RTX 5090 vs M5 Max menjadi duel menarik bagi pengguna yang ingin menjalankan kecerdasan buatan secara lokal melalui laptop. Benchmark terbaru memperlihatkan GPU flagship NVIDIA dapat unggul jauh ketika menjalankan sejumlah Large Language Model atau LLM.
Namun, hasil pengujian tidak sesederhana menyebut RTX 5090 sebagai pemenang mutlak.
Ketika ukuran model dan context length meningkat hingga melampaui kapasitas VRAM, MacBook Pro dengan M5 Max justru menunjukkan keunggulan besar berkat Unified Memory hingga 128GB.
Pengujian dilakukan content creator teknologi Alex Ziskind menggunakan Razer Blade 18 dengan GeForce RTX 5090 Laptop GPU. Lawannya adalah MacBook Pro 16 inci yang menggunakan chip Apple M5 Max.
Dalam beberapa pengujian LLM, laptop RTX 5090 mampu memberikan performa hingga sekitar 133 persen lebih tinggi. Keunggulan tersebut terlihat selama keseluruhan model dan kebutuhan konteks masih dapat ditampung secara optimal dalam VRAM GPU.
RTX 5090 vs M5 Max Diuji untuk Menjalankan LLM
Perbandingan RTX 5090 vs M5 Max kali ini berbeda dengan benchmark laptop pada umumnya.
Pengujiannya tidak berfokus pada frame rate game, rendering 3D, atau aplikasi editing video. Kedua perangkat digunakan untuk menjalankan model AI secara lokal.
Beberapa model yang masuk dalam pengujian meliputi Gemma 4 12B, Qwen3.5 27B, dan Qwen3.6 35B A3B.
Pengujian tersebut menggunakan llama.cpp, salah satu framework populer untuk menjalankan LLM secara lokal.
Dua indikator utama yang diperhatikan adalah prompt processing dan token generation.
Prompt processing menggambarkan seberapa cepat perangkat membaca serta memproses informasi yang diberikan pengguna.
Sementara itu, token generation menunjukkan kecepatan perangkat menghasilkan jawaban setelah proses awal selesai.
Semakin tinggi jumlah token per detik, semakin cepat respons AI dapat ditampilkan.
RTX 5090 Laptop Unggul hingga 133 Persen
Pada beberapa model yang dapat dimuat dengan baik di dalam VRAM, RTX 5090 Laptop GPU menunjukkan keunggulan besar.
Wccftech melaporkan hasil pengujian memperlihatkan keunggulan hingga 133 persen dalam sejumlah beban kerja prompt processing dan token generation dibandingkan M5 Max.
Model seperti Gemma 4 12B, Qwen3.5 27B, serta Qwen3.6 35B A3B menjadi contoh beban kerja yang cocok dengan karakter GPU NVIDIA.
Selama kapasitas VRAM belum menjadi hambatan, RTX 5090 dapat memanfaatkan kemampuan komputasi GPU serta ekosistem CUDA untuk menghasilkan throughput tinggi.
Keunggulan tersebut membuat laptop dengan RTX 5090 menarik bagi developer yang menjalankan model AI berukuran kecil hingga menengah.
Terutama jika prioritas utamanya adalah kecepatan menghasilkan respons.
Mengapa RTX 5090 Begitu Cepat untuk AI?
GeForce RTX 5090 Laptop GPU merupakan GPU kelas tertinggi NVIDIA untuk laptop dalam keluarga Blackwell.
Spesifikasi resmi NVIDIA mencatat GPU ini memiliki 10.496 CUDA Core dan kemampuan komputasi AI hingga 1.824 AI TOPS.
GPU tersebut juga dibekali 24GB GDDR7 dengan bandwidth memori mencapai 896GB/s.
Bandwidth tinggi membantu GPU memindahkan data dengan cepat ketika model AI sedang melakukan proses inferensi.
CUDA juga menjadi faktor penting.
Ekosistem software NVIDIA telah digunakan luas dalam pengembangan AI. Banyak framework dan aplikasi dapat memanfaatkan akselerasi GPU NVIDIA secara langsung.
Untuk model yang seluruh komponennya dapat ditempatkan di VRAM, proses komputasi tidak perlu terlalu sering berpindah ke system memory.
Kondisi inilah yang dapat menghasilkan peningkatan performa besar.
VRAM 24GB Menjadi Batas RTX 5090 Laptop
Kecepatan tinggi tersebut memiliki satu keterbatasan penting.
RTX 5090 versi laptop hanya memiliki VRAM sebesar 24GB.
Kapasitas tersebut sangat besar untuk gaming dan cukup memadai untuk banyak model AI lokal. Namun, kebutuhan memori LLM dapat meningkat sangat cepat.
Ukuran model bukan satu-satunya faktor.
Context length, metode kuantisasi, KV cache, dan konfigurasi inferensi juga menggunakan memori.
Ketika kebutuhan total mendekati kapasitas 24GB, ruang gerak RTX 5090 semakin kecil.
Begitu kebutuhan memori melewati VRAM, sebagian data harus dipindahkan atau diproses menggunakan memori sistem.
Perpindahan tersebut dapat mengurangi keunggulan performa GPU secara drastis.
RTX 5090 vs M5 Max Berubah Saat Context Membesar
Dampak tersebut terlihat sangat jelas dalam salah satu pengujian RTX 5090 vs M5 Max.
Alex Ziskind menguji Qwen3 4B dalam konfigurasi 4-bit dengan context length mencapai 262.144 token.
Pada kondisi tersebut, hampir seluruh VRAM 24GB milik RTX 5090 telah terpakai.
Hasilnya, RTX 5090 Laptop hanya mampu menghasilkan sekitar 25,28 token per detik.
M5 Max justru mencatat sekitar 181,40 token per detik pada pengujian tersebut.
Selisihnya sangat besar.
Menariknya, performa RTX 5090 kembali meningkat ketika context length diturunkan menjadi sekitar 68 ribu token.
Kecepatannya kemudian melonjak menjadi sekitar 160,36 token per detik.
Hasil itu menunjukkan bahwa keterbatasan bukan hanya berasal dari kemampuan komputasi GPU.
Kapasitas memori juga memainkan peran besar dalam inferensi AI.
M5 Max Punya Unified Memory hingga 128GB
Inilah senjata utama Apple dalam perbandingan tersebut.
M5 Max dapat dikonfigurasi dengan Unified Memory hingga 128GB.
Apple juga meningkatkan bandwidth memori pada konfigurasi M5 Max tertinggi hingga 614GB/s. Chip tersebut tersedia dengan CPU 18-core dan GPU hingga 40-core.
Unified Memory memiliki pendekatan berbeda dibandingkan laptop Windows dengan CPU dan GPU diskret.
CPU dan GPU Apple dapat mengakses kumpulan memori yang sama.
Artinya, tidak ada pembagian kaku seperti 24GB VRAM untuk GPU dan RAM terpisah untuk CPU.
Untuk penggunaan AI lokal, kapasitas ini memberikan keuntungan besar.
Model yang membutuhkan puluhan gigabyte dapat ditempatkan pada memory pool yang jauh lebih besar.
Itulah alasan M5 Max mampu menjalankan model tertentu yang terlalu besar jika harus sepenuhnya dimuat dalam VRAM RTX 5090 Laptop.
Qwen3.5 122B Jadi Contoh Kekuatan M5 Max
Perbedaan tersebut semakin terlihat ketika benchmark beralih ke Qwen3.5 122B.
Model dengan skala tersebut membutuhkan memori jauh lebih besar.
Konfigurasi RTX 5090 Laptop 24GB tidak mempunyai cukup VRAM untuk menjalankannya sepenuhnya dengan pendekatan yang sama.
M5 Max 128GB masih memiliki ruang.
Dalam pengujian yang dilaporkan Wccftech, M5 Max menggunakan sekitar 94GB memori ketika menjalankan Qwen3.5 122B.
Kecepatan prompt processing tercatat sekitar 139 token per detik.
Sementara itu, token generation berada pada sekitar 47,4 token per detik.
Angka tersebut memberikan gambaran mengenai keunggulan kapasitas memory Apple.
M5 Max mungkin kalah pada beberapa model yang lebih kecil, tetapi mampu masuk ke kategori model yang tidak praktis dijalankan sepenuhnya melalui VRAM 24GB.
Keunggulan RTX 5090 Tidak Berlaku untuk Semua Model
Karena itu, pernyataan bahwa RTX 5090 mengalahkan M5 Max perlu diberikan konteks.
RTX 5090 memang sangat cepat ketika model dan seluruh kebutuhan memorinya masih berada dalam batas optimal.
Namun, begitu kapasitas VRAM menjadi hambatan, situasinya dapat berbalik.
Hal tersebut juga terlihat dari benchmark independen lain pada local LLM.
Pengujian M5 Max 128GB pada Qwen3.5-122B-A10B menunjukkan laptop Apple mampu menjalankan model sekitar 70GB secara langsung melalui Unified Memory.
Pada model lebih kecil seperti Qwen3.5 27B, RTX 5090 kelas desktop juga memperlihatkan keunggulan besar dalam prompt processing dan generation.
Pola umumnya cukup jelas.
GPU NVIDIA unggul dalam kecepatan ketika data dapat ditempatkan pada memori GPU yang cepat.
Apple unggul dalam fleksibilitas kapasitas ketika model membutuhkan memori sangat besar.
Benchmark Tidak Sepenuhnya Apples-to-Apples
Ada hal lain yang penting sebelum menarik kesimpulan.
Tidak semua pengujian menggunakan software backend yang identik.
Pada pengujian Qwen3 4B dengan context sangat panjang, perangkat Windows menjalankan LM Studio. M5 Max menggunakan MLX yang dioptimalkan khusus untuk Apple Silicon.
Perbedaan software dapat memengaruhi hasil.
Backend inferensi, versi aplikasi, format model, metode kuantisasi, dan optimasi hardware bisa mengubah jumlah token per detik.
Karena itu, angka benchmark sebaiknya dipahami sebagai gambaran performa pada konfigurasi tertentu.
Hasil tersebut bukan ukuran absolut bahwa satu arsitektur selalu lebih cepat dalam semua kondisi.
Pengujian yang menggunakan llama.cpp pada kedua platform memberikan perbandingan yang lebih dekat. Pada model yang muat dalam VRAM, RTX 5090 tetap menunjukkan keunggulan.
Prompt Processing dan Token Generation Itu Berbeda
Dua istilah ini penting untuk memahami hasil benchmark.
Prompt processing terjadi ketika model membaca informasi awal.
Sebagai contoh, pengguna memberikan dokumen panjang, kode program, atau percakapan sebelumnya.
AI harus memproses semua informasi tersebut sebelum menghasilkan jawaban.
Semakin panjang input, semakin besar pekerjaan yang harus dilakukan.
Sementara itu, token generation adalah proses menghasilkan output satu token demi satu token.
Angka ini lebih mudah dirasakan pengguna saat melakukan percakapan.
Jika generation speed hanya 10 token per detik, teks akan muncul relatif perlahan.
Jika mencapai 100 token per detik atau lebih, respons terasa sangat cepat.
Sebuah perangkat bisa unggul dalam prompt processing tetapi tidak selalu memiliki selisih yang sama pada generation.
Karena itu, satu angka benchmark saja belum cukup untuk menentukan perangkat AI terbaik.
Context Length Bisa Menghabiskan Memori dengan Cepat
Context length menjadi salah satu faktor paling penting dalam benchmark terbaru.
Semakin panjang konteks, semakin banyak informasi yang dapat dipertahankan oleh model dalam satu sesi.
Untuk chatbot sederhana, context yang sangat besar mungkin tidak selalu diperlukan.
Namun, kebutuhan berbeda muncul pada coding assistant, analisis dokumen, penelitian, dan agentic workflow.
AI bisa diminta membaca seluruh repository kode.
Model juga bisa menerima beberapa dokumen sekaligus.
Dalam kondisi tersebut, penggunaan memory untuk KV cache dapat meningkat secara signifikan.
Inilah yang terjadi ketika Qwen3 4B diuji pada context 262K.
Modelnya sendiri relatif kecil.
Namun, kebutuhan memory dari context yang sangat panjang membuat VRAM 24GB RTX 5090 hampir penuh.
M5 Max memiliki ruang lebih besar sehingga mampu menangani situasi tersebut dengan lebih baik.
RTX 5090 Cocok untuk Model AI Menengah
Jika pengguna lebih banyak menjalankan model yang muat dalam 24GB VRAM, RTX 5090 Laptop menjadi pilihan yang sangat menarik.
Model sekitar 12B hingga kelompok 20B atau konfigurasi MoE tertentu dapat memperoleh keuntungan dari performa CUDA.
Qwen3.6 35B A3B juga menarik karena menggunakan desain Mixture-of-Experts.
Jumlah parameter totalnya besar, tetapi hanya sebagian parameter yang aktif untuk setiap token.
Karakteristik tersebut membuat kebutuhan komputasinya berbeda dibandingkan dense model dengan jumlah parameter serupa.
Bagi programmer, peneliti, atau kreator yang mengejar respons cepat dari local AI, performa RTX 5090 dapat menjadi keuntungan besar.
Apalagi jika aplikasi yang digunakan memang mempunyai optimasi CUDA yang matang.
M5 Max Menarik untuk Model AI Berukuran Besar
Pengguna M5 Max memiliki prioritas berbeda.
Keunggulan terbesarnya bukan selalu menjadi perangkat dengan token generation tercepat.
Kekuatan utamanya adalah kemampuan menampung model besar pada satu laptop.
Unified Memory 128GB membuka kemungkinan menjalankan model dengan kebutuhan memori yang jauh melewati GPU laptop kelas konsumen.
Apple sendiri memosisikan M5 Max sebagai chip untuk pekerjaan AI lokal.
Perusahaan menyebut M5 Max membawa Neural Accelerator pada GPU dan mendukung Unified Memory hingga 128GB dengan bandwidth maksimum 614GB/s.
Untuk pengguna yang ingin bereksperimen dengan model 70B, 100B, atau lebih besar dalam kuantisasi tertentu, kapasitas memori tersebut dapat lebih penting daripada kecepatan mentah.
Kapasitas Memori Bisa Lebih Penting dari GPU Tercepat
Benchmark ini memberikan pelajaran penting mengenai hardware AI.
GPU tercepat tidak selalu menjadi perangkat terbaik untuk setiap model.
Pertama-tama, model harus dapat ditempatkan dalam memori.
Jika model dan context tidak muat, keunggulan komputasi GPU dapat berkurang karena proses offloading.
Situasinya mirip dengan memiliki mesin kendaraan sangat bertenaga tetapi jalur suplai bahan bakarnya terbatas.
RTX 5090 memiliki bandwidth GDDR7 hingga 896GB/s, lebih tinggi daripada bandwidth maksimum Unified Memory M5 Max sebesar 614GB/s.
Namun, kapasitas M5 Max dapat mencapai 128GB.
RTX 5090 Laptop hanya mempunyai VRAM 24GB.
Keduanya mempunyai keunggulan yang berbeda.
RTX 5090 Laptop Berbeda dengan RTX 5090 Desktop
Hal lain yang perlu diperhatikan adalah nama produknya.
RTX 5090 Laptop GPU bukan RTX 5090 versi desktop yang dipasang ke dalam laptop.
Spesifikasinya berbeda.
RTX 5090 Laptop memiliki 24GB GDDR7 dan 10.496 CUDA Core.
Karena itu, hasil benchmark ini tidak boleh langsung digunakan untuk menyimpulkan performa RTX 5090 desktop.
GPU desktop memiliki konfigurasi hardware dan kapasitas memori yang berbeda.
Sistem desktop juga dapat menggunakan pendinginan serta power budget jauh lebih besar.
Artikel benchmark ini secara khusus membahas RTX 5090 Laptop GPU di Razer Blade 18 melawan M5 Max pada MacBook Pro 16 inci.
Laptop AI Terbaik Bergantung pada Kebutuhan
Jika melihat keseluruhan hasil, tidak ada satu jawaban yang berlaku bagi semua pengguna.
RTX 5090 Laptop lebih menarik bagi pengguna yang mengutamakan kecepatan.
Dengan syarat, model dan kebutuhan context dapat ditempatkan dalam kapasitas VRAM yang tersedia.
Ekosistem CUDA juga memberikan keuntungan bagi berbagai tool AI yang sudah memiliki optimasi NVIDIA.
Sebaliknya, M5 Max cocok bagi pengguna yang lebih mementingkan kapasitas.
Unified Memory hingga 128GB memungkinkan satu laptop menangani model yang tidak dapat dimuat sepenuhnya pada VRAM 24GB.
Pilihan akhirnya bergantung pada jenis pekerjaan.
Developer yang rutin menggunakan model AI menengah mungkin lebih merasakan keuntungan RTX 5090.
Peneliti atau pengguna local LLM besar dapat memperoleh manfaat lebih besar dari M5 Max.
Jangan Hanya Melihat Angka Tokens per Second
Tokens per second memang penting.
Namun, pengguna tidak sebaiknya menjadikannya satu-satunya parameter saat membeli laptop untuk AI.
Ada beberapa faktor lain yang perlu diperhatikan.
Kapasitas memory menentukan model yang dapat dijalankan.
Context length menentukan seberapa banyak informasi dapat diproses dalam satu sesi.
Software backend menentukan seberapa efektif hardware digunakan.
Kuantisasi juga berpengaruh terhadap ukuran model, performa, serta kualitas output.
Kemudian ada konsumsi daya, suhu, kebisingan kipas, portabilitas, sistem operasi, dan dukungan software.
Semua elemen tersebut dapat menghasilkan pengalaman yang berbeda meski angka benchmark terlihat sangat tinggi.
RTX 5090 vs M5 Max Punya Kekuatan Berbeda
Hasil pengujian RTX 5090 vs M5 Max akhirnya menunjukkan dua pendekatan hardware AI yang berbeda.
RTX 5090 Laptop mengandalkan performa GPU diskret, VRAM GDDR7 berkecepatan tinggi, dan ekosistem CUDA.
M5 Max mengandalkan integrasi CPU-GPU serta Unified Memory berkapasitas besar.
Pada Gemma 4 12B, Qwen3.5 27B, dan Qwen3.6 35B A3B yang dapat dijalankan secara optimal, RTX 5090 mampu memimpin dalam prompt processing serta token generation. Dalam rangkaian benchmark tersebut, keunggulannya dilaporkan mencapai 133 persen pada pengujian tertentu.
Situasi berubah ketika memory menjadi faktor pembatas.
Pada Qwen3 4B dengan context 262K, RTX 5090 turun hingga sekitar 25,28 token per detik. M5 Max mencapai sekitar 181,40 token per detik.
Untuk Qwen3.5 122B, M5 Max 128GB bahkan dapat menjalankan model dengan penggunaan sekitar 94GB memory dan menghasilkan 47,4 token per detik.
Jadi, kemenangan RTX 5090 bukan kemenangan tanpa syarat.
RTX 5090 vs M5 Max lebih tepat dilihat sebagai pertarungan antara kecepatan GPU dan kapasitas memori.
Jika model muat dalam VRAM, RTX 5090 Laptop dapat menjadi pilihan sangat cepat.
Jika ukuran model atau context membutuhkan memori puluhan gigabyte, M5 Max memiliki keunggulan yang sulit ditandingi laptop GPU 24GB.
Baca juga : Stonks-9800 Batal Rilis di PS5, Sony Disorot
