Actualizado: 26 de agosto de 2026.
Apple presentó el 25 de agosto el nuevo Mac Studio con M5 Max y M5 Ultra y promete hasta 4,3 veces el pico de cálculo de IA del M3 Ultra. Quien ejecuta modelos de lenguaje en local, o está presupuestando un equipo para ello, se hace la pregunta evidente: ¿por fin trabaja el Neural Engine, ese chip de IA que lleva años dentro de cada procesador de Apple?
La respuesta corta: no. Ollama, MLX, llama.cpp y LM Studio calculan en la GPU, también en el M5 Ultra. El Neural Engine sigue parado mientras un modelo local responde, y no parece que vaya a cambiar. La respuesta larga explica de dónde sale realmente el 4,3 de Apple y qué mirar antes de comprar. Esta distinción falta en la mayoría de las crónicas de la presentación.
Qué ha presentado Apple
El M5 Max ofrece CPU de 18 núcleos, GPU de hasta 40 núcleos, hasta 128 GB de memoria unificada y 614 GB/s de ancho de banda. El M5 Ultra une dos chips Max: hasta 36 núcleos de CPU, 80 de GPU, hasta 512 GB de memoria y 1,2 TB/s de ancho de banda, la mitad más que el M3 Ultra. Se puede reservar desde el 25 de agosto y llega el 22 de septiembre; la configuración de 512 GB, en octubre. En España el M5 Max parte de 3.029 euros y el M5 Ultra de 6.649 euros.
Para la IA local, la clave de la presentación está en una nota al pie: el M5 Ultra es el primer chip Ultra con Neural Accelerators en cada núcleo de la GPU. Para entender por qué eso importa más que cualquier cifra de TOPS hay que separar dos cosas que el marketing de Apple vende bajo una sola etiqueta.
Dos piezas de silicio distintas
El Neural Engine es un bloque propio junto a la CPU y la GPU, con 16 núcleos, presente en los iPhone desde 2017 y en los Mac desde el M1. Está diseñado para patrones de cálculo fijos y previsibles, los de los modelos de visión, voz y embeddings, y en eso es extremadamente eficiente. Solo se llega a él por la capa Core ML de Apple.
Los Neural Accelerators son otra cosa: unidades de cálculo matricial integradas en cada núcleo de la GPU desde la generación M5, comparables a los tensor cores de una tarjeta Nvidia. Se programan directamente por Metal, justo el camino que los motores de LLM ya usan. El framework MLX de Apple los aprovecha desde finales de 2025.
Cuando Apple habla de 4,3 veces más rendimiento de IA, habla de la GPU con sus nuevos aceleradores. El Neural Engine no aporta nada a esa cifra.
Por qué los motores de LLM ignoran el Neural Engine
Tres motivos, y ninguno es dejadez de los desarrolladores.
Primero, el acceso: el único camino al Neural Engine pasa por Core ML. Hay que convertir el modelo, que pierde por el camino las longitudes de entrada flexibles y queda limitado a los formatos de cuantización que Core ML admite. Ollama y llama.cpp se apoyan en un formato de modelo abierto y en Metal; esa base no se muda a Core ML así como así.
Segundo, la carga de trabajo: generar la respuesta token a token no depende de la potencia de cálculo sino del ancho de banda de memoria. Por cada token, todos los pesos del modelo pasan una vez por la memoria. El Neural Engine y la GPU comparten el mismo ancho de banda de la memoria unificada, así que el Neural Engine no puede ser más rápido ahí ni en teoría. Su ventaja es el consumo, no la velocidad, y el consumo pesa más en un iPhone a batería que en un Mac Studio enchufado.
Tercero, las formas: el Neural Engine quiere tensores de forma fija. Un chat con contexto creciente es justo lo contrario.
Que aun así se puede lo demuestra el desarrollador Alvaro Videla, que ha documentado el camino completo en un libro de lectura libre, The Apple Neural Engine Inference Book: conversión desde GGUF, INT8 como base segura, troceado del modelo en fragmentos de unos 250 MB como máximo y gestión de la caché KV con la mecánica de estados de Core ML. Es la documentación pública más completa de esa ruta, y precisamente por eso la respuesta más honesta a por qué nadie la sigue en el día a día: cada paso es trabajo manual, modelo por modelo.
El chip tampoco está de brazos cruzados. El dictado, el análisis de fotos y el propio modelo de Apple en el dispositivo, de unos 3.000 millones de parámetros, corren justo ahí, igual que el reconocimiento de voz tipo WhisperKit. El Neural Engine se usa a diario, solo que no para conversar con un modelo grande. La respuesta de Apple a ese hueco no fue abrir el Neural Engine, sino llevar las unidades matriciales adonde el software de LLM ya calcula: a la GPU.
Dónde aterriza de verdad el rendimiento nuevo
Los Neural Accelerators aceleran sobre todo el procesado del prompt, la lectura del contexto antes de que aparezca el primer token de la respuesta. Apple cita hasta 4 veces más velocidad de LLM frente al M3 Ultra y, para el M5 Max, hasta 10,7 veces más procesado de prompt que el M1 Max. Son cifras del fabricante, con las reservas de siempre, las mismas que repasamos con el caso Rapid-MLX. Pero la dirección encaja con la arquitectura: el procesado del prompt está limitado por cálculo, exactamente donde ayudan las unidades matriciales.
En la práctica: quien carga documentos largos, hace RAG sobre los archivos de la empresa o pasa mucho código fuente como contexto a un asistente de programación notará la mejora mayor. La velocidad de la respuesta en sí, tokens por segundo, mejora más o menos en proporción al ancho de banda, es decir, la mitad más que el M3 Ultra, no el cuádruple.
Qué significa esto para la decisión de compra
Para ejecutar modelos de lenguaje en local, el orden de criterios es: primero la capacidad de memoria, porque el modelo tiene que caber entero. Segundo el ancho de banda, porque fija la velocidad de respuesta. Tercero el cálculo de la GPU, para el procesado del prompt. La cifra de TOPS de una NPU, sea de Apple, AMD o Qualcomm, no dice casi nada sobre la aptitud para LLM mientras ningún motor la use. Elegir hardware por ese número es comprar de espaldas a la carga real.
Un M3 Ultra en marcha no empeora con este anuncio; allí el software sigue decidiendo la velocidad. Quien compre ahora y planee modelos grandes o contextos largos tiene en el M5 Ultra el primer equipo que junta 1,2 TB/s y los aceleradores en una máquina ampliable a 512 GB.
Si un equipo así compensa en tu caso, medido en confidencialidad, volumen de consultas y alternativas, es la pregunta que conviene resolver antes del pedido, no después. La trabajamos con tus propias tareas en un proyecto piloto, midiendo en vez de estimar. Aquí tienes una visión general de lo que aporta la IA local a la pyme.
Preguntas frecuentes
¿Ollama, LM Studio o MLX usan el Neural Engine?
No. Todos los motores habituales de LLM en el Mac calculan en la GPU a través de Metal. Al Neural Engine solo se llega por la capa Core ML de Apple, exige formas de tensor fijas y una conversión propia del modelo, y en la generación de tokens tampoco aportaría velocidad, porque ese paso depende del ancho de banda de memoria, no de la potencia de cálculo. Mientras un modelo local responde, el Neural Engine está parado.
¿Qué diferencia hay entre el Neural Engine y los Neural Accelerators?
El Neural Engine es un bloque separado de 16 núcleos que va en los iPhone desde 2017 y en los Mac desde el M1. Los Neural Accelerators son nuevos de la generación M5 y están dentro de cada núcleo de la GPU. Se alcanzan directamente por Metal y por tanto por MLX, sin pasar por Core ML. La cifra publicitaria de Apple de 4,3 veces más IA sale de esas unidades de la GPU, no del Neural Engine.
¿Qué aporta el Mac Studio M5 Ultra a la IA local en la práctica?
Tres cosas, por este orden: hasta 512 GB de memoria unificada, para que los modelos grandes quepan. 1,2 TB/s de ancho de banda, la mitad más que el M3 Ultra, que se traduce directamente en tokens por segundo. Y por primera vez Neural Accelerators en un chip Ultra, que aceleran sobre todo el procesado del prompt, es decir, la lectura de documentos y contextos largos.
¿Se puede ejecutar un LLM en el Neural Engine?
Sí, pero solo con un esfuerzo considerable vía Core ML: conversión desde GGUF, cuantización INT8, troceado del modelo en fragmentos de unos 250 MB como máximo y gestión manual de la caché KV. Alvaro Videla documenta el camino completo en su libro sobre el ANE. La propia Apple ejecuta así su modelo en el dispositivo, de unos 3.000 millones de parámetros. Para usar modelos grandes en modo chat, el esfuerzo no compensa.