IA personal: portátiles, estaciones de trabajo y sus capacidades
Actualizado: hace 1 día
La aparición de procesadores centrales de alto rendimiento de NVIDIA, AMD y Apple Silicon, junto con una gran cantidad de memoria compartida, ha hecho que la IA local sea accesible en distintos formatos: desde portátiles hasta estaciones de trabajo domésticas compactas. Esta nueva clase de ordenadores, diseñada principalmente para ejecutar modelos de IA de forma local, también se denomina a veces «ordenadores agénticos».
Comparten una arquitectura en la que el procesador y el acelerador gráfico integrado utilizan un mismo gran conjunto de memoria de alta velocidad. Esto permite mantener un modelo LLM grande y capaz cerca de las unidades de cálculo, sin trasladar constantemente sus partes a través de una conexión lenta con una tarjeta gráfica independiente.
La principal razón práctica para ejecutar IA localmente es poder procesar documentos, código fuente y bases de conocimiento internas sin enviarlos a un servicio en la nube. Para una empresa resulta útil y, a menudo, imprescindible al trabajar con información confidencial y repositorios privados de código corporativo.
Otra ventaja de alojar una LLM localmente es que no se paga por cada solicitud a la API al trabajar con el modelo local. El coste directo de su funcionamiento es la electricidad necesaria para alimentar el ordenador, aunque también hay que tener en cuenta la compra de una máquina que, por otra parte, servirá durante varios años. La ejecución local también permite trabajar sin internet y elegir el modelo más adecuado para cada tarea: programación, trabajo con agentes, traducción, generación de imágenes, vídeo, audio, etc.
¿Por qué es tan importante una gran cantidad de memoria compartida?
Un PC convencional con una GPU dedicada también puede ser una excelente máquina para IA local. Mientras el modelo elegido quepa por completo en la VRAM y quede margen para la caché KV y los búferes de trabajo, el acelerador puede procesar las solicitudes muy rápidamente. Por eso no sería del todo correcto considerar que todos los ordenadores con una tarjeta gráfica independiente son inadecuados para la IA.
La limitación aparece cuando un modelo grande, precisamente los más valiosos y necesarios para el uso profesional, ya no cabe en la memoria de vídeo. El programa informa de falta de memoria, traslada parte del trabajo a la CPU y la RAM del sistema, o carga pesos desde la RAM o el SSD. Estas transferencias y el almacenamiento más lento pueden aumentar drásticamente la latencia, hasta hacerla inaceptable para un asistente interactivo. No hay un factor único de pérdida de velocidad: importan el programa de ejecución, la proporción de pesos descargados, el modelo y el hardware. En la práctica, sin embargo, el rendimiento en estas situaciones puede reducirse por un factor de 5-10.
Una gran cantidad de RAM del sistema junto a una GPU dedicada pequeña no se convierte automáticamente en la misma cantidad de VRAM rápida.
Las soluciones basadas en NVIDIA RTX/DGX Spark, AMD Ryzen AI Max y Apple Silicon Max/Ultra tienen otro enfoque: el acelerador gráfico puede acceder a una gran cantidad de memoria compartida dentro de la arquitectura compatible. Esto amplía la elección de modelos grandes.
128GB o más es la referencia elegida en este artículo para modelos grandes capaces de resolver tareas para las que los usuarios suelen recurrir a modelos en la nube mediante API o suscripción. Para modelos especializados más pequeños o experimentos con modelos ultracuantizados y destilados y una ventana de contexto limitada, puede bastar menos memoria.
Una mayor cantidad de memoria también deja margen para comprimir menos los pesos, conservando mejor la calidad, y para una ventana de contexto más amplia.
Dónde resulta útil la IA local en el trabajo diario
Asistente para documentos internos. Si dispone de una gran base de datos documental, puede tener sentido crear un sistema RAG, que primero encuentre los fragmentos pertinentes en la base de conocimiento local y después los entregue a la LLM para responder con referencias a los documentos. Una LLM puede buscar palabras clave en la documentación, pero si trabajar con archivos documentales es la tarea principal, disponer de RAG puede hacer la búsqueda más precisa y eficiente, ya que se trata de una base de datos vectorial.
Trabajo con código fuente. El modelo ayuda a explicar partes del proyecto, proponer cambios, escribir código y probarlo. Los mejores modelos de Anthropic u OpenAI darán mejores resultados, pero son soluciones en la nube que no están disponibles para todos, no siempre son aplicables por motivos de confidencialidad y pueden resultar muy caras. Si su entorno de trabajo permite utilizarlas, puede distribuir la carga: delegar las operaciones rutinarias a modelos locales y reservar la revisión final y la arquitectura a los mejores modelos en la nube.
Ejecución de pruebas y operaciones rutinarias en segundo plano, por la noche. Su equipo puede tener tareas recurrentes que deban ejecutarse según un escenario, evento o calendario y requieran herramientas: extraer y analizar registros, probar versiones, buscar nuevos documentos tanto en fuentes locales como en internet.
Asistente compartido para un equipo pequeño. Una estación compacta puede instalarse en la oficina y permitir el acceso al modelo local desde varios ordenadores. NVIDIA PAIR puede distribuir solicitudes independientes de Ollama o LM Studio entre sistemas compatibles conectados.
Generación de imágenes. Para un ordenador con 128GB de memoria, conviene considerar FLUX.1-dev para imágenes: el conjunto elegido de pesos de Diffusers, junto con los codificadores de texto y el VAE, ocupa unos 33.74GB. NVIDIA publica instrucciones para ejecutarlo mediante ComfyUI en DGX Spark.
Generación de vídeo. Un ejemplo de modelo local para este caso es Wan2.2-T2V-A14B: el conjunto original con dos expertos en FP32, codificador de texto y VAE ocupa unos 126.18GB. Su ejemplo oficial para 720p requiere al menos 80GB.
Síntesis de voz. Para generar voz en distintos idiomas se puede utilizar Qwen3-TTS-12Hz-1.7B-CustomVoice junto con el tokenizador de voz; los archivos de pesos ocupan unos 4.52GB. Una alternativa más grande es MOSS-TTS-v1.5 con 8B parámetros: 31 idiomas, clonación de voz a partir de una muestra, grabaciones largas y control de duración, pronunciación mediante IPA y pausas. Los pesos principales ocupan unos 16.98GB, y el componente obligatorio MOSS-Audio-Tokenizer - otros 7.10GB, unos 24.08GB en total. La licencia Apache 2.0 permite el uso comercial. Se trata de un conjunto de funciones más amplio, no de una prueba de que suene mejor con cualquier texto.
Reconocimiento de voz. Para transcribir localmente reuniones, entrevistas y notas de voz, sirve Qwen3-ASR-1.7B: el modelo admite 30 idiomas, incluido el ruso, detección automática del idioma y reconocimiento en streaming. Los archivos de pesos BF16 ocupan unos 4.70GB. Para las marcas de tiempo de las palabras se utiliza además Qwen3-ForcedAligner-0.6B con unos 1.84GB de pesos. Ambos modelos están disponibles bajo Apache 2.0. El consumo de memoria durante la ejecución supera el tamaño de los archivos y depende de los búferes y los flujos paralelos.
Una gran cantidad de memoria compartida no garantiza por sí sola la ejecución: para cada chip, especialmente AMD y Apple, hay que comprobar la compatibilidad del programa de ejecución, la memoria disponible para el acelerador y la precisión admitida.
Qué modelos sirven para ordenadores con 32-768GB
Aunque hemos destacado que, para un trabajo profesional serio con modelos capaces de sustituir a soluciones en la nube en muchas situaciones, se necesita una máquina con 128GB de memoria, a continuación se ofrece como referencia el modelo dense Qwen3.8-27B, que también sirve para programar y puede cargarse en una máquina con menos memoria.
No obstante, la referencia principal serán los modernos y muy capaces modelos MoE abiertos Qwen3.8-Flash-Next y GLM-5.3-Flash. Qwen3.8 Flash es una versión para la nube, mientras que Flash-Next es una versión abierta para instalación local.
En los modelos MoE solo se activa una parte de los parámetros por token, pero el conjunto completo de pesos debe caber en memoria.
La cuantización reduce el tamaño de los pesos y la caché mediante una representación numérica más compacta; las variantes mixtas UD usan distinta precisión para las diferentes partes del modelo. La cuantización afecta inevitablemente a la calidad, aunque el efecto depende de lo agresiva que sea. Se considera que hasta 4 bits (Q4) puede ser aceptable para trabajar, y Q8 suele estar muy cerca del original. A continuación se muestran GGUF concretos publicados y la suma de todas las partes de sus pesos. El tamaño del archivo no equivale al consumo del programa completo: también se necesita memoria para el sistema operativo, los búferes de trabajo, la caché KV y la longitud de contexto elegida.
Si la máquina o el clúster tiene mucha memoria libre, puede alojar varias copias del modelo o distintos modelos para usarlos simultáneamente.
Memoria | Criterios de elección | |||
|---|---|---|---|---|
32GB | Q4 + margen de reserva no cabe | Q4 + margen de reserva no cabe | Qwen27B: un contexto de 32K cabe; 64K está en el límite; 128K+ no cabe. | |
64GB | Q4 + margen de reserva no cabe | Q4 + margen de reserva no cabe | Qwen27B: cabe hasta 256K de contexto. | |
128GB | Q4 + margen de reserva no cabe | Qwen27B: hasta 256K. Flash-Next: 32K/64K caben; 128K está en el límite. | ||
192GB | Q4 + margen de reserva no cabe | Qwen27B y Flash-Next: hasta 256K. | ||
256GB | Cabe un contexto de hasta 256K. | |||
512GB | Contexto de hasta 256K. Para un clúster de 4 nodos se necesitan otros 36GB para Qwen27B, 60GB para Flash-Next y 72GB para GLM Flash: cada nodo necesita sistema operativo y búferes. | |||
768GB | Contexto hasta 256K. Para un clúster de 4 nodos se necesitan otros 36GB para Qwen27B, 60GB para Flash-Next y 72GB para GLM Flash: cada nodo necesita sistema operativo y búferes. |
Comparación de modelos con las mismas versiones de las pruebas
Los valores siguientes son porcentajes de las publicaciones de los desarrolladores de las versiones originales, no resultados de las versiones GGUF cuantizadas elegidas. Usar las mismas versiones de las pruebas no garantiza el mismo entorno de agente ni los mismos ajustes. Por ejemplo, Qwen3.8-27B se probó en SWE-bench Pro y DeepSWE 1.1 con el entorno de agente Claude Code y un contexto de 256K.
La tabla incluye, además de modelos abiertos, valores de benchmarks de modelos conocidos en la nube como referencia.
SWE-bench Pro y DeepSWE muestran el trabajo con código;
Terminal-Bench 2.1: tareas de ejecución autónoma con agentes;
GPQA Diamond y HLE con herramientas: preguntas complejas y razonamiento, en el segundo caso con herramientas.
Modelo y fuente | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Sin valor | |
62.5 | Sin valor | 58.7 | 91.7 | Sin valor | |
Sin valor | 84.3 | 63.4 | Sin valor | 55.3 | |
Sin valor | 90.6 | 74.2 | 90.9 | 63.9 | |
Sin valor | Sin valor | Sin valor | Sin valor | 64.5 | |
Sin valor | Sin valor | Sin valor | 89.9 | 49.0 | |
Sin valor | 88.8 | 72.7 | Sin valor | 64.5 | |
53.4 | Sin valor | Sin valor | 91.3 | Sin valor | |
Sin valor | 85.0 | 58.0 | Sin valor | 57.9 |
Comparación del rendimiento de los procesadores y la velocidad de memoria
Las cifras máximas siguientes proceden de la documentación de los fabricantes. El rendimiento FP4 de NVIDIA y los TOPS totales de AMD describen modos distintos y no constituyen una clasificación directa de velocidad. Apple no publica una métrica máxima de IA comparable en las especificaciones citadas, por lo que se indican los núcleos de cálculo y el ancho de banda de memoria.
Chip de la configuración superior | Rendimiento publicado | Memoria y velocidad | Fuente |
|---|---|---|---|
NVIDIA RTX Spark N1X | Hasta 1PFLOP FP4; CPU de 20 núcleos, GPU de 6144 núcleos CUDA | Hasta 128GB de memoria compartida; 300GB/s, bus de 256 bits según la documentación de NVIDIA | |
NVIDIA GB10 Grace Blackwell | Hasta 1PFLOPS FP4 con dispersión; CPU de 20 núcleos | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS en total, NPU de hasta 50TOPS; CPU de 16 núcleos, Radeon 8060S 40 CU | 128GB; en Framework LPDDR5X 8000MT/s, 256 bits (cálculo: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS en total, NPU de hasta 55TOPS; CPU de 16 núcleos, Radeon 8065S 40 CU | 192GB en Framework; LPDDR5X 8533MT/s, 256 bits (cálculo: 273.1GB/s) | |
Apple M4 Max | CPU de 16 núcleos, GPU de 40 núcleos, NPU de 16 núcleos | 128GB; 546GB/s | |
Apple M3 Ultra | CPU de 32 núcleos, GPU de 80 núcleos, NPU de 32 núcleos | Hasta 512GB en el lanzamiento; 819GB/s | |
Apple M5 Max | CPU de 18 núcleos, GPU de 40 núcleos, NPU de 16 núcleos | 128GB; 614GB/s | |
Apple M5 Ultra | CPU de 36 núcleos, GPU de 80 núcleos, NPU de 32 núcleos | Hasta 512GB; 1.2TB/s |
RTX Spark N1X y GB10 tienen arquitecturas similares: en sus versiones superiores, ambos cuentan con 20 núcleos Arm de CPU y una GPU Blackwell con 6144 núcleos CUDA. Sin embargo, las especificaciones oficiales de RTX Spark distinguen el N1X para portátiles, con TDP de 45-80W, del de sobremesa, con TDP del procesador de 140W; el GB10 también tiene un TDP de 140W. También hay un N1X para portátiles de gama inferior con 18 núcleos de CPU y 5120 núcleos CUDA. Preste atención a la versión del procesador.
En cuanto a la memoria, NVIDIA indica 300GB/s para N1X, y 273GB/s para GB10.
N1X está diseñado para Windows on Arm; DGX Spark utiliza Linux.
En las fuentes comprobadas no se encontró una prueba emparejada de N1X y GB10 con el mismo modelo, cuantización y contexto, por lo que solo puede suponerse que los resultados del N1X de sobremesa serán comparables a los de GB10.
Para AMD existen mediciones directas: Tom's Hardware comparó Ryzen AI Halo con Max+ 395 y Dell Pro Max con GB10 en llama.cpp mediante llama-benchy. La tabla muestra resultados con un contexto de 8192 tokens, una entrada de 2048 y una respuesta de 256 tokens; el autor utilizó GGUF Unsloth Q4_K_M. La máquina AMD tenía 128GB LPDDR5X-8000 y un TDP nominal de 120W. TTFT es la latencia hasta el primer token; en la generación, más tokens por segundo significa una respuesta más rápida.
Modelo de prueba | AMD 395: TTFT | GB10: TTFT | AMD 395: generación | GB10: generación |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokens/s | 58.9 tokens/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokens/s | 50.7 tokens/s |
En estas dos pruebas, GB10 gana tanto en TTFT como en velocidad de generación. El autor señala que almacenar la entrada en caché puede reducir la diferencia de TTFT.
La velocidad de una tarea completa del agente puede dar otro resultado. En la prueba HEPA de la propia AMD ambas máquinas ejecutaron Qwen3.6-35B-A3B en formato de 4 bits y prepararon una presentación a partir de los mismos documentos locales. AMD Halo terminó en 311.6s y DGX Spark en 367.1s, aunque la fase específica de GPU fue más rápida en Spark: 137.2s frente a 159.5s. Siete de las ocho fases se ejecutaron en CPU. Es un ejemplo de una prueba concreta del fabricante: para un agente conviene medir también el tiempo hasta el resultado terminado, incluida la búsqueda, el procesamiento de documentos y la comprobación de la respuesta.
Para comparar las soluciones de Apple y NVIDIA, el desarrollador EXO indica unos 26TFLOPS FP16 para M3 Ultra y unos 100TFLOPS FP16 para DGX Spark. Estas estimaciones dan una diferencia aproximada de 3.8 veces en el rendimiento máximo en FP16, pero no garantizan esa diferencia en la velocidad de una LLM local.
¿Qué importa más para la velocidad: la memoria o las unidades de cálculo?
Al generar una respuesta, un modelo denso, como Qwen3.8-27B, utiliza todas sus capas y pesos. Con una o varias solicitudes, el acelerador suele esperar a que se lean los datos, por lo que el ancho de banda de memoria es importante: influye en la velocidad a la que aparecen los siguientes tokens.
Durante el prefill, el ordenador procesa el texto de entrada y crea la caché KV; una entrada larga ofrece más posibilidades de cálculo matricial paralelo. En esta fase de prefill, unas unidades de cálculo potentes pueden reducir la espera del primer token. El efecto de los lotes grandes de solicitudes y la predicción se analiza en un artículo aparte de NVIDIA.
Para un agente que recibe contexto repetidamente y devuelve una respuesta corta o una llamada a una herramienta, el tiempo de prefill puede representar una parte considerable de la espera. Además, los modelos MoE mencionados, Qwen3.8-Flash-Next y GLM-5.3-Flash, solo utilizan los expertos seleccionados, lo que reduce la exigencia de velocidad de memoria frente a los modelos densos, aunque sigue siendo un factor importante del rendimiento general.
El desarrollador EXO midió el mismo modelo Llama-3.1 8B FP16: entrada de 8192 tokens y respuesta de 32 tokens. En DGX Spark, el prefill tardó 1.47s y la generación 2.87s, 4.34s en total; en M3 Ultra Mac Studio, 5.57s, 0.85s y 6.42s. En esta prueba Spark ganó en procesamiento de la entrada, y Mac en generación.
Clústeres: 512GB en NVIDIA y 768GB en AMD
En DGX Spark con GB10, cada máquina de gama superior contiene 128GB. Cuatro máquinas suman 512GB. NVIDIA Sync permite configurar este clúster; para cuatro nodos hace falta un conmutador de red QSFP adecuado, mientras que una conexión directa sirve para configuraciones más pequeñas.
AMD también ofrece una vía de ejecución distribuida: la empresa publica un ejemplo de cuatro nodos con llama.cpp RPC. Además, Framework anuncia la unión de cuatro Desktop con Ryzen AI Max+ PRO 495 y 192GB por nodo, hasta 768GB en total.
En ambos casos, la suma de memoria no se convierte automáticamente en un espacio de direcciones único. El programa orquestador debe distribuir el modelo entre los nodos; la velocidad depende de la red y del método de paralelización.
Un clúster puede configurarse para alojar un modelo grande, acelerar una solicitud o aumentar el rendimiento total del servicio. Para ello se aplican varias estrategias de distribución:
Tensor parallel: los nodos calculan simultáneamente partes de las matrices de las mismas capas. Procesan juntos la solicitud, pero intercambian resultados con frecuencia.
Expert parallel: los expertos MoE se alojan en distintos nodos y los tokens se envían a los expertos correspondientes. La paralelización puede ayudar, pero el intercambio de datos y la carga desigual pueden anular la ganancia.
Pipeline parallel: los grupos de capas se dividen en etapas consecutivas. Un token las recorre una tras otra; varias solicitudes o microlotes pueden ocupar etapas distintas al mismo tiempo. Puede haber tiempos muertos en la tubería, pero es un escenario eficiente con un gran flujo de tareas secuenciales.
Data parallel: distintas copias del modelo atienden solicitudes independientes. Esto aumenta la capacidad total del servicio si hay memoria suficiente para las copias, pero no acelera automáticamente una solicitud.
Los modos pueden combinarse, por ejemplo, tensor + pipeline o tensor + expert, si el programa elegido lo permite. Tener cuatro nodos no garantiza una aceleración: importan la red, la sincronización, el tamaño del lote y el equilibrio de carga. NVIDIA explica por separado cómo elegir la división del modelo según el hardware.
Para DGX Spark hay una receta oficial de vLLM para dos nodos: Qwen3.8-27B NVFP4, tensor parallel en dos nodos y agrupación continua de varias solicitudes en un lote. Este ejemplo muestra que el cálculo conjunto del modelo también puede atender solicitudes paralelas.
Soluciones para modelos de IA locales de los principales fabricantes de ordenadores
Las tablas enumeran familias de ordenadores con configuraciones superiores a 128GB o más.
Se indica por separado el protocolo de carga que debe admitir el cargador y la potencia necesaria para alimentar el ordenador.
Portátiles y estaciones de trabajo con NVIDIA RTX Spark N1X
Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Documentación y tienda |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | hasta 128GB de memoria unificada | - | |
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 de memoria compartida | USB-C PD IN, EPR PD 3.1; adaptador de 240W incluido; la potencia de entrada requerida y el perfil no están especificados | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | hasta 128GB de memoria unificada | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Se indica Power Delivery en tres puertos USB-C 4.0 | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | hasta 128GB de memoria unificada | USB PD 3.2; USB-C GaN adaptador 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; determinadas configuraciones incluyen un adaptador USB-C de 140W; la potencia máxima de entrada no está especificada. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, mínimo 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB de memoria unificada | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | hasta 128GB LPDDR5X de memoria unificada | USB-C PD IN; adaptador 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Estaciones de trabajo NVIDIA GB10 / DGX Spark
Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Documentación y tienda |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Fuente de alimentación USB-C de 240W incluida | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. La ficha técnica indica una entrada de hasta 180W; la fuente incluida es de 240W | |
Dell Pro Precision with GB10 (FCM1253; antes Dell Pro Max with GB10) | GB10 | 128GB | Fuente de alimentación USB-C de serie de 280W, 48V5.83A; no se indica la versión PD. Es un modo no estándar 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adaptador de 240W incluido; la potencia de entrada requerida, el perfil de tensión y la versión de PD no están especificados. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Entrada USB-C dedicada, fuente de alimentación de 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Entrada USB-C dedicada con USB PD 3.1; fuente de alimentación incluida de 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Fuente de alimentación de serie USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | USB-C PD3.1 240W de serie | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Fuente de alimentación incluida; no se indican la potencia ni el modo PD |
Ryzen AI Max+ 395 y nuevos modelos con 192GB
Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Otra entrada DC o fuente de alimentación de red | Documentación y tienda |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Conector DC independiente en la parte trasera; la potencia del adaptador incluido no está especificada en la fuente consultada. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Entrada USB-C dedicada para cargar con la fuente de alimentación de serie | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB de memoria unificada | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Admite USB PD 45-100W | Entrada DC rectangular: fuente de alimentación de 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 en la versión superior | 32-128GB | USB PD 3.0, 45-100W | Entrada DC rectangular: fuente de alimentación de 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Fuente de alimentación interna de red de 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Fuente de alimentación interna Flex ATX de 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Fuente de alimentación interna Flex ATX de 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de memoria compartida | La entrada USB-C PD no está especificada en los materiales consultados | DC-in; adaptador de 330W incluido | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: fuente de alimentación de 19.5V11.8A, unos 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de memoria unificada | No se admite alimentación de entrada por USB-C | DC IN 19.5V16.9A, 330W; conector 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 en la versión superior | 16-128GB | - | Fuente de alimentación interna de red de 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 en la versión superior | 16-128GB | Fuente de alimentación USB-C de 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | hasta 192GB de memoria unificada | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | hasta 128GB de memoria unificada | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Fuente de alimentación interna de red de 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de memoria unificada | - | Fuente de alimentación interna 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Entrada USB PD no indicada; ambos USB-C: salida PD de 15W | Fuente de alimentación interna de red Flex de 300W |
Apple Silicon: las dos últimas generaciones
Para MacBook Pro se consideran M5 Max y M4 Max con GPU de 40 núcleos y 128GB. Para Mac Studio, la generación M5 Max / M5 Ultra y la anterior M4 Max / M3 Ultra. Apple anunció la versión M3 Ultra de 512GB en su lanzamiento, pero la página actual de especificaciones muestra un máximo de 256GB.
Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Otra entrada DC o fuente de alimentación de red | Documentación y tienda |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.0 (<100W) | MagSafe 3: a partir de PD 3.0 | Especificaciones | Carga rápida | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.1 (140W) | MagSafe 3: a partir de PD 3.1 | Especificaciones | Carga rápida | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | - | Fuente de alimentación de red integrada; 480W | Especificaciones | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB en la especificación actual; 512GB en el lanzamiento | - | Fuente de alimentación de red integrada; 480W | Especificaciones | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: entregas más adelante en octubre de 2026 | - | Fuente de alimentación de red integrada; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.0 (<100W) | MagSafe 3: a partir de PD 3.0 | Especificaciones | Carga rápida | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.1 (140W) | MagSafe 3: a partir de PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | - | Fuente de alimentación de red integrada; 480W | Especificaciones | Amazon.com(36Gb) |
MagSafe 3 en MacBook es un conector propietario en el portátil, que recibe alimentación de un cargador USB-C mediante el cable correspondiente.
Cómo garantizar una alimentación eléctrica fiable para el ordenador
Compruebe el contenido del paquete: algunas configuraciones se venden sin cargador, especialmente en Europa, mientras que otras lo incluyen.
Un ordenador que vaya a trabajar muchas horas cada día con un modelo de IA local necesita una fuente fiable capaz de entregar de forma continua la potencia requerida sin fallos.
Compare la tensión, la corriente, el protocolo y el cable permitido con la documentación de la máquina concreta. Si el fabricante exige una fuente de alimentación propia o un modo no estándar, disponer de un conector USB-C no basta para sustituirla por cualquier cargador potente.
Si elige una fuente de alimentación multipuerto, tenga en cuenta la potencia que entrega un solo puerto y cómo cambia al conectar un segundo dispositivo, si ese escenario le interesa.