Osobní AI: notebooky, pracovní stanice a jejich možnosti
Aktualizováno: před 1 dnem
Příchod výkonných centrálních procesorů od NVIDIA, AMD a Apple Silicon spolu s velkou kapacitou sdílené paměti zpřístupnil lokální AI v různých podobách: od notebooků po kompaktní domácí pracovní stanice. Tato nová třída počítačů, určená především k místnímu spouštění modelů AI, se někdy označuje také jako „agentní počítače“.
Spojuje je architektura, v níž procesor a integrovaný grafický akcelerátor využívají společnou velkou vysokorychlostní paměť. Díky tomu lze velký a funkčně schopný model LLM uchovávat poblíž výpočetních jednotek bez neustálého přesouvání jeho částí přes pomalé spojení se samostatnou grafickou kartou.
Hlavním praktickým důvodem pro lokální provoz AI je možnost zpracovávat dokumenty, zdrojový kód a interní znalostní báze bez jejich odesílání do cloudové služby. Pro firmu je to užitečné a při práci s důvěrnými informacemi či neveřejným firemním repozitářem kódu často zásadní.
Další výhodou lokálního provozu LLM je absence poplatku za každý požadavek na API při práci s lokálním modelem. Přímým nákladem na provoz takového modelu je elektřina potřebná k napájení počítače, je však třeba zohlednit i pořizovací cenu stroje, který vám ovšem bude sloužit několik let. Lokální provoz také umožňuje pracovat bez internetu a samostatně vybrat model, který nejlépe vyhovuje konkrétním úlohám (programování, práce agentů, jazykové překlady, generování obrázků, videa, audia atd.).
Proč je velká kapacita sdílené paměti tak důležitá?
I běžný PC se samostatnou GPU může být výborným strojem pro lokální AI. Dokud se zvolený model celý vejde do VRAM a zůstává rezerva pro KV cache a pracovní buffery, dokáže akcelerátor zpracovávat požadavky velmi rychle. Nebylo by proto zcela správné považovat všechny počítače se samostatnou grafickou kartou za nevhodné pro práci s AI.
Omezení nastává, když velkému modelu (a právě velké modely jsou pro profesionální použití nejcennější a nezbytné) přestane stačit grafická paměť. Program buď oznámí nedostatek paměti, přesune část práce na CPU a systémovou RAM, nebo načte váhy z RAM či SSD. Tyto přesuny a pomalejší úložiště mohou výrazně zvýšit latenci až na úroveň nepřijatelnou pro interaktivního asistenta. Jednotný koeficient zpomalení neexistuje: záleží na programu pro spouštění modelu, podílu odložených vah, modelu a hardwaru. V praxi však může výkon v takových situacích klesnout 5-10krát.
Velké množství systémové RAM vedle malé samostatné GPU se automaticky nestává stejně velkou rychlou VRAM.
Řešení založená na NVIDIA RTX/DGX Spark, AMD Ryzen AI Max a Apple Silicon Max/Ultra kladou důraz jinam: grafický akcelerátor má v rámci podporované architektury přístup k velké kapacitě sdílené paměti. To rozšiřuje výběr velkých modelů.
128GB a více je v tomto článku zvolenou orientační hranicí pro velké modely schopné plnit úlohy, s nimiž se uživatelé obvykle obracejí na cloudové modely přes API nebo předplatné. Pro menší specializované modely nebo experimenty s extrémně kvantizovanými a destilovanými modely a omezeným kontextovým oknem může stačit i menší kapacita.
Velká kapacita paměti také poskytuje rezervu pro menší kompresi vah (a tedy lepší zachování kvality) a větší kontextové okno.
Kde lokální AI pomáhá při každodenní práci
Asistent pro interní dokumenty. Pokud máte rozsáhlou databázi dokumentace, může dávat smysl vytvořit systém RAG, který nejprve vyhledá vhodné úryvky v lokální znalostní bázi a poté je předá modelu LLM k vytvoření odpovědi s odkazy na dokumenty. LLM může v dokumentaci vyhledávat podle klíčových slov, ale pokud je hlavním úkolem práce s archivy dokumentů, může RAG vyhledávání zpřesnit a zefektivnit, protože jde o vektorovou databázi.
Práce se zdrojovým kódem. Model pomáhá vysvětlovat části projektu, navrhovat změny, psát kód a testovat. Špičkové modely od Anthropic nebo OpenAI poskytnou lepší výsledek, jde však o cloudová řešení, která nejsou dostupná všem, kvůli důvěrnosti je nelze vždy použít a jejich provoz může být velmi drahý. Pokud je používání cloudových řešení ve vašem pracovním prostředí přípustné, lze zavést rozdělení zátěže, kdy rutinní operace dostanou lokální modely a závěrečnou kontrolu i architekturu zajistí špičkové modely z cloudu.
Spouštění testů a rutinních operací na pozadí (v noci). Váš tým může mít pravidelné opakující se úlohy, které se mají spouštět podle určitého scénáře, události či plánu a zahrnují použití nástrojů: parsování a analýzu logů, testování vydání, hledání nových dokumentů v lokálních zdrojích i na internetu.
Společný asistent pro malý tým. Kompaktní stanici lze umístit do kanceláře a k lokálnímu modelu přistupovat z více počítačů. NVIDIA PAIR dokáže rozdělovat nezávislé požadavky Ollama nebo LM Studio mezi připojené kompatibilní systémy.
Generování obrázků. Pro počítač se 128GB paměti stojí za zvážení FLUX.1-dev pro obrázky: vybraná sada vah Diffusers spolu s textovými enkodéry a VAE zabírá přibližně 33.74GB. NVIDIA zveřejňuje návod na spuštění přes ComfyUI na DGX Spark.
Generování videa. Pro tento případ je příkladem lokálního modelu Wan2.2-T2V-A14B: původní sada se dvěma experty v FP32, textovým enkodérem a VAE zabírá přibližně 126.18GB. Jeho oficiální příklad pro 720p vyžaduje alespoň 80GB.
Syntéza řeči. Pro generování řeči v různých jazycích lze použít Qwen3-TTS-12Hz-1.7B-CustomVoice společně s řečovým tokenizérem; soubory vah zabírají přibližně 4.52GB. Větší alternativou je MOSS-TTS-v1.5 s 8B parametry: 31 jazyků, klonování hlasu podle vzorku, dlouhé nahrávky, ovládání délky, výslovnosti pomocí IPA a pauz. Hlavní váhy zabírají přibližně 16.98GB a povinný MOSS-Audio-Tokenizer zabírá dalších 7.10GB, celkem přibližně 24.08GB. Licence Apache 2.0 umožňuje komerční využití. Jde o širší soubor funkcí, nikoli o důkaz lepšího zvuku u libovolného textu.
Rozpoznávání řeči. Pro lokální přepis schůzek, rozhovorů a hlasových poznámek je vhodný Qwen3-ASR-1.7B: model podporuje 30 jazyků včetně ruštiny, automatické rozpoznání jazyka a průběžné rozpoznávání řeči. Soubory vah BF16 zabírají přibližně 4.70GB. Pro časové značky slov se navíc používá Qwen3-ForcedAligner-0.6B s vahami o velikosti přibližně 1.84GB. Oba modely jsou dostupné pod licencí Apache 2.0. Spotřeba paměti při spuštění je vyšší než velikost souborů a závisí na bufferech a paralelních streamech.
Samotná velká kapacita sdílené paměti nezaručuje spuštění: u každého čipu, zejména AMD a Applu, je třeba ověřit kompatibilitu programu pro spouštění modelu, kapacitu paměti dostupnou akcelerátoru a podporovanou přesnost.
Jaké modely se hodí pro počítače s 32-768GB
Přestože jsme zdůraznili, že pro seriózní profesionální práci s modely schopnými v mnoha situacích nahradit cloudová řešení budete potřebovat stroj se 128GB paměti, níže poslouží jako vodítko denní model Qwen3.8-27B, který lze použít i pro programování a načíst do stroje s menší kapacitou paměti.
Hlavním vodítkem však budou moderní a velmi schopné otevřené MoE modely Qwen3.8-Flash-Next a GLM-5.3-Flash. Qwen3.8 Flash je vydání pro cloud, zatímco Flash-Next je otevřené vydání pro lokální instalaci.
U MoE modelů je pro každý token aktivní jen část parametrů, ale do paměti je nutné umístit celou sadu vah.
Kvantizace modelů zmenšuje velikost vah a cache díky kompaktnějšímu zápisu čísel; smíšené varianty UD používají pro různé části modelu různou přesnost. Kvantizace nevyhnutelně ovlivňuje kvalitu, záleží však na tom, jak je agresivní. Obecně se má za to, že kvantizace až na 4 bity (Q4) může být při práci přijatelná, zatímco Q8 je často velmi blízko originálu. Níže jsou uvedeny konkrétní zveřejněné GGUF a součet všech částí jejich vah. Velikost souboru neodpovídá paměťové spotřebě celého programu: samostatně je potřeba paměť pro OS, pracovní buffery, KV cache a zvolenou délku kontextu.
Pokud má stroj či cluster dostatek volné paměti, lze do něj umístit několik kopií modelu nebo různé modely pro souběžné používání.
Paměť | Podmínky výběru | |||
|---|---|---|---|---|
32GB | Q4 + rezerva se nevejde | Q4 + rezerva se nevejde | Qwen27B: kontext 32K se vejde; 64K je na hraně; 128K+ se nevejde. | |
64GB | Q4 + rezerva se nevejde | Q4 + rezerva se nevejde | Qwen27B: vejde se kontext až 256K. | |
128GB | Q4 + rezerva se nevejde | Qwen27B: až 256K. Flash-Next: 32K/64K se vejde; 128K je na hraně. | ||
192GB | Q4 + rezerva se nevejde | Qwen27B a Flash-Next: až 256K. | ||
256GB | Vejde se kontext až 256K. | |||
512GB | Kontext až 256K. Pro cluster se 4 uzly je potřeba dalších 36GB u Qwen27B, 60GB u Flash-Next a 72GB u GLM Flash: OS a buffery jsou nutné na každém uzlu. | |||
768GB | Kontext až 256K. Pro cluster se 4 uzly je potřeba dalších 36GB u Qwen27B, 60GB u Flash-Next a 72GB u GLM Flash: OS a buffery jsou nutné na každém uzlu. |
Srovnání modelů na stejných verzích testů
Níže uvedené hodnoty jsou procenta z publikací vývojářů původních vydání, nikoli výsledky zvolených kvantizovaných verzí GGUF. Stejné verze testů nezaručují stejné agentní prostředí a nastavení. Například Qwen3.8-27B byl testován v SWE-bench Pro a DeepSWE 1.1 s agentním prostředím Claude Code a kontextem 256K.
Tabulka kromě otevřených modelů uvádí pro orientaci také benchmarková skóre známých cloudových modelů.
SWE-bench Pro a DeepSWE ukazují práci s kódem;
Terminal-Bench 2.1 hodnotí agentní úlohy samostatného vykonávání;
GPQA Diamond je HLE s nástroji, který hodnotí složité otázky a uvažování, ve druhém případě s nástroji.
Model a zdroj | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Hodnota není uvedena | |
62.5 | Hodnota není uvedena | 58.7 | 91.7 | Hodnota není uvedena | |
Hodnota není uvedena | 84.3 | 63.4 | Hodnota není uvedena | 55.3 | |
Hodnota není uvedena | 90.6 | 74.2 | 90.9 | 63.9 | |
Hodnota není uvedena | Hodnota není uvedena | Hodnota není uvedena | Hodnota není uvedena | 64.5 | |
Hodnota není uvedena | Hodnota není uvedena | Hodnota není uvedena | 89.9 | 49.0 | |
Hodnota není uvedena | 88.8 | 72.7 | Hodnota není uvedena | 64.5 | |
53.4 | Hodnota není uvedena | Hodnota není uvedena | 91.3 | Hodnota není uvedena | |
Hodnota není uvedena | 85.0 | 58.0 | Hodnota není uvedena | 57.9 |
Srovnání výkonu procesorů a rychlosti paměti
Níže uvedené špičkové hodnoty pocházejí z dokumentace výrobců. Výkon NVIDIA v FP4 a celkové TOPS AMD popisují různé režimy a neslouží jako přímý žebříček rychlosti. Apple v uvedených specifikacích nezveřejňuje srovnatelnou špičkovou metriku AI, proto jsou uvedena výpočetní jádra a propustnost paměti.
Čip v nejvyšší konfiguraci | Zveřejněný výkon | Paměť a její rychlost | Zdroj |
|---|---|---|---|
NVIDIA RTX Spark N1X | Až 1PFLOP FP4; CPU 20 jader, GPU 6144 jader CUDA | Až 128GB sdílené paměti; 300GB/s, 256bitová sběrnice podle dokumentace NVIDIA | |
NVIDIA GB10 Grace Blackwell | Až 1PFLOPS FP4 s řídkostí; CPU 20 jader | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS celkem, NPU až 50TOPS; CPU 16 jader, Radeon 8060S 40 CU | 128GB; u Framework LPDDR5X 8000MT/s, 256 bitů (výpočet: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS celkem, NPU až 55TOPS; CPU 16 jader, Radeon 8065S 40 CU | 192GB u Framework; LPDDR5X 8533MT/s, 256 bitů (výpočet: 273.1GB/s) | |
Apple M4 Max | CPU 16 jader, GPU 40 jader, NPU 16 jader | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 jader, GPU 80 jader, NPU 32 jader | Až 512GB při uvedení; 819GB/s | |
Apple M5 Max | CPU 18 jader, GPU 40 jader, NPU 16 jader | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 jader, GPU 80 jader, NPU 32 jader | Až 512GB; 1.2TB/s |
RTX Spark N1X a GB10 mají podobnou architekturu: v nejvyšších verzích mají oba 20 jader Arm CPU a Blackwell GPU s 6144 jádry CUDA. Nicméně oficiální specifikace RTX Spark rozlišují notebookový N1X s TDP 45-80W a desktopový s TDP procesoru 140W; GB10 má také TDP 140W. Existuje i nižší notebookový N1X s 18 jádry CPU a 5120 jádry CUDA. Věnujte pozornost verzi procesoru.
U paměti NVIDIA uvádí pro N1X 300GB/s, zatímco pro GB10 273GB/s.
N1X je určen pro Windows on Arm, DGX Spark používá Linux.
V ověřených zdrojích nebyl nalezen párový test N1X a GB10 se stejným modelem, kvantizací a kontextem, proto lze pouze předpokládat, že výsledky desktopového N1X budou srovnatelné s GB10.
Pro AMD existují přímá měření: Tom's Hardware porovnal Ryzen AI Halo s Max+ 395 a Dell Pro Max s GB10 v llama.cpp pomocí llama-benchy. Tabulka uvádí výsledky při hloubce kontextu 8192 tokenů, vstupu 2048 a odpovědi 256 tokenů; autor použil GGUF Unsloth Q4_K_M. Stroj AMD měl 128GB LPDDR5X-8000 a jmenovité TDP 120W. TTFT je prodleva do prvního tokenu; při generování znamená více tokenů za sekundu rychlejší odpověď.
Testovaný model | AMD 395: TTFT | GB10: TTFT | AMD 395: generování | GB10: generování |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokenů/s | 58.9 tokenů/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokenů/s | 50.7 tokenů/s |
V těchto dvou testech vítězí GB10 v TTFT i rychlosti generování. Autor uvádí, že cachování vstupu může rozdíl v TTFT zmenšit.
Rychlost celé agentní úlohy může přinést jiný výsledek. Ve vlastním testu AMD HEPA oba stroje spouštěly Qwen3.6-35B-A3B ve 4bitovém formátu a vytvářely prezentaci ze stejných lokálních dokumentů. AMD Halo dokončil práci za 311.6s, DGX Spark za 367.1s, přestože samostatná fáze GPU byla rychlejší u Spark: 137.2s oproti 159.5s. Sedm z osmi fází běželo na CPU. Jde o příklad konkrétního testu výrobce: u agenta je vhodné měřit i čas do hotového výsledku včetně vyhledávání, zpracování dokumentů a kontroly odpovědi.
Pro srovnání řešení Apple a NVIDIA vývojář EXO uvádí pro M3 Ultra přibližně 26TFLOPS FP16 a pro DGX Spark přibližně 100TFLOPS FP16. Tyto odhady dávají rozdíl přibližně 3.8krát ve špičkovém výkonu FP16, nejde však o zaručený rozdíl v rychlosti lokálního LLM.
Co je pro rychlost důležitější: paměť, nebo výpočetní jednotky?
Při generování odpovědi používá dense model (například Qwen3.8-27B) všechny své vrstvy a váhy. Při jednom či několika požadavcích akcelerátor často čeká na načtení dat, proto je důležitá propustnost paměti: ovlivňuje rychlost, s jakou se objevují další tokeny.
Během prefillu počítač zpracovává vstupní text a vytváří KV cache; dlouhý vstup poskytuje více příležitostí pro paralelní maticové výpočty. V této fázi prefillu mohou silné výpočetní jednotky zkrátit čekání na první token. Vliv velkých dávek požadavků a predikcí rozebírá v samostatném článku NVIDIA.
U agenta, který opakovaně přijímá kontext a vrací krátkou odpověď nebo volání nástroje, může prefill tvořit značnou část čekání. Zmíněné MoE modely Qwen3.8-Flash-Next a GLM-5.3-Flash navíc používají jen vybrané experty, což snižuje nároky na rychlost paměti (v porovnání s dense modely), přestože jde stále o důležitý faktor celkového výkonu.
Vývojář EXO změřil stejnou Llama-3.1 8B FP16: vstup 8192 tokenů, odpověď 32 tokenů. U DGX Spark trval prefill 1.47s, generování 2.87s, celkem 4.34s; u M3 Ultra Mac Studio 5.57s, 0.85s a 6.42s. V tomto testu Spark zvítězil ve zpracování vstupu a Mac v generování.
Clustery: 512GB u NVIDIA a 768GB u AMD
U DGX Spark s GB10 má každý stroj v nejvyšší konfiguraci 128GB. Čtyři stroje dávají celkem 512GB. NVIDIA Sync podporuje nastavení takového clusteru; pro čtyři uzly je potřeba odpovídající síťový přepínač QSFP, zatímco přímé propojení je vhodné pro menší konfigurace.
AMD má také možnost distribuovaného provozu: společnost zveřejňuje příklad čtyř uzlů s llama.cpp RPC. Kromě toho Framework uvádí propojení čtyř Desktop s Ryzen AI Max+ PRO 495 a 192GB na uzel, celkem až 768GB.
V obou případech se součet paměti automaticky nestává jediným adresním prostorem. Orchestrační program musí model rozdělit mezi uzly; rychlost závisí na síti a způsobu paralelizace.
Cluster lze nastavit pro umístění velkého modelu, rychlost jednoho požadavku nebo celkový výkon služby. K tomu se používá několik strategií rozdělení:
Tensorová paralelizace: uzly současně počítají části matic stejných vrstev. Společně zpracovávají požadavek, ale často si vyměňují výsledky.
Expertní paralelizace: experti MoE jsou umístěni na různých uzlech a tokeny se směrují k potřebným expertům. Paralelizace může pomoci, ale výměna dat a nerovnoměrná zátěž mohou přínos pohltit.
Pipeline paralelizace: skupiny vrstev jsou rozděleny do navazujících fází. Jeden token jimi prochází postupně; více požadavků či mikrodávek může současně zaplnit různé fáze. V pipeline mohou vznikat prostoje, jde však o efektivní scénář při velkém toku po sobě jdoucích úloh.
Datová paralelizace: různé kopie modelu obsluhují nezávislé požadavky. Při dostatečné paměti pro kopie to zvyšuje celkovou propustnost služby, jeden požadavek to však automaticky nezrychlí.
Režimy lze kombinovat, například tensor + pipeline nebo tensor + expert, pokud to zvolený program podporuje. Samotná přítomnost čtyř uzlů nezaručuje zrychlení: záleží na síti, synchronizaci, velikosti dávky a vyvážení zátěže. NVIDIA samostatně vysvětluje, jak zvolit rozdělení modelu podle hardwaru.
Pro DGX Spark existuje oficiální návod pro vLLM se dvěma uzly: Qwen3.8-27B NVFP4, tensor parallel na dvou uzlech a průběžné slučování více požadavků do dávky. Tento příklad ukazuje, že i společný výpočet modelu může obsluhovat paralelní požadavky.
Řešení pro lokální AI modely od předních výrobců počítačů
Tabulky uvádějí řady počítačů s nejvyššími konfiguracemi se 128GB a více.
Samostatně je uvedeno, jaký nabíjecí protokol musí adaptér podporovat a jaký výkon musí mít pro napájení počítače.
Notebooky a pracovní stanice s NVIDIA RTX Spark N1X
Model, čip a rozsah paměti | Nabíjení adaptérem USB-C (PD) | Dokumentace a obchod |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | až 128GB sdílené paměti | - | |
ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt GR1X | NVIDIA RTX Spark N1X | 64/128GB sdílené paměti | USB-C PD IN, EPR PD 3.1; adaptér 240W v balení; požadovaný vstupní příkon a profil nejsou uvedeny | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | až 128GB sdílené paměti | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | U tří portů USB-C 4.0 je uvedena podpora Power Delivery | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | až 128GB sdílené paměti | USB PD 3.2; USB-C GaN adaptér 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; adaptér USB-C 140W se dodává s vybranými konfiguracemi; maximální vstupní příkon není uveden. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimálně 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB sdílené paměti | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | až 128GB LPDDR5X sdílené paměti | USB-C PD IN; adaptér 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Pracovní stanice NVIDIA GB10 / DGX Spark
Model, čip a rozsah paměti | Nabíjení adaptérem USB-C (PD) | Dokumentace a obchod |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Přiložený USB-C napájecí zdroj 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Technický list uvádí vstup až 180W; přiložený napájecí zdroj 240W | |
Dell Pro Precision with GB10 (FCM1253; dříve Dell Pro Max with GB10) | GB10 | 128GB | Standardní USB-C napájecí zdroj 280W, 48V5.83A; verze PD není uvedena. Jde o nestandardní režim 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adaptér 240W v balení; požadovaný vstupní příkon, napěťový profil a verze PD nejsou uvedeny. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Vyhrazený USB-C vstup, napájecí zdroj 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Vyhrazený vstup USB-C s USB PD 3.1; přiložený napájecí zdroj 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Standardní napájecí zdroj USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Standardní USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Napájecí zdroj je součástí balení, výkon a režim PD nejsou uvedeny |
Ryzen AI Max+ 395 a nové modely se 192GB
Model, čip a rozsah paměti | Nabíjení adaptérem USB-C (PD) | Jiný DC vstup nebo síťový napájecí zdroj | Dokumentace a obchod |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Samostatný zadní konektor DC; výkon dodávaného adaptéru není v ověřeném zdroji uveden. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Vyhrazený USB-C vstup pro nabíjení standardním napájecím zdrojem | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB sdílené paměti | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Podporuje USB PD 45-100W | Obdélníkový DC vstup: napájecí zdroj 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 v nejvyšší verzi | 32-128GB | USB PD 3.0, 45-100W | Obdélníkový DC vstup: napájecí zdroj 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Interní síťový napájecí zdroj 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Interní napájecí zdroj Flex ATX 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Interní napájecí zdroj Flex ATX 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB sdílené paměti | Vstup USB-C PD není v ověřených materiálech uveden | DC-in; adaptér 330W v balení | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: napájecí zdroj 19.5V11.8A, přibližně 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB sdílené paměti | Napájení přes USB-C není podporováno | DC IN 19.5V16.9A, 330W; konektor 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 v nejvyšší verzi | 16-128GB | - | Interní síťový napájecí zdroj 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 v nejvyšší verzi | 16-128GB | USB-C napájecí zdroj 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | až 192GB sdílené paměti | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | až 128GB sdílené paměti | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Interní síťový napájecí zdroj 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB sdílené paměti | - | Vestavěný napájecí zdroj 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Vstup USB PD není uveden; oba USB-C: výstup PD 15W | Interní síťový napájecí zdroj Flex 300W |
Apple Silicon: poslední dvě generace
U MacBooku Pro zvažujeme M5 Max a M4 Max se 40jádrovou GPU a 128GB. U Mac Studia jde o generaci M5 Max / M5 Ultra a předchozí M4 Max / M3 Ultra. Verzi M3 Ultra s 512GB Apple uváděl při uvedení na trh, současná stránka specifikací však ukazuje maximum 256GB.
Model, čip a rozsah paměti | Nabíjení adaptérem USB-C (PD) | Jiný DC vstup nebo síťový napájecí zdroj | Dokumentace a obchod |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB vyžaduje 40jádrovou GPU | PD3.0 (<100W) | MagSafe 3: od PD 3.0 | Specifikace | Rychlé nabíjení | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB vyžaduje 40jádrovou GPU | PD3.1 (140W) | MagSafe 3: od PD 3.1 | Specifikace | Rychlé nabíjení | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB vyžaduje 40jádrovou GPU | - | Vestavěný síťový napájecí zdroj; 480W | Specifikace | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB v současné specifikaci; 512GB při uvedení | - | Vestavěný síťový napájecí zdroj; 480W | Specifikace | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: dodávky později v říjnu 2026 | - | Vestavěný síťový napájecí zdroj; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB vyžaduje 40jádrovou GPU | PD3.0 (<100W) | MagSafe 3: od PD 3.0 | Specifikace | Rychlé nabíjení | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB vyžaduje 40jádrovou GPU | PD3.1 (140W) | MagSafe 3: od PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB vyžaduje 40jádrovou GPU | - | Vestavěný síťový napájecí zdroj; 480W | Specifikace | Amazon.com(36Gb) |
MagSafe 3 u MacBook je vlastní konektor na straně notebooku, který přijímá napájení z USB-C adaptéru přes odpovídající kabel.
Jak zajistit spolehlivé napájení počítače
Zkontrolujte obsah balení: některé konfigurace počítačů se prodávají bez adaptéru (zejména v Evropě), zatímco jiné jej obsahují.
Pro počítač, který bude každý den mnoho hodin pracovat s lokálním AI modelem, je potřeba spolehlivý zdroj schopný dlouhodobě dodávat požadovaný výkon bez výpadků.
Ověřte napětí, proud, protokol a přípustný kabel podle dokumentace konkrétního stroje. Pokud výrobce vyžaduje vlastní napájecí zdroj nebo nestandardní režim, přítomnost USB-C konektoru neopravňuje k jeho nahrazení libovolnou výkonnou nabíječkou.
Pokud zvolíte víceportový napájecí zdroj, věnujte pozornost výkonu dodávanému jedním portem a tomu, jak se mění při připojení druhého zařízení (pokud je pro vás tento scénář relevantní).