IA personale: portatili, workstation e le loro capacità
Aggiornamento: 1 giorno fa
L'arrivo di processori centrali ad alte prestazioni di NVIDIA, AMD e Apple Silicon, insieme a una grande quantità di memoria condivisa, ha reso l'IA locale accessibile in diversi formati: dai portatili alle workstation domestiche compatte. Questa nuova categoria di computer, progettata principalmente per eseguire modelli di IA in locale, viene talvolta chiamata anche «computer agentici».
Li accomuna un'architettura in cui il processore e l'acceleratore grafico integrato utilizzano lo stesso grande insieme di memoria ad alta velocità. Questo permette di mantenere un modello LLM grande e capace vicino alle unità di calcolo, senza trasferirne continuamente le parti attraverso un collegamento lento con una scheda grafica separata.
Il principale motivo pratico per eseguire l'IA in locale è poter elaborare documenti, codice sorgente e basi di conoscenza interne senza inviarli a un servizio cloud. Per un'azienda è utile e spesso indispensabile quando si lavora con informazioni riservate e un repository privato di codice aziendale.
Un altro vantaggio dell'hosting locale di un LLM è l'assenza di un costo per ogni richiesta all'API quando si utilizza il modello locale. Il costo diretto del suo funzionamento è l'elettricità necessaria ad alimentare il computer, ma va considerato anche l'acquisto della macchina, che comunque servirà per diversi anni. L'esecuzione locale permette inoltre di lavorare senza internet e scegliere il modello più adatto alle singole attività: programmazione, lavoro con agenti, traduzione, generazione di immagini, video, audio e così via.
Perché una grande quantità di memoria condivisa è così importante?
Anche un normale PC con GPU dedicata può essere un'ottima macchina per l'IA locale. Finché il modello scelto entra interamente nella VRAM e rimane un margine per la cache KV e i buffer di lavoro, l'acceleratore può elaborare le richieste molto rapidamente. Sarebbe quindi poco corretto considerare inadatti all'IA tutti i computer con una scheda grafica separata.
Il limite emerge quando un modello grande, proprio il tipo più prezioso e necessario per l'uso professionale, non trova più spazio nella memoria video. Il programma segnala memoria insufficiente, trasferisce parte del lavoro alla CPU e alla RAM di sistema oppure carica i pesi dalla RAM o dall'SSD. Questi trasferimenti e l'archiviazione più lenta possono aumentare drasticamente la latenza, fino a renderla inaccettabile per un assistente interattivo. Non esiste un fattore unico di rallentamento: contano il programma di esecuzione, la quota di pesi scaricati, il modello e l'hardware. In pratica, però, in queste situazioni le prestazioni possono diminuire di 5-10 volte.
Una grande quantità di RAM di sistema accanto a una piccola GPU dedicata non si trasforma automaticamente nella stessa quantità di VRAM veloce.
Le soluzioni basate su NVIDIA RTX/DGX Spark, AMD Ryzen AI Max e Apple Silicon Max/Ultra hanno un'impostazione diversa: l'acceleratore grafico può accedere a una grande quantità di memoria condivisa nell'architettura supportata. Questo amplia la scelta di modelli grandi.
128GB o più è il riferimento scelto in questo articolo per modelli grandi capaci di svolgere attività per le quali gli utenti ricorrono normalmente a modelli cloud tramite API o abbonamento. Per modelli specializzati più piccoli o esperimenti con modelli ultraquantizzati e distillati e una finestra di contesto limitata, può bastare una quantità inferiore.
Una maggiore quantità di memoria lascia anche margine per comprimere meno i pesi, preservando meglio la qualità, e per una finestra di contesto più ampia.
Dove l'IA locale è utile nel lavoro quotidiano
Assistente per i documenti interni. Se disponete di una grande base di dati documentale, può essere opportuno costruire un sistema RAG, che prima trova i passaggi pertinenti nella base di conoscenza locale e poi li fornisce al modello LLM per rispondere con riferimenti ai documenti. Un LLM può cercare parole chiave nella documentazione, ma se lavorare con archivi di documenti è l'attività principale, un RAG può rendere la ricerca più precisa ed efficiente, perché si tratta di un database vettoriale.
Lavoro con il codice sorgente. Il modello aiuta a spiegare parti del progetto, proporre modifiche, scrivere codice ed eseguire test. I migliori modelli di Anthropic o OpenAI daranno risultati migliori, ma sono soluzioni cloud non accessibili a tutti, non sempre utilizzabili per ragioni di riservatezza e potenzialmente molto costose. Se il vostro ambiente di lavoro ne consente l'uso, potete distribuire il carico: delegare le operazioni di routine ai modelli locali e affidare la revisione finale e l'architettura ai migliori modelli cloud.
Esecuzione di test e operazioni di routine in background, di notte. Il vostro team può avere attività ricorrenti da avviare secondo uno scenario, un evento o un calendario e che richiedono strumenti: estrazione e analisi dei log, test delle release, ricerca di nuovi documenti sia nelle fonti locali sia su internet.
Assistente condiviso per un piccolo team. Una workstation compatta può essere collocata in ufficio, con accesso al modello locale da più computer. NVIDIA PAIR può distribuire richieste indipendenti di Ollama o LM Studio tra i sistemi compatibili collegati.
Generazione di immagini. Per un computer con 128GB di memoria, vale la pena considerare FLUX.1-dev per le immagini: l'insieme scelto di pesi di Diffusers, con gli encoder di testo e il VAE, occupa circa 33.74GB. NVIDIA pubblica istruzioni per l'esecuzione tramite ComfyUI su DGX Spark.
Generazione di video. Un esempio di modello locale per questo caso d'uso è Wan2.2-T2V-A14B: l'insieme originale con due esperti in FP32, encoder di testo e VAE occupa circa 126.18GB. Il suo esempio ufficiale per 720p richiede almeno 80GB.
Sintesi vocale. Per generare parlato in lingue diverse si può utilizzare Qwen3-TTS-12Hz-1.7B-CustomVoice insieme al tokenizer vocale; i file dei pesi occupano circa 4.52GB. Un'alternativa più grande è MOSS-TTS-v1.5 con 8B parametri: 31 lingue, clonazione della voce da un campione, registrazioni lunghe, controllo della durata, della pronuncia tramite IPA e delle pause. I pesi principali occupano circa 16.98GB, mentre il componente obbligatorio MOSS-Audio-Tokenizer - altri 7.10GB, per un totale di circa 24.08GB. La licenza Apache 2.0 consente l'uso commerciale. Si tratta di un insieme di funzioni più ampio, non della prova di una resa migliore con qualsiasi testo.
Riconoscimento vocale. Per trascrivere in locale riunioni, interviste e note vocali è adatto Qwen3-ASR-1.7B: il modello supporta 30 lingue, incluso il russo, rilevamento automatico della lingua e riconoscimento in streaming. I file dei pesi BF16 occupano circa 4.70GB. Per i timestamp delle parole si utilizza inoltre Qwen3-ForcedAligner-0.6B con circa 1.84GB di pesi. Entrambi i modelli sono disponibili sotto Apache 2.0. Il consumo di memoria durante l'esecuzione supera la dimensione dei file e dipende dai buffer e dai flussi paralleli.
Una grande quantità di memoria condivisa non garantisce da sola l'esecuzione: per ogni chip, soprattutto AMD e Apple, bisogna verificare la compatibilità del programma di esecuzione, la memoria disponibile per l'acceleratore e la precisione supportata.
Quali modelli sono adatti ai computer con 32-768GB
Abbiamo sottolineato che, per un lavoro professionale serio con modelli capaci di sostituire le soluzioni cloud in molte situazioni, serve una macchina con 128GB di memoria. Di seguito viene fornito anche il riferimento del modello dense Qwen3.8-27B, utilizzabile per la programmazione e caricabile su una macchina con meno memoria.
I riferimenti principali restano comunque i moderni e molto capaci modelli MoE aperti Qwen3.8-Flash-Next e GLM-5.3-Flash. Qwen3.8 Flash è una release per il cloud, mentre Flash-Next è una release aperta per l'installazione locale.
Nei modelli MoE, per ogni token è attiva solo una parte dei parametri, ma in memoria deve essere collocato l'intero insieme dei pesi.
La quantizzazione riduce le dimensioni dei pesi e della cache grazie a una rappresentazione più compatta dei numeri; le varianti miste UD usano precisioni diverse per le diverse parti del modello. La quantizzazione influisce inevitabilmente sulla qualità, ma l'effetto dipende da quanto è aggressiva. Si ritiene che una quantizzazione fino a 4 bit (Q4) possa essere accettabile per il lavoro, mentre Q8 è spesso molto vicina all'originale. Di seguito sono riportati specifici GGUF pubblicati e la somma di tutte le parti dei loro pesi. La dimensione del file non equivale al consumo dell'intero programma: serve anche memoria per il sistema operativo, i buffer di lavoro, la cache KV e la lunghezza di contesto scelta.
Se la macchina o il cluster ha molta memoria libera, può ospitare più copie del modello o modelli diversi da utilizzare contemporaneamente.
Memoria | Criteri di scelta | |||
|---|---|---|---|---|
32GB | Q4 + riserva non entrano | Q4 + riserva non entrano | Qwen27B: un contesto di 32K entra; 64K è al limite; 128K+ non entra. | |
64GB | Q4 + riserva non entrano | Q4 + riserva non entrano | Qwen27B: entra fino a 256K di contesto. | |
128GB | Q4 + riserva non entrano | Qwen27B: fino a 256K. Flash-Next: 32K/64K entrano; 128K è al limite. | ||
192GB | Q4 + riserva non entrano | Qwen27B e Flash-Next: fino a 256K. | ||
256GB | Entra un contesto fino a 256K. | |||
512GB | Contesto fino a 256K. Per un cluster di 4 nodi servono altri 36GB per Qwen27B, 60GB per Flash-Next e 72GB per GLM Flash: sistema operativo e buffer servono su ciascun nodo. | |||
768GB | Contesto fino a 256K. Per un cluster di 4 nodi servono altri 36GB per Qwen27B, 60GB per Flash-Next e 72GB per GLM Flash: sistema operativo e buffer servono su ciascun nodo. |
Confronto dei modelli con le stesse versioni dei test
I valori seguenti sono percentuali tratte dalle pubblicazioni degli sviluppatori delle release originali, non risultati delle versioni GGUF quantizzate scelte. Le stesse versioni dei test non garantiscono lo stesso ambiente dell'agente e le stesse impostazioni. Per esempio, Qwen3.8-27B è stato testato in SWE-bench Pro e DeepSWE 1.1 con l'ambiente di agente Claude Code e un contesto di 256K.
Oltre ai modelli aperti, la tabella riporta come riferimento i valori dei benchmark di noti modelli cloud.
SWE-bench Pro e DeepSWE mostrano il lavoro con il codice;
Terminal-Bench 2.1: attività di esecuzione autonoma con agenti;
GPQA Diamond e HLE with tools: domande complesse e ragionamento, nel secondo caso con strumenti.
Modello e fonte | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Valore non disponibile | |
62.5 | Valore non disponibile | 58.7 | 91.7 | Valore non disponibile | |
Valore non disponibile | 84.3 | 63.4 | Valore non disponibile | 55.3 | |
Valore non disponibile | 90.6 | 74.2 | 90.9 | 63.9 | |
Valore non disponibile | Valore non disponibile | Valore non disponibile | Valore non disponibile | 64.5 | |
Valore non disponibile | Valore non disponibile | Valore non disponibile | 89.9 | 49.0 | |
Valore non disponibile | 88.8 | 72.7 | Valore non disponibile | 64.5 | |
53.4 | Valore non disponibile | Valore non disponibile | 91.3 | Valore non disponibile | |
Valore non disponibile | 85.0 | 58.0 | Valore non disponibile | 57.9 |
Confronto delle prestazioni dei processori e della velocità della memoria
I valori di picco seguenti provengono dalla documentazione dei produttori. Le prestazioni FP4 di NVIDIA e i TOPS complessivi di AMD descrivono modalità diverse e non costituiscono una classifica diretta della velocità. Apple non pubblica una metrica di picco di IA comparabile alle specifiche citate, quindi sono indicati i core di calcolo e la larghezza di banda della memoria.
Chip nella configurazione superiore | Prestazioni pubblicate | Memoria e velocità | Fonte |
|---|---|---|---|
NVIDIA RTX Spark N1X | Fino a 1PFLOP FP4; CPU con 20 core, GPU con 6144 core CUDA | Fino a 128GB di memoria condivisa; 300GB/s, bus a 256 bit secondo la documentazione NVIDIA | |
NVIDIA GB10 Grace Blackwell | Fino a 1PFLOPS FP4 con sparsità; CPU con 20 core | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS complessivi, NPU fino a 50TOPS; CPU con 16 core, Radeon 8060S 40 CU | 128GB; su Framework LPDDR5X 8000MT/s, 256 bit (calcolo: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS complessivi, NPU fino a 55TOPS; CPU con 16 core, Radeon 8065S 40 CU | 192GB su Framework; LPDDR5X 8533MT/s, 256 bit (calcolo: 273.1GB/s) | |
Apple M4 Max | CPU con 16 core, GPU con 40 core, NPU con 16 core | 128GB; 546GB/s | |
Apple M3 Ultra | CPU con 32 core, GPU con 80 core, NPU con 32 core | Fino a 512GB al lancio; 819GB/s | |
Apple M5 Max | CPU con 18 core, GPU con 40 core, NPU con 16 core | 128GB; 614GB/s | |
Apple M5 Ultra | CPU con 36 core, GPU con 80 core, NPU con 32 core | Fino a 512GB; 1.2TB/s |
RTX Spark N1X e GB10 hanno architetture simili: nelle versioni superiori entrambi hanno 20 core Arm di CPU e una GPU Blackwell con 6144 core CUDA. Tuttavia, le specifiche ufficiali di RTX Spark distinguono il N1X per portatili con TDP di 45-80W dal modello desktop con TDP del processore di 140W; anche GB10 ha un TDP di 140W. Esiste inoltre un N1X per portatili di fascia inferiore con 18 core CPU e 5120 core CUDA. Fate attenzione alla versione del processore.
Per la memoria, NVIDIA indica 300GB/s per N1X, mentre per GB10 indica 273GB/s.
N1X è progettato per Windows on Arm; DGX Spark usa Linux.
Nelle fonti verificate non è stato trovato un test comparativo di N1X e GB10 con lo stesso modello, quantizzazione e contesto. Si può quindi soltanto supporre che i risultati del N1X desktop siano comparabili a quelli di GB10.
Per AMD esistono misurazioni dirette: Tom's Hardware ha confrontato Ryzen AI Halo con Max+ 395 e Dell Pro Max con GB10 in llama.cpp trámite llama-benchy. La tabella riporta i risultati con una profondità di contesto di 8192 token, un input di 2048 e una risposta di 256 token; l'autore ha usato GGUF Unsloth Q4_K_M. La macchina AMD aveva 128GB LPDDR5X-8000 e un TDP nominale di 120W. TTFT è la latenza fino al primo token; nella generazione, più token al secondo significano una risposta più rapida.
Modello di test | AMD 395: TTFT | GB10: TTFT | AMD 395: generazione | GB10: generazione |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 token/s | 58.9 token/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 token/s | 50.7 token/s |
In questi due test, GB10 vince sia nel TTFT sia nella velocità di generazione. L'autore osserva che la memorizzazione dell'input nella cache può ridurre la differenza di TTFT.
La velocità dell'intera attività dell'agente può dare un risultato diverso. Nel test HEPA condotto da AMD entrambe le macchine eseguivano Qwen3.6-35B-A3B in formato a 4 bit e preparavano una presentazione a partire dagli stessi documenti locali. AMD Halo ha concluso in 311.6s, DGX Spark in 367.1s, anche se la singola fase GPU era più veloce su Spark: 137.2s contro 159.5s. Sette delle otto fasi erano eseguite sulla CPU. È l'esempio di uno specifico test del produttore: per un agente conviene misurare anche il tempo fino al risultato finale, includendo ricerca, elaborazione dei documenti e verifica della risposta.
Per confrontare le soluzioni Apple e NVIDIA, lo sviluppatore EXO indica circa 26TFLOPS FP16 per M3 Ultra e circa 100TFLOPS FP16 per DGX Spark. Queste stime danno una differenza di circa 3.8 volte nelle prestazioni di picco FP16, ma non garantiscono la stessa differenza nella velocità di un LLM locale.
Che cosa conta di più per la velocità: memoria o unità di calcolo?
Durante la generazione della risposta, un modello denso, per esempio Qwen3.8-27B, usa tutti i suoi strati e pesi. Con una o poche richieste, l'acceleratore spesso attende la lettura dei dati: la larghezza di banda della memoria è quindi importante, perché influisce sulla velocità con cui compaiono i token successivi.
Durante il prefill, il computer elabora il testo in ingresso e crea la cache KV; un input lungo offre più possibilità di calcolo matriciale parallelo. In questa fase di prefill, unità di calcolo potenti possono ridurre l'attesa del primo token. L'effetto dei grandi batch di richieste e la previsione sono analizzati in un articolo separato di NVIDIA.
Per un agente che riceve ripetutamente un contesto e restituisce una risposta breve o una chiamata a uno strumento, il prefill può occupare una parte significativa dell'attesa. Inoltre, i modelli MoE citati, Qwen3.8-Flash-Next e GLM-5.3-Flash, utilizzano soltanto gli esperti selezionati, riducendo il requisito di velocità della memoria rispetto ai modelli densi, anche se rimane un fattore importante delle prestazioni complessive.
Lo sviluppatore EXO ha misurato lo stesso Llama-3.1 8B FP16: input di 8192 token, risposta di 32 token. Su DGX Spark il prefill ha richiesto 1.47s, la generazione 2.87s, per un totale di 4.34s; su M3 Ultra Mac Studio, 5.57s, 0.85s e 6.42s. In questo test Spark ha vinto nell'elaborazione dell'input, Mac nella generazione.
Cluster: 512GB con NVIDIA e 768GB con AMD
Con DGX Spark su GB10, ogni macchina di fascia superiore contiene 128GB. Quattro macchine totalizzano 512GB. NVIDIA Sync supporta la configurazione di questo cluster; per quattro nodi serve uno switch di rete QSFP appropriato, mentre un collegamento diretto è adatto a configurazioni più piccole.
Anche AMD offre un percorso per l'esecuzione distribuita: l'azienda pubblica un esempio con quattro nodi e llama.cpp RPC. Inoltre, Framework dichiara il collegamento di quattro Desktop con Ryzen AI Max+ PRO 495 e 192GB per nodo, fino a 768GB complessivi.
In entrambi i casi, la somma della memoria non diventa automaticamente uno spazio di indirizzamento unico. Il programma orchestratore deve distribuire il modello tra i nodi; la velocità dipende dalla rete e dal metodo di parallelizzazione.
Un cluster può essere configurato per ospitare un modello grande, accelerare una singola richiesta o aumentare le prestazioni complessive del servizio. A questo scopo si usano diverse strategie di distribuzione:
Tensor parallel: i nodi calcolano contemporaneamente parti delle matrici degli stessi strati. Elaborano insieme la richiesta, ma si scambiano spesso i risultati.
Expert parallel: gli esperti MoE sono collocati su nodi diversi e i token vengono inviati agli esperti necessari. La parallelizzazione può aiutare, ma lo scambio di dati e il carico sbilanciato possono annullare il vantaggio.
Pipeline parallel: i gruppi di strati sono suddivisi in fasi consecutive. Un token le attraversa in ordine; più richieste o microbatch possono occupare fasi diverse contemporaneamente. Sono possibili tempi morti della pipeline, ma è uno scenario efficiente con un grande flusso di attività sequenziali.
Data parallel: copie diverse del modello servono richieste indipendenti. Questo aumenta la capacità complessiva del servizio se c'è memoria sufficiente per le copie, ma non accelera automaticamente una singola richiesta.
Le modalità possono essere combinate, per esempio tensor + pipeline o tensor + expert, se il programma scelto lo supporta. La presenza di quattro nodi non garantisce un'accelerazione: contano rete, sincronizzazione, dimensione del batch e bilanciamento del carico. NVIDIA spiega separatamente come scegliere la suddivisione del modello in base all'hardware.
Per DGX Spark esiste una ricetta ufficiale vLLM a due nodi: Qwen3.8-27B NVFP4, tensor parallel su due nodi e raggruppamento continuo di più richieste in un batch. Questo esempio mostra che il calcolo condiviso del modello può anche servire a richieste parallele.
Soluzioni per modelli di IA locali dei principali produttori di computer
Le tabelle elencano famiglie di computer con configurazioni superiori a 128GB o più.
Sono indicati separatamente il protocollo di ricarica che l'adattatore deve supportare e la potenza necessaria per alimentare il computer.
Notebook e workstation con NVIDIA RTX Spark N1X
Modello, chip e intervallo di memoria | Ricarica con adattatore USB-C (PD) | Documentazione e negozio |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | fino a 128GB di memoria unificata | - | |
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 di memoria condivisa | USB-C PD IN, EPR PD 3.1; alimentatore da 240W incluso; la potenza richiesta in ingresso e il profilo non sono indicati | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | fino a 128GB di memoria unificata | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery è dichiarato su tre porte 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 | fino a 128GB di memoria unificata | USB PD 3.2; USB-C GaN alimentatore 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; un alimentatore USB-C da 140W è incluso in alcune configurazioni; la potenza massima in ingresso non è indicata. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimo 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB di memoria unificata | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | fino a 128GB LPDDR5X di memoria unificata | USB-C PD IN; alimentatore 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Workstation NVIDIA GB10 / DGX Spark
Modello, chip e intervallo di memoria | Ricarica con adattatore USB-C (PD) | Documentazione e negozio |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Alimentatore USB-C incluso da 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. La scheda tecnica indica un ingresso fino a 180W; alimentatore incluso da 240W | |
Dell Pro Precision with GB10 (FCM1253; in precedenza Dell Pro Max with GB10) | GB10 | 128GB | Alimentatore USB-C di serie da 280W, 48V5.83A; versione PD non indicata. È una modalità non standard 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; alimentatore da 240W incluso; la potenza richiesta in ingresso, il profilo di tensione e la versione PD non sono indicati. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Ingresso USB-C dedicato, alimentatore da 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Ingresso USB-C dedicato con USB PD 3.1; alimentatore incluso da 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Alimentatore di serie USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | USB-C PD3.1 240W di serie | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Alimentatore incluso; potenza e modalità PD non indicate |
Ryzen AI Max+ 395 e nuovi modelli con 192GB
Modello, chip e intervallo di memoria | Ricarica con adattatore USB-C (PD) | Altro ingresso DC o alimentatore di rete | Documentazione e negozio |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Connettore DC separato sul retro; la potenza dell'alimentatore incluso non è indicata nella fonte consultata. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Ingresso USB-C dedicato alla ricarica con l'alimentatore di serie | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB di memoria unificata | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Supporta USB PD 45-100W | Ingresso DC rettangolare: alimentatore da 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 nella versione superiore | 32-128GB | USB PD 3.0, 45-100W | Ingresso DC rettangolare: alimentatore da 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Alimentatore di rete interno da 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Alimentatore interno Flex ATX da 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Alimentatore interno Flex ATX da 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB di memoria condivisa | L'ingresso USB-C PD non è indicato nei materiali consultati | DC-in; alimentatore da 330W incluso | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: alimentatore da 19.5V11.8A, circa 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB di memoria unificata | L'alimentazione in ingresso tramite USB-C non è supportata | DC IN 19.5V16.9A, 330W; connettore 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 nella versione superiore | 16-128GB | - | Alimentatore di rete interno da 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 nella versione superiore | 16-128GB | Alimentatore USB-C da 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | fino a 192GB di memoria unificata | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | fino a 128GB di memoria unificata | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Alimentatore di rete interno da 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB di memoria unificata | - | Alimentatore interno 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Ingresso USB PD non indicato; entrambe le porte USB-C: uscita PD da 15W | Alimentatore di rete interno Flex da 300W |
Apple Silicon: le due generazioni più recenti
Per MacBook Pro si considerano M5 Max e M4 Max con GPU a 40 core e 128GB. Per Mac Studio, la generazione M5 Max / M5 Ultra e la precedente M4 Max / M3 Ultra. Apple aveva annunciato la versione M3 Ultra da 512GB al lancio, ma la pagina attuale delle specifiche mostra un massimo di 256GB.
Modello, chip e intervallo di memoria | Ricarica con adattatore USB-C (PD) | Altro ingresso DC o alimentatore di rete | Documentazione e negozio |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB richiede una GPU a 40 core | PD3.0 (<100W) | MagSafe 3: a partire da PD 3.0 | Specifiche | Ricarica rapida | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB richiede una GPU a 40 core | PD3.1 (140W) | MagSafe 3: a partire da PD 3.1 | Specifiche | Ricarica rapida | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB richiede una GPU a 40 core | - | Alimentatore di rete integrato; 480W | Specifiche | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB nella specifica attuale; 512GB al lancio | - | Alimentatore di rete integrato; 480W | Specifiche | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: consegne più avanti a ottobre 2026 | - | Alimentatore di rete integrato; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB richiede una GPU a 40 core | PD3.0 (<100W) | MagSafe 3: a partire da PD 3.0 | Specifiche | Ricarica rapida | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB richiede una GPU a 40 core | PD3.1 (140W) | MagSafe 3: a partire da PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB richiede una GPU a 40 core | - | Alimentatore di rete integrato; 480W | Specifiche | Amazon.com(36Gb) |
MagSafe 3 sui MacBook è un connettore proprietario sul lato del portatile, che riceve alimentazione da un adattatore USB-C tramite il cavo corrispondente.
Come garantire un'alimentazione elettrica affidabile al computer
Controllate il contenuto della confezione: alcune configurazioni sono vendute senza adattatore, soprattutto in Europa, mentre altre lo includono.
Un computer che lavorerà per molte ore ogni giorno con un modello di IA locale necessita di una fonte affidabile, capace di erogare a lungo la potenza richiesta senza interruzioni.
Verificate tensione, corrente, protocollo e cavo ammesso nella documentazione della macchina specifica. Se il produttore richiede un alimentatore proprietario o una modalità non standard, la presenza di un connettore USB-C non giustifica la sostituzione con un qualsiasi caricatore potente.
Se scegliete un alimentatore con più porte, considerate la potenza erogata da una singola porta e come cambia quando si collega un secondo dispositivo, se questo scenario vi interessa.