 진행자는 Apple 하드웨어가 로컬 AI를 강화하는 방향이라고 해석한다. 다만 단일 제품의 초기 테스트만으로 판매 실적이나 기업의 투자 수익성을 판단할 근거는 부족하다.

⚠️ 불확실하거나 확인이 필요한 부분

• M6의 공정, 코어 구성, 듀얼 Neural Engine, 무선 규격, 메모리 선택지와 시작 가격은 영상의 주장이다. 제공된 자료에는 이를 대조할 공식 사양표가 없다.
• 진행자는 M4 Mac mini의 메모리 상한을 24GB라고 설명한다. 이 설명은 32GB M6의 구매 가치를 강조하는 근거이므로, 실제 주문 가능한 구성과 반드시 대조해야 한다.
• M5 Max·M1 Ultra 등의 Xcode 수치는 이전 Xcode와 macOS 환경에서 나온 결과라고 진행자가 명시했다. 현재 M6 결과와의 직접적인 우열 판단에는 한계가 있다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 비교할 기기의 벤치마크 버전, macOS, Xcode, 메모리·저장공간 구성을 먼저 맞춘다.
• 자신의 프로젝트로 빌드를 반복 측정하고, 하루 절약 시간과 교체 비용을 비교한다.
• 실행하려는 AI 모델의 정확한 이름, 양자화, 파일 크기, 컨텍스트 설정을 기록하고 메모리 여유를 확인한다.
• 로컬 AI 성능을 프롬프트 처리량, 생성 속도, 첫 토큰 대기 시간으로 나누어 측정한다.

❓ 열린 질문

• 동일한 운영체제·도구 버전과 메모리 구성에서도 영상의 개발·AI 성능 차이가 반복해서 나타나는가?
• 16GB와 32GB M6의 대역폭 차이는 같은 모델의 실제 생성 속도를 얼마나 바꾸는가?
• 듀얼 Neural Engine과 네이티브 FP8 지원을 실제로 활용하는 소프트웨어에서는 어떤 추가 이득이 생기는가?