RTX 5090 para notebooks vence M5 Max em IA, mas a memória muda o resultado

A GeForce RTX 5090 Mobile, versão mais poderosa da NVIDIA para notebooks, apresentou desempenho superior ao Apple M5 Max em testes de execução de Grandes Modelos de Linguagem (LLMs). A vantagem apareceu principalmente no processamento de comandos e na geração de tokens, tarefas em que a GPU conseguiu abrir distância do chip da Apple.

O resultado, porém, não foi absoluto. Quando os modelos passaram a exigir mais memória, a capacidade de 24 GB de VRAM da RTX 5090 Mobile se tornou uma limitação importante. Nesse cenário, a arquitetura de memória unificada e a grande quantidade de DRAM do M5 Max alteraram completamente a comparação.

📢 O que aconteceu?

A análise foi conduzida pelo YouTuber Alex Ziskind, que colocou lado a lado um Razer Blade 18 equipado com a GeForce RTX 5090 Mobile e um MacBook Pro de 16 polegadas com Apple M5 Max.

O objetivo foi comparar a execução de diferentes LLMs nos dois computadores. Entre os modelos avaliados estavam o Gemma 4 12B, o Qwen 3.5 27B e o Qwen 3 4B, este último testado com uma janela de contexto muito longa, de 262.144.

Nos testes com o Gemma 4 12B e o Qwen 3.5 27B, a solução da NVIDIA liderou com folga. A placa apresentou maior velocidade tanto no processamento de comandos quanto na geração de tokens, resultado associado ao poder de processamento tradicional da GPU e à sua arquitetura otimizada para aplicações de inteligência artificial.

A diferença diminuiu drasticamente no teste que exigiu mais memória. Ao executar o Qwen 3 4B com contexto de 262.144, a VRAM da RTX 5090 Mobile foi totalmente ocupada. Como consequência, a taxa de geração caiu para 25,28 tokens por segundo.

📱 Dispositivos compatíveis

A fonte informa a comparação entre dois dispositivos específicos:

• 💻 Razer Blade 18 com NVIDIA GeForce RTX 5090 Mobile
• 💻 MacBook Pro de 16 polegadas com Apple M5 Max

O comparativo não apresenta uma lista mais ampla de notebooks compatíveis nem informa outros modelos testados. Portanto, os resultados descritos estão diretamente ligados a essas duas configurações.

💡 O que muda na prática?

Em uma situação cotidiana de uso de LLMs, como executar modelos de menor exigência de memória, o notebook com RTX 5090 Mobile tende a entregar respostas mais rápidas. Isso ocorre porque a GPU liderou o processamento de comandos e a geração de tokens nos testes com Gemma 4 12B e Qwen 3.5 27B.

Na prática, isso significa que a RTX 5090 Mobile pode ser mais rápida quando o modelo consegue permanecer dentro do limite de memória disponível na placa. A experiência muda, contudo, quando a tarefa utiliza uma janela de contexto extensa ou quando o modelo ocupa os 24 GB de VRAM.

O teste com o Qwen 3 4B e contexto de 262.144 mostra essa diferença com clareza. Mesmo sendo um modelo indicado na fonte como 4B, a exigência de contexto fez a memória de vídeo ser esgotada. A velocidade caiu para 25,28 tokens por segundo, revelando que o desempenho bruto da GPU não é suficiente para evitar limitações de capacidade.

🤔 Qual o impacto para o consumidor?

O resultado favorece a RTX 5090 Mobile para quem prioriza velocidade de execução em modelos que não ultrapassam o limite de VRAM. Nessa condição, a força de processamento da GPU e a otimização para IA fazem diferença mensurável diante do Apple M5 Max.

Por outro lado, o M5 Max se mostra mais competitivo quando a tarefa exige grande quantidade de memória. A arquitetura unificada e a grande capacidade de DRAM do chip da Apple permitem que ele vire o jogo no cenário em que a RTX 5090 Mobile tem sua VRAM lotada.

Para o consumidor, a principal conclusão é que não existe um vencedor único para todos os tipos de LLM. A RTX 5090 Mobile é a alternativa mais rápida nos testes de menor pressão sobre a memória, mas sua vantagem pode desaparecer quando o tamanho do contexto aumenta.

🔍 Explicação principal

A diferença está na combinação entre poder de processamento e capacidade de memória. A RTX 5090 Mobile conta com uma arquitetura voltada para tarefas de IA e apresentou desempenho elevado na geração de tokens. Esse é o motivo pelo qual ela superou o M5 Max com folga nos testes com Gemma 4 12B e Qwen 3.5 27B.

Entretanto, a GPU possui 24 GB de VRAM. Quando o modelo e seu contexto ocupam toda essa capacidade, a placa deixa de operar em uma condição favorável. Foi exatamente o que ocorreu com o Qwen 3 4B usando contexto de 262.144, levando a taxa de geração para 25,28 tokens por segundo.

O M5 Max segue uma abordagem diferente. Sua arquitetura de memória unificada e a grande quantidade de DRAM fazem com que o chip tenha vantagem em situações nas quais a capacidade disponível é mais importante do que a velocidade bruta da GPU.

Assim, o comparativo não representa apenas uma disputa entre duas plataformas. Ele também mostra como o tipo de modelo e o tamanho do contexto podem alterar completamente a experiência com inteligência artificial local.

⚠️ Pontos de atenção

• ⚠️ A RTX 5090 Mobile tem 24 GB de VRAM, limite que foi atingido no teste com o Qwen 3 4B e contexto de 262.144.
• ⚠️ Quando a memória de vídeo foi esgotada, o desempenho caiu para 25,28 tokens por segundo.
• ⚠️ A liderança da NVIDIA ocorreu nos testes com Gemma 4 12B e Qwen 3.5 27B, não em todas as condições avaliadas.
• ⚠️ O Apple M5 Max ganhou relevância quando a tarefa exigiu alta capacidade de memória.
• ⚠️ A comparação foi realizada entre um Razer Blade 18 e um MacBook Pro de 16 polegadas, portanto os resultados estão vinculados a essas configurações.
• ⚠️ A fonte não informa outros testes, modelos de notebook ou resultados além dos cenários descritos.

🛠️ Soluções possíveis

A fonte não apresenta uma solução para o limite de 24 GB de VRAM nem indica uma configuração alternativa capaz de eliminar a queda de desempenho. O checklist abaixo reúne apenas os cuidados que podem ser extraídos diretamente do comparativo:

• ☐ Verificar qual modelo de LLM será executado.
• ☐ Considerar o tamanho do contexto utilizado pela tarefa.
• ☐ Observar se a carga pode ocupar os 24 GB de VRAM da RTX 5090 Mobile.
• ☐ Avaliar se a prioridade é velocidade de processamento ou maior capacidade de memória.
• ☐ Comparar o comportamento da RTX 5090 Mobile e do M5 Max de acordo com o tipo de modelo utilizado.

Esses pontos não representam uma promessa de desempenho nem uma correção para a limitação observada. A fonte apenas demonstra que a escolha entre as duas plataformas depende da exigência de memória do LLM.

❓ Perguntas frequentes

A RTX 5090 Mobile foi mais rápida que o Apple M5 Max?

Sim. Nos testes com os modelos Gemma 4 12B e Qwen 3.5 27B, a GPU da NVIDIA liderou com folga no processamento de comandos e na geração de tokens.

Em que situação o Apple M5 Max levou vantagem?

A vantagem apareceu quando os modelos exigiram alta capacidade de memória. A arquitetura unificada e a grande quantidade de DRAM do M5 Max se destacaram quando a VRAM da RTX 5090 Mobile foi totalmente ocupada.

Qual foi o resultado do teste com o Qwen 3 4B?

Ao executar o Qwen 3 4B com contexto de 262.144, a RTX 5090 Mobile esgotou seus 24 GB de memória de vídeo. A velocidade caiu para 25,28 tokens por segundo.

Quais notebooks participaram da comparação?

O teste colocou lado a lado um Razer Blade 18 com RTX 5090 Mobile e um MacBook Pro de 16 polegadas com Apple M5 Max.

A RTX 5090 Mobile é sempre superior ao M5 Max em IA?

Não. A GPU foi superior nos testes específicos com Gemma 4 12B e Qwen 3.5 27B, mas a vantagem mudou quando a carga exigiu mais memória.

✅ Conclusão

A RTX 5090 Mobile demonstrou força significativa na execução de LLMs, especialmente quando o modelo cabe confortavelmente em seus 24 GB de VRAM. Nos testes com Gemma 4 12B e Qwen 3.5 27B, ela foi claramente mais rápida que o Apple M5 Max.

O limite aparece quando o contexto cresce e a memória de vídeo é preenchida. O resultado de 25,28 tokens por segundo no Qwen 3 4B com contexto de 262.144 mostra que a capacidade de memória pode ser mais decisiva do que o poder de processamento bruto.

O veredito, portanto, é equilibrado: a RTX 5090 Mobile é a escolha mais forte para velocidade em cargas compatíveis com sua VRAM, enquanto o M5 Max se torna mais competitivo em modelos que exigem grande capacidade de memória. A melhor opção depende diretamente do tipo de LLM e do contexto usado.