i got one....and it's FAST!!!

Valeur des informations & solidité de l’argumentation

La vidéo apporte des mesures comparatives concrètes, contextualisées par des explications pédagogiques (importance de la bande passante mémoire, taille des modèles, densité vs mixture-of-experts). L’argumentation s’appuie sur des tests répétables, dont les données brutes sont publiées sur GitHub. La corrélation entre les gains mesurés et l’augmentation des spécifications (1,2 To/s vs 819 Go/s) est cohérente. Toutefois, la portée est limitée à un échantillon de cas d’usage spécifiques, choisis par le créateur, sans comparaison avec des alternatives matérielles ou des protocoles de référence standardisés.

Rigueur scientifique, qualité des sources, adéquation du titre

Le créateur cite ses propres mesures et fournit les outils et modèles utilisés via des liens (repo GitHub, modèles Hugging Face). La transparence sur le prêt Apple et le sponsoring Micro Center est bonne. Le titre reste informatif et fidèle au contenu. Cependant, l’absence de double vérification indépendante et la nature promotionnelle implicite (malgré les précautions) constituent des limites. Les commentaires montrent un public très favorable, mais cela n’apporte pas de critique constructive externe.

Le titre, volontairement informel, reflète bien le contenu : acquisition et test rapide d'un Mac Studio M5 Ultra.

7/10

Protocole de test transparent (données brutes publiées sur GitHub), mais échantillon limité, matériel prêté par Apple et sponsoring de Micro Center ; pas de validation par un tiers.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:30Déballage du M5 Ultra et introduction de l'objectif de la vidéo
• 02:00Comparaison des spécifications M5 Ultra vs M3 Ultra (80 cœurs GPU, bande passante 1,2 To/s)
• 04:00Benchmark TTFT sur Qwen3.8 27B : 21,7 s vs 82,8 s (3,8x plus rapide)
• 05:30Discussion sur l'importance de la bande passante mémoire pour la génération de tokens
• 08:00Test de transcription Whisper : deux heures d'audio en 89 s (large-v3), 24 s (turbo)
• 11:00Test de vision par Qwen3-VL 32B : analyse vidéo en 22 s, 2,6x plus rapide que M3
• 13:00Génération d'images avec FLUX.2 : 2,6 s pour une image, 4x plus rapide
• 14:30Génération vidéo avec LTX-2.5 : clips courts en 1,7x plus rapide
• 16:00Test Hermes avec un modèle local et contexte 131k : résultat impressionnant
• 18:00Test Laya (modèle de décision) sur 300 questions : 23 s, 1,4x plus rapide
• 19:30Édition vidéo par modèle local via DaVinci Resolve MCP : fonctionne en ~13 minutes
• 21:00Conclusions : prix 14 000 $, préférence pour un usage d'IA locale, projet de cluster M5

• Complementary of AI bench data (GitHub) — Données brutes des benchmarks et outil de test
• MLX - Apple machine learning framework — Framework utilisé pour exécuter les modèles
• mlx-lm - chat model runner — Outil pour faire tourner les modèles de discussion
• Qwen3.8 27B 4-bit MLX — Modèle utilisé pour les tests de performance
• Whisper MLX — Transcription audio locale
• FLUX.2 klein 4B — Génération d'images
• LTX-2.5 video model — Génération vidéo
• Laya decision model — Modèle de décision (alternative à Jev)
• Hermes Agent — Agent conversationnel pour l'IA locale
• LM Studio (Bionic) — Interface pour exécuter des modèles locaux et MCP
• DaVinci Resolve — Logiciel d'édition utilisé avec MCP pour l'IA

• Apple M5 Ultra specs (via Micro Center) — Partenariat commercial mentionnant les spécifications officielles
• MLX community — Confirme l'utilisation de MLX pour les tests

• github.com
• ntck.co
• ntck.co
• ntck.co
• ntck.co
• thenetworkchuck.github.io
• www.youtube.com