Los mejores mini PC para IA local en 2026: Guía de compra

Hace dos años, ejecutar un modelo de lenguaje potente en casa requería una torre repleta de dos o tres GPU, una fuente de alimentación de 1.000 vatios y un perfil de ventiladores que sonaba como una secadora de pelo. En 2026 puedes realizar gran parte del mismo trabajo desde un dispositivo del tamaño de la palma de tu mano que consume energía como un portátil. El inconveniente es que el mercado de mini PC se ha fragmentado en equipos que lucen similares, pero que se comportan de forma muy distinta una vez cargado un modelo.

Esta guía aclara eso. Comparamos las cuatro clases de máquinas de factor de forma pequeño que realmente importan para IA local ahora mismo: el Mac mini de Apple, el DGX Spark de NVIDIA, las cajas Ryzen AI Max+ de AMD («Strix Halo»), y las mini PCs equipadas con NPU de Intel, con especificaciones verificadas, precios actuales y números publicados de tokens por segundo. Al final sabrás cuál se ajusta a los modelos que quieres ejecutar, y cuáles líneas de hojas técnicas son marketing en lugar de rendimiento.

Memoria unificada frente a VRAM: el único concepto que lo explica todo

Todas las recomendaciones siguientes dependen de esta distinción, por lo que merece dedicarle treinta segundos.

Una GPU tradicional dispone de su propia VRAM dedicada. Una RTX 4090 tiene 24 GB; si tu modelo y su contexto no caben en esos 24 GB, simplemente no se ejecutará en esa tarjeta, punto. La VRAM es rápida —la de la 4090 alcanza unos 1.008 GB/s—, pero nunca hay mucha en comparación con el tamaño de los modelos actuales.

Memoria unificada cambia el equilibrio. La serie M de Apple, el GB10 de NVIDIA, y el Strix Halo de AMD comparten un único grupo de memoria entre CPU y GPU, así que una máquina de 128GB puede dedicar 96GB+ a un modelo. Así es como una caja del tamaño de una palma ejecuta un modelo de 120 mil millones de parámetros que no cabe en ninguna GPU de consumidor individual. El precio que pagas es ancho de banda: LPDDR5x unificado funciona a aproximadamente 150–310 GB/s en estas máquinas, una fracción de VRAM discreta. Y porque la generación de tokens está limitada por ancho de banda de memoria, ese techo establece tus tokens por segundo, sin importar cuánto compute reclame el chip. Ten en mente esos dos números (capacidad y ancho de banda) y cada hoja técnica abajo se vuelve legible. Si quieres la imagen completa del lado GPU, consulta nuestra pieza complementaria sobre mejores GPUs para LLMs locales en 2026.

Una nota sobre el modelo de referencia utilizado a continuación: gpt-oss-120B es un modelo «mixture-of-experts» (MoE) con aproximadamente 117 mil millones de parámetros totales, pero solo unos ~5.100 millones activos por token. Este diseño MoE es precisamente la razón por la que una versión cuantizada cabe —y se ejecuta a velocidades útiles— en estos equipos con memoria unificada, pese a su modesto ancho de banda.

Mac mini de Apple (M6 / M5 Pro): la opción predeterminada

El Mac mini sigue siendo la recomendación más fácil para la mayor cantidad de personas. Apple reemplazó los modelos M4 y M4 Pro con una nueva generación que se puso a la venta el 22 de septiembre de 2026: el modelo base ahora usa el chip M6 y comienza en $899 (16GB de memoria unificada, 256GB SSD), configurable a 24GB o 32GB.

El M6 tiene una GPU de 12 núcleos y 153 GB/s de ancho de banda de memoria (170 GB/s en las configuraciones de 24GB y 32GB), lo que está bien para modelos de clase 8B. Para IA local seria quieres el M5 Pro, que llega a una GPU de 16 o 20 núcleos y, de manera crucial, 307 GB/s de ancho de banda aproximadamente el doble del M6. Comienza en $1,699 con 24GB; configurado con 48GB o 64GB, sostiene un modelo de 32B cuantizado a Q4 completamente en memoria (Qwen 2.5 32B a Q4_K_M es un archivo de 19.8GB). Apple lista la configuración de CPU de 18 núcleos, GPU de 20 núcleos, 64GB, 1TB en $3,199. En la comunidad de llama.cpp tablero de Apple Silicon, el M5 Pro genera aproximadamente 66–68 tok/s en Llama 2 7B a Q4_0.

Una advertencia que vale la pena saber antes de comprar: 64GB es el techo. Eso es suficiente para sostener un modelo de 70B a Q4 (Llama 3 70B a Q4_K_M es un archivo de 42.5GB) con solo margen modesto para contexto, y la generación de tokens en un modelo denso de 70B es lenta a 307 GB/s. Si específicamente necesitas más que eso, las cajas de memoria unificada de 128GB abajo son el camino realista.

Lo que vende el Mac mini no es la velocidad máxima, sino el conjunto completo. Apple lista su ruido en reposo en 5 dBA y lo clasifica a 155W de potencia continua máxima, y es lo suficientemente pequeño y silencioso como para dejarlo funcionando como servidor de inferencia siempre activo en una estantería. Soporte de software a través de Ollama, LM Studioy el framework MLX de Apple es excelente. Si es nuevo en los modelos locales, nuestra guía completa sobre Ollama explica cómo ejecutar un modelo en exactamente este tipo de equipo.

NVIDIA DGX Spark: 128 GB y una pila CUDA, a un precio elevado

El DGX Spark (presentado inicialmente como «Proyecto DIGITS» en la CES 2025, rebautizado como DGX Spark en la GTC de marzo de 2025 y con disponibilidad prevista para el 15 de octubre de 2025) es la propuesta de NVIDIA para colocar una «supercomputadora de IA personal» sobre su escritorio. Combina un superchip Grace Blackwell GB10 —un procesador Arm de 20 núcleos (10× Cortex-X925 + 10× Cortex-A725) junto con una GPU Blackwell— con 128 GB de memoria LPDDR5x unificada coherente, un SSD de 4 TB con cifrado automático y una tarjeta de red ConnectX-7 de 200 Gbps para conectar dos unidades. NVIDIA lo clasifica con un rendimiento de hasta 1 petaflop en operaciones de IA en precisión FP4, y según la propia NVIDIA puede ejecutar inferencia en modelos de hasta ~200 mil millones de parámetros o realizar ajuste fino en modelos de hasta ~70 mil millones. La alimentación eléctrica se suministra mediante un adaptador de 240 W.

Aquí va la parte sincera: el Spark es un monstruo en el procesamiento de prompts: en gpt-oss-120B alcanza aproximadamente 1.723 tok/s en la fase de prellenado en pruebas estandarizadas, comparable al rendimiento de un sistema con tres RTX 3090. Sin embargo, la velocidad de generación de tokens es únicamente de ~38,6 tok/s en esa misma comparación, ya que el ancho de banda de memoria del GB10 es solo de 273 GB/s un poco por debajo de los 307 GB/s del nuevo Mac mini M5 Pro, y la restricción vinculante durante la fase de decodificación limitada por memoria. Las pilas de inferencia muy optimizadas (vLLM, SGLang, TensorRT-LLM de NVIDIA) han logrado aparentemente empujar la generación de gpt-oss-120B de una sola unidad hasta alrededor de 50–60 tok/s con la configuración correcta, pero el techo de ancho de banda que la mantiene bien por debajo de una plataforma multi-GPU es física, no software.

Luego está el precio. El Spark se lanzó a 3.999 dólares y subió a $4,699 en febrero de 2026 en medio de limitaciones de suministro de memoria, un salto del 18% que NVIDIA atribuyó a limitaciones de suministro de memoria mundial. Eso es aproximadamente $37 por GB de memoria, y para rendimiento de generación pura, un trío de RTX 3090 usadas aparentemente cuesta menos y ejecuta varios veces más rápido. El Spark se justifica si específicamente necesitas el stack de software CUDA/NVIDIA, NVFP4, o el margen de inferencia de 200B parámetros en una caja de 240W. Profundizamos más en nuestro reseña del DGX Spark / Proyecto DIGITS y en la comparación directa DGX Spark frente a Mac Studio comparación.

AMD Ryzen AI Max+ 395 (Strix Halo): la opción más rentable

La Strix Halo de AMD es la sorpresa de esta generación. El modelo insignia Ryzen AI Max+ 395 incorpora 16 núcleos Zen 5, una GPU RDNA 3.5 de 40 unidades de cómputo (la Radeon 8060S) y una NPU XDNA 2 de 50 TOPS. Combinada con hasta 128 GB de LPDDR5X, de los cuales hasta 96 GB pueden asignarse a la GPU, aplica el mismo truco de memoria unificada que el Spark —permitiendo ejecutar un modelo de 120B que ninguna GPU de consumo individual puede alojar— a una fracción de su costo.

El compromiso radica en el ancho de banda y el procesamiento de prompts. El ancho de banda de memoria de Strix Halo alcanza como máximo unos 256 GB/s, y en gpt-oss-120B logra únicamente ~340 tok/s en la fase de prellenado frente a los 1.723 tok/s del Spark. Pero aquí va el punto clave: la generación de tokens es de ~34 tok/s, dentro de un pelo del 38 del Spark. Para cargas de trabajo estilo chat donde generas más de lo que ingresa, la brecha es pequeña. Los modelos densos de 70B son otra historia: a Q4 cada token generado tiene que leer los ~42.5GB completos de pesos a través de ese bus de ~256 GB/s, así que espera tok/s de un solo dígito.

Lo que lo hace atractivo es su precio y flexibilidad. El precio de entrada ha aumentado con la escasez de RAM en 2026: las versiones de 64 GB del GMKtec EVO-X2 se venden desde unos 1.500 dólares, mientras que la versión de 128 GB del EVO-X2 ahora cuesta cerca de 2.200 dólares. La versión de escritorio reparables de Framework comienza en torno a los 1.639 dólares (solo chasis, Ryzen AI Max+ 395, 64 GB), sin incluir almacenamiento ni sistema operativo, y la Estación de Trabajo para IA de Corsair 300 se lanzó cerca de los 2.000 dólares, aunque su precio ha superado ampliamente esa cifra durante la escasez. El software es el talón de Aquiles: ROCm y llama.cpp funcionan bien, pero su ecosistema es menos pulido que el de Apple o NVIDIA, y las funciones de IA para Windows dependen principalmente de la NPU y no de la GPU principal.

Mini PC de Intel: modelos pequeños y descarga de carga a la NPU

Los mini PC de Intel ocupan una categoría distinta, y es fundamental no confundirse al comprarlos. Los actuales chips Arrow Lake-H, como el Core Ultra 9 285H, combinan una GPU integrada Arc con una NPU de 13 TOPS, alcanzando un total de aproximadamente 99 TOPS de potencia de cómputo de IA a nivel de plataforma cuando se suman CPU y GPU; la pila IPEX-LLM de Intel permite ejecutar Ollama y llama.cpp tanto en su GPU integrada como en su NPU. El siguiente paso importante en 2026 es Panther Lake (Core Ultra Serie 3), presentado en la CES 2026, que combina una NPU de 50 TOPS con una GPU mucho más potente para alcanzar hasta ~180 TOPS a nivel de plataforma —aunque sigue siendo una plataforma orientada a portátiles/móviles, no a equipos de escritorio para modelos grandes.

Sin embargo, ninguno de estos equipos cuenta con memoria unificada para modelos grandes. Con memoria DDR5 estándar (típicamente ~120 GB/s en modo dual canal) y sin posibilidad de asignar hasta 96 GB a la GPU, un mini PC de Intel es la herramienta adecuada para modelos de 3B–8B, asistentes locales, transcripción y tareas en segundo plano aceleradas por NPU —no para ejecutar un modelo de 70B. Si su carga de trabajo consiste en «un modelo cuantizado de 8B y algunas funciones de IA para Windows», un equipo Intel es económico y eficiente energéticamente. Si, por el contrario, busca «el modelo más grande que pueda alojar», debe considerar las máquinas con memoria unificada descritas anteriormente. El compromiso entre NPU y GPU es, por sí mismo, un tema aparte, analizado detalladamente en nuestro artículo NPU frente a GPU para IA .

Tabla comparativa

Las figuras de generación abajo son para gpt-oss-120B (generación de tokens / procesamiento de prompt) de pruebas estandarizadas estilo llama.cpp donde ambos caben; las notas de modelos más pequeños se dan de otra manera. Los precios son USD, los de Apple son precios de lista actuales, el resto precios de calle a mediados de 2026, y se mueven con la escasez continua de memoria.

Equipo	Memoria unificada	Ancho de banda	Límite realista de tamaño de modelo	Generación / prellenado (120B)	Potencia	Precio (2026)
Mac mini M6 (base)	16–32 GB	153–170 GB/s	~8–14B (Q4)	n/a	hasta 155W (clasificado)	$899+
Mac mini M5 Pro	24–64GB	307 GB/s	~32B (Q4); 70B a Q4 solo con 64GB, ajustado	n/a	hasta 155W (clasificado)	$1,699+ ($3,199 con 64GB)
AMD Strix Halo (Ryzen AI Max+ 395)	hasta 128GB	~256 GB/s	~120.000 millones (Q4, arquitectura MoE)	34 / 340 tok/s	80–120 W	1.500–3.000 USD+
NVIDIA DGX Spark	128 GB	273 GB/s	~200.000 millones (inferencia)	39 / 1.723 tok/s	máx. ~240 W	3.999–4.699 USD
Mini PC Intel Arrow Lake-H	DDR5 (sin una gran memoria GPU)	~120 GB/s	~8.000 millones (Q4)	n/a	~65 W	600–1.200 USD

Apple reemplazó el Mac mini M4 y M4 Pro con los modelos M6 y M5 Pro el 22 de septiembre de 2026; las figuras del Mac mini arriba provienen de la hoja técnica actual de Apple y precios de lista.

Para referencia, un Mac Studio M3 Ultra ejecuta alrededor de 819 GB/s de ancho de banda (y decodifica el mismo modelo de 120B alrededor de 70 tok/s), mientras que una plataforma triple-3090 golpea ~124 tok/s decodificación, ambos bien fuera del territorio mini-PC, y un recordatorio de lo que sacrificas por el pequeño factor de forma. Si estás considerando una caja Apple más grande, el Mac Studio actual (a la venta desde septiembre de 2026) viene con M5 Max (hasta 128GB, hasta 614 GB/s) o M5 Ultra (hasta 512GB, 1.2 TB/s); nuestra DGX Spark frente a Mac Studio comparación cubre ese paso.

Recomendaciones según caso de uso

Mayoría de usuarios / asistente silencioso siempre activo: Mac mini M5 Pro con 48GB o 64GB. El mejor equilibrio de capacidad, bajo ruido, tamaño pequeño, y un stack de software maduro. Baja al modelo M6 si solo necesitas modelos de 8B.

Máximo tamaño de modelo dentro de un presupuesto ajustado: una computadora basada en AMD Strix Halo (GMKtec EVO-X2, Framework Desktop o Corsair AI Workstation 300). Los 128 GB permiten cargar modelos de 70.000–120.000 millones que el Mac mini no puede manejar, con velocidades de generación que casi igualan a las del mucho más caro DGX Spark —e incluso con precios inflados por la escasez, sigue estando muy por debajo del Spark.

Desarrollo CUDA / flujo de trabajo NVIDIA / procesamiento intensivo de indicaciones (prompts): DGX Spark. Está pagando una prima por la pila de software NVIDIA, NVFP4, la interconexión ConnectX y el mejor prellenado (prefill) del mercado —justificado únicamente si esos aspectos son específicamente relevantes para usted.

Modelos pequeños locales y tareas en la NPU: una mini PC Intel Arrow Lake o Panther Lake. Económica, eficiente y adecuada para trabajos de clase 8.000 millones y funciones de IA de Windows.

Preguntas frecuentes

¿Cuál es la mejor mini PC para ejecutar LLM locales en 2026?

Para la mayoría de usuarios es el Mac mini M5 Pro con 48GB o 64GB, silencioso, bajo consumo, y capaz hasta modelos de ~32B. Si necesitas ejecutar modelos de 70B+, una caja AMD Strix Halo con 128GB es la opción de valor, y el NVIDIA DGX Spark es la opción premium CUDA.

¿Cuánta memoria RAM necesito para ejecutar un modelo de 70.000 millones de parámetros?

Un modelo de 70B cuantizado a Q4 necesita aproximadamente 40–48GB solo para los pesos, más margen para el contexto. En la práctica quieres una máquina de 64GB como mínimo, y 128GB para ejecutarlo cómodamente con una ventana de contexto grande. Un Mac mini M5 Pro de 64GB puede sostener un modelo de 70B a Q4 con poco margen para contexto; para trabajo cómodo con 70B, las cajas de memoria unificada de 128GB son la mejor opción.

¿Por qué el NVIDIA DGX Spark es lento generando tokens a pesar de costar más de 4.000 USD?

Porque la generación de tokens está limitada por ancho de banda de memoria, y los 273 GB/s del Spark son modestos, un poco por debajo de los 307 GB/s del Mac mini M5 Pro. Su fortaleza es el procesamiento de prompts (aproximadamente 1,723 tok/s en un modelo de 120B) y capacidad de 128GB, no velocidad de generación pura, donde pruebas estandarizadas lo ponen alrededor de 38 tok/s (stacks optimizados pueden alcanzar ~50–60).

¿Es tan buena la memoria unificada como la VRAM dedicada de una GPU?

Es un compromiso. La memoria unificada le ofrece mucha mayor capacidad (hasta 128 GB), lo que permite ejecutar modelos que no cabrían en ninguna GPU de consumo individual, pero con un ancho de banda mucho menor que el de la VRAM. Para modelos grandes que no cabrían de otro modo, es la única opción práctica; para modelos más pequeños, una GPU discreta es más rápida.

¿Puede un Mac mini ejecutar un modelo de 70.000 millones?

Solo por poco. La configuración superior del Mac mini M5 Pro tiene 64GB, suficiente para sostener un modelo de 70B a Q4 (Llama 3 70B a Q4_K_M es un archivo de 42.5GB) con poco margen para contexto, y la generación es lenta a 307 GB/s. El margen práctico se limita a alrededor de 32B a Q4. Para trabajo regular con 70B, actualiza a una máquina de 128GB como una caja Strix Halo, un Mac Studio, o el DGX Spark.

¿Son buenas las mini PC AMD Strix Halo para IA, o el software sigue siendo demasiado rudimentario?

Son genuinamente capaces: 128 GB de memoria y velocidades de generación cercanas a las del DGX Spark por una fracción de su precio. La advertencia radica en el software: ROCm y llama.cpp funcionan, pero no están tan pulidos como MLX de Apple o CUDA de NVIDIA, y el procesamiento de indicaciones es débil. Si está cómodo realizando alguna configuración inicial, su relación calidad-precio es excelente.

¿Qué consumo energético y nivel de ruido debo esperar de estas máquinas?

El Mac mini es el más silencioso: Apple lista 5 dBA en reposo y una clasificación de potencia continua máxima de 155W. Las cajas Strix Halo consumen 80–120W con ventiladores audibles pero modestos. El DGX Spark viene con un adaptador de potencia de 240W. Todos son dramáticamente más silenciosos y de menor consumo que un escritorio multi-GPU, que puede consumir 300–450W o más.

Conclusión

La era de las mini PC para IA local es una realidad, pero la publicidad exagera sus capacidades en un aspecto concreto: estas máquinas destacan por su tamaño reducido, silencio, eficiencia energética y gran memoria unificada —no por velocidad bruta. Ninguna de ellas supera a un escritorio multi-GPU en tokens por segundo, y no debería comprarla esperando ese rendimiento.

Elige por el tamaño de modelo que realmente ejecutas. Para modelos de 8B–32B con la menor cantidad de problemas, el Mac mini M5 Pro es la opción fácil y la que recomendaríamos a la mayoría de lectores. Para ejecutar modelos de 70B–120B sin una torre, una caja AMD Strix Halo entrega la mejor capacidad por dólar, con el DGX Spark reservado para quienes específicamente necesitan el stack de NVIDIA y músculo de procesamiento de prompts. Y si tus necesidades se detienen en modelos de 8B, una mini PC Intel hará el trabajo por menos. Empareja la memoria al modelo, lee la línea de ancho de banda, e ignora el petaflop en la caja.