Persoonlijke AI: laptops, werkstations en hun mogelijkheden
Bijgewerkt op: 1 dag geleden
De komst van krachtige centrale processors van NVIDIA, AMD en Apple Silicon, samen met een grote hoeveelheid gedeeld geheugen, heeft lokale AI beschikbaar gemaakt in verschillende vormen: van laptops tot compacte werkstations voor thuis. Deze nieuwe klasse computers, die vooral is ontworpen om AI-modellen lokaal uit te voeren, wordt soms ook aangeduid als "agentische computers".
Ze delen een architectuur waarin de processor en de geïntegreerde grafische versneller dezelfde grote hoeveelheid snelle geheugen gebruiken. Hierdoor kan een groot, veelzijdig LLM-model dicht bij de rekeneenheden worden opgeslagen, zonder voortdurend delen ervan via een trage verbinding naar een aparte videokaart te verplaatsen.
De belangrijkste praktische reden om AI lokaal te draaien is de mogelijkheid om documenten, broncode en interne kennisbanken te verwerken zonder ze naar een clouddienst te sturen. Voor een bedrijf is dat nuttig en vaak essentieel bij het werken met vertrouwelijke informatie of een besloten bedrijfsrepository met broncode.
Een ander voordeel van het lokaal draaien van een LLM is dat je bij een lokaal model niet voor elk API-verzoek betaalt. De directe gebruikskosten van zo'n model bestaan uit de elektriciteit om de computer van stroom te voorzien. Houd echter ook rekening met de aanschafkosten van de machine, die je overigens meerdere jaren zal dienen. Lokaal draaien maakt het ook mogelijk om zonder internet te werken en zelf het model te kiezen dat het best past bij specifieke taken (programmeren, agentwerk, vertalen, het genereren van afbeeldingen, video, audio enz.).
Waarom is veel gedeeld geheugen zo belangrijk?
Een gewone pc met een discrete GPU kan ook een uitstekende machine voor lokale AI zijn. Zolang het gekozen model volledig in de VRAM past en er ruimte overblijft voor de KV-cache en werkbuffers, kan de versneller verzoeken heel snel verwerken. Het zou daarom niet helemaal correct zijn om alle computers met een aparte videokaart ongeschikt voor AI te noemen.
De beperking ontstaat wanneer een groot model (juist grote modellen zijn het waardevolst en nodig voor professioneel gebruik) niet meer in het videogeheugen past. Het programma meldt dan een geheugentekort, verplaatst een deel van het werk naar de CPU en het systeem-RAM, of laadt gewichten vanuit RAM of een SSD. Zulke verplaatsingen en tragere opslag kunnen de vertraging sterk vergroten, tot een onaanvaardbaar niveau voor een interactieve assistent. Er bestaat geen vaste factor voor de snelheidsdaling: de uitvoersoftware, het aandeel verplaatste gewichten, het model en de hardware zijn bepalend. In de praktijk kan de prestatie in zulke situaties echter 5-10 keer lager zijn.
Veel systeem-RAM naast een kleine discrete GPU wordt niet automatisch een even grote hoeveelheid snelle VRAM.
Bij oplossingen op basis van NVIDIA RTX/DGX Spark, AMD Ryzen AI Max en Apple Silicon Max/Ultra ligt het accent anders: binnen de ondersteunde architectuur heeft de grafische versneller toegang tot een grote hoeveelheid gedeeld geheugen. Dat vergroot de keuze aan grote modellen.
128GB en meer is de richtwaarde die dit artikel hanteert voor grote modellen die taken aankunnen waarvoor gebruikers doorgaans cloudmodellen via een API of abonnement inzetten. Voor kleinere gespecialiseerde modellen of experimenten met extreem gekwantiseerde en gedistilleerde modellen met een beperkt contextvenster kan minder geheugen voldoende zijn.
Grote hoeveelheden geheugen bieden ook ruimte voor minder compressie van de gewichten (en daarmee beter behoud van kwaliteit) en een groter contextvenster.
Waar lokale AI nuttig is in het dagelijkse werk
Assistent voor interne documenten. Als je een grote database met documentatie hebt, kan het zinvol zijn om een systeem te bouwen met RAG, dat eerst passende fragmenten in de lokale kennisbank vindt en ze vervolgens aan het LLM-model doorgeeft voor een antwoord met verwijzingen naar documenten. Een LLM kan op trefwoorden in documentatie zoeken, maar als werken met documentarchieven de hoofdtaak is, kan RAG het zoeken nauwkeuriger en efficiënter maken, omdat het een vectordatabase is.
Werken met broncode. Het model helpt delen van een project uit te leggen, wijzigingen voor te stellen, code te schrijven en te testen. Topmodellen van Anthropic of OpenAI leveren een beter resultaat, maar dit zijn cloudoplossingen die niet voor iedereen beschikbaar zijn, vanwege vertrouwelijkheid niet altijd bruikbaar zijn en erg duur kunnen zijn in gebruik. Als cloudoplossingen binnen je werkomgeving wel zijn toegestaan, kun je de werklast verdelen: routinetaken gaan naar lokale modellen, terwijl topmodellen uit de cloud de uiteindelijke review en architectuur afhandelen.
Tests en routines taken op de achtergrond ('s nachts) uitvoeren. Je team kan regelmatig terugkerende taken hebben die volgens een bepaald scenario, bij een gebeurtenis of volgens een planning moeten starten en tools gebruiken: logs uitlezen en analyseren, releases testen en nieuwe documenten zoeken in zowel lokale bronnen als op internet.
Gedeelde assistent voor een klein team. Je kunt een compact werkstation op kantoor plaatsen en het lokale model vanaf meerdere computers benaderen. NVIDIA PAIR kan onafhankelijke Ollama- of LM Studio-verzoeken verdelen over aangesloten compatibele systemen.
Afbeeldingen genereren. Voor een computer met 128GB geheugen is FLUX.1-dev het overwegen waard voor afbeeldingen: de gekozen Diffusers-gewichtenset neemt samen met de tekstencoders en VAE ongeveer 33.74GB in. NVIDIA publiceert instructies om dit via ComfyUI op DGX Spark te draaien.
Video genereren. Een voorbeeld van een lokaal model voor dit gebruik is Wan2.2-T2V-A14B: de oorspronkelijke set met twee experts in FP32, een tekstencoder en VAE neemt ongeveer 126.18GB in. Het officiële voorbeeld voor 720p vereist minstens 80GB.
Spraaksynthese. Voor het genereren van spraak in verschillende talen kun je Qwen3-TTS-12Hz-1.7B-CustomVoice gebruiken samen met de spraaktokenizer; de gewichtsbestanden nemen ongeveer 4.52GB in. Een groter alternatief is MOSS-TTS-v1.5 met 8B parameters: 31 talen, stemklonen op basis van een voorbeeld, lange opnamen, controle over de duur, uitspraak via IPA en pauzes. De hoofdgewichten nemen ongeveer 16.98GB in en de vereiste MOSS-Audio-Tokenizer nog eens 7.10GB, samen ongeveer 24.08GB. De Apache 2.0-licentie staat commercieel gebruik toe. Dit is een breder functieaanbod en geen bewijs van beter geluid bij elke tekst.
Spraakherkenning. Voor het lokaal transcriberen van vergaderingen, interviews en spraaknotities kun je gebruikmaken van Qwen3-ASR-1.7B: het model ondersteunt 30 talen, waaronder Russisch, automatische taalherkenning en streamingherkenning. De BF16-gewichtsbestanden nemen ongeveer 4.70GB in. Voor tijdstempels op woordniveau wordt aanvullend Qwen3-ForcedAligner-0.6B gebruikt, met gewichten van ongeveer 1.84GB. Beide modellen zijn beschikbaar onder Apache 2.0. Het geheugengebruik tijdens uitvoering is groter dan de bestandsgrootte en hangt af van buffers en parallelle streams.
Veel gedeeld geheugen garandeert op zichzelf niet dat een model kan draaien: controleer voor elke chip, vooral van AMD en Apple, de compatibiliteit van de uitvoersoftware, de hoeveelheid geheugen die de versneller kan gebruiken en de ondersteunde precisie.
Welke modellen passen bij computers met 32-768GB
Hoewel we benadrukken dat je voor serieus professioneel werk met modellen die in veel situaties cloudoplossingen kunnen vervangen een machine met 128GB geheugen nodig hebt, geven we hieronder ook een richtpunt in de vorm van het dense-model Qwen3.8-27B. Dit model kan ook voor programmeren worden gebruikt en past in een machine met minder geheugen.
De belangrijkste richtpunten zijn echter moderne, zeer capabele open MoE-modellen: Qwen3.8-Flash-Next en GLM-5.3-Flash. Qwen3.8 Flash is een cloudrelease, terwijl Flash-Next een open release voor lokale installatie is.
Bij MoE-modellen is per token slechts een deel van de parameters actief, maar de volledige gewichtenset moet in het geheugen passen.
Kwantisatie van modellen verkleint de gewichten en de cache door getallen compacter weer te geven; gemengde UD-varianten gebruiken verschillende precisies voor verschillende modelonderdelen. Kwantisatie beïnvloedt onvermijdelijk de kwaliteit, maar het effect hangt af van hoe agressief ze is. Kwantisatie tot 4 bits (Q4) wordt doorgaans als bruikbaar beschouwd, terwijl Q8 vaak erg dicht bij het origineel ligt. Hieronder staan specifieke gepubliceerde GGUF-bestanden en de som van alle delen van hun gewichten. De bestandsgrootte is niet gelijk aan het geheugengebruik van het hele programma: het besturingssysteem, werkbuffers, de KV-cache en de gekozen contextlengte vragen apart geheugen.
Als een machine of cluster veel vrij geheugen heeft, kun je meerdere kopieën van een model of verschillende modellen plaatsen voor gelijktijdig gebruik.
Geheugen | Keuzevoorwaarden | |||
|---|---|---|---|---|
32GB | Q4 + reserve past niet | Q4 + reserve past niet | Qwen27B: 32K context past; 64K is grensgeval; 128K+ past niet. | |
64GB | Q4 + reserve past niet | Q4 + reserve past niet | Qwen27B: tot 256K context past. | |
128GB | Q4 + reserve past niet | Qwen27B: tot 256K. Flash-Next: 32K/64K past; 128K is grensgeval. | ||
192GB | Q4 + reserve past niet | Qwen27B en Flash-Next: tot 256K. | ||
256GB | Context tot 256K past. | |||
512GB | Context tot 256K. Voor een cluster van 4 nodes is nog eens 36GB nodig bij Qwen27B, 60GB bij Flash-Next en 72GB bij GLM Flash: op elke node zijn het besturingssysteem en buffers nodig. | |||
768GB | Context tot 256K. Voor een cluster van 4 nodes is nog eens 36GB nodig bij Qwen27B, 60GB bij Flash-Next en 72GB bij GLM Flash: op elke node zijn het besturingssysteem en buffers nodig. |
Modellen vergelijken met dezelfde testversies
De onderstaande waarden zijn percentages uit publicaties van de ontwikkelaars van de oorspronkelijke releases, geen resultaten van de gekozen gekwantiseerde GGUF-versies. Dezelfde testversies garanderen niet dezelfde agentomgeving en instellingen. Qwen3.8-27B werd bijvoorbeeld getest in SWE-bench Pro en DeepSWE 1.1 met Claude Code als agentomgeving en een context van 256K.
Naast open modellen bevat de tabel ter vergelijking benchmarkwaarden van bekende cloudmodellen.
SWE-bench Pro en DeepSWE tonen prestaties bij codewerk;
Terminal-Bench 2.1 betreft agenttaken die zelfstandig worden uitgevoerd;
GPQA Diamond en HLE with tools betreffen moeilijke vragen en redeneren, in het tweede geval met tools.
Model en bron | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Geen waarde | |
62.5 | Geen waarde | 58.7 | 91.7 | Geen waarde | |
Geen waarde | 84.3 | 63.4 | Geen waarde | 55.3 | |
Geen waarde | 90.6 | 74.2 | 90.9 | 63.9 | |
Geen waarde | Geen waarde | Geen waarde | Geen waarde | 64.5 | |
Geen waarde | Geen waarde | Geen waarde | 89.9 | 49.0 | |
Geen waarde | 88.8 | 72.7 | Geen waarde | 64.5 | |
53.4 | Geen waarde | Geen waarde | 91.3 | Geen waarde | |
Geen waarde | 85.0 | 58.0 | Geen waarde | 57.9 |
Processorprestaties en geheugensnelheid vergelijken
De onderstaande piekwaarden komen uit de documentatie van fabrikanten. De FP4-prestaties van NVIDIA en de totale TOPS van AMD beschrijven verschillende modi en vormen geen directe snelheidsranglijst. Apple publiceert in de genoemde specificaties geen vergelijkbare AI-piekwaarde, daarom vermelden we de rekenkernen en de geheugenbandbreedte.
Chip in de hoogste configuratie | Gepubliceerde prestaties | Geheugen en snelheid | Bron |
|---|---|---|---|
NVIDIA RTX Spark N1X | Tot 1PFLOP FP4; CPU 20 kernen, GPU 6144 CUDA-kernen | Tot 128GB gedeeld geheugen; 300GB/s, 256 bits bus volgens de documentatie van NVIDIA | |
NVIDIA GB10 Grace Blackwell | Tot 1PFLOPS FP4 met sparsity; CPU 20 kernen | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS totaal, NPU tot 50TOPS; CPU 16 kernen, Radeon 8060S 40 CU | 128GB; bij Framework LPDDR5X 8000MT/s, 256 bits (berekend: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS totaal, NPU tot 55TOPS; CPU 16 kernen, Radeon 8065S 40 CU | 192GB bij Framework; LPDDR5X 8533MT/s, 256 bits (berekend: 273.1GB/s) | |
Apple M4 Max | CPU 16 kernen, GPU 40 kernen, NPU 16 kernen | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 kernen, GPU 80 kernen, NPU 32 kernen | Tot 512GB bij introductie; 819GB/s | |
Apple M5 Max | CPU 18 kernen, GPU 40 kernen, NPU 16 kernen | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 kernen, GPU 80 kernen, NPU 32 kernen | Tot 512GB; 1.2TB/s |
RTX Spark N1X en GB10 hebben een vergelijkbare architectuur: de hoogste versies van beide hebben 20 Arm-CPU-kernen en een Blackwell GPU met 6144 CUDA-kernen. De officiële specificaties van RTX Spark onderscheiden echter de laptop-N1X met een TDP van 45-80W van de desktopversie met een processor-TDP van 140W; de GB10 heeft ook een TDP van 140W. Er is tevens een lagere laptop-N1X met 18 CPU-kernen en 5120 CUDA-kernen. Let op de processorversie.
Voor het geheugen vermeldt NVIDIA 300GB/s voor N1X, en 273GB/s voor GB10.
N1X is ontworpen voor Windows on Arm, terwijl DGX Spark Linux gebruikt.
In de gecontroleerde bronnen is geen rechtstreekse vergelijking van N1X en GB10 gevonden met hetzelfde model, dezelfde kwantisatie en dezelfde context. We kunnen daarom alleen aannemen dat de resultaten van de desktop-N1X vergelijkbaar zullen zijn met die van GB10.
Voor AMD zijn er directe metingen: Tom's Hardware vergeleek Ryzen AI Halo op Max+ 395 met Dell Pro Max op GB10 in llama.cpp via llama-benchy. De tabel toont resultaten bij een contextdiepte van 8192 tokens, een invoer van 2048 en een antwoord van 256 tokens; de auteur gebruikte GGUF Unsloth Q4_K_M. De AMD-machine had 128GB LPDDR5X-8000 en een nominale TDP van 120W. TTFT is de tijd tot het eerste token; meer tokens per seconde tijdens de generatie betekenen een sneller antwoord.
Testmodel | AMD 395: TTFT | GB10: TTFT | AMD 395: generatie | GB10: generatie |
|---|---|---|---|---|
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 |
In deze twee tests wint GB10 zowel op TTFT als op generatiesnelheid. De auteur merkt op dat het cachen van de invoer het verschil in TTFT kan verkleinen.
De snelheid van de volledige agenttaak kan een ander resultaat geven. In AMD's eigen HEPA-test draaiden beide machines Qwen3.6-35B-A3B in 4-bits formaat en maakten ze een presentatie uit dezelfde lokale documenten. AMD Halo voltooide het werk in 311.6s, DGX Spark in 367.1s, hoewel de afzonderlijke GPU-fase sneller was op Spark: 137.2s tegenover 159.5s. Zeven van de acht fasen draaiden op de CPU. Dit is een voorbeeld van een specifieke fabrikanttest: voor een agent moet je ook de tijd tot het volledige resultaat meten, inclusief zoeken, documentverwerking en controle van het antwoord.
Om oplossingen van Apple en NVIDIA te vergelijken, geeft ontwikkelaar EXO voor M3 Ultra ongeveer 26TFLOPS FP16 en voor DGX Spark ongeveer 100TFLOPS FP16 aan. Deze schattingen geven een verschil van ongeveer 3.8 keer in FP16-piekprestaties, maar dat is geen gegarandeerd verschil in snelheid van een lokaal LLM.
Wat is belangrijker voor snelheid: geheugen of rekeneenheden?
Bij het genereren van een antwoord gebruikt een dense-model (zoals Qwen3.8-27B) al zijn lagen en gewichten. Bij één of enkele verzoeken wacht de versneller vaak op het lezen van gegevens. Daarom is de geheugenbandbreedte belangrijk: die beïnvloedt hoe snel de volgende tokens verschijnen.
Tijdens prefill verwerkt de computer de invoertekst en maakt hij de KV-cache; lange invoer biedt meer mogelijkheden voor parallelle matrixberekeningen. In deze prefill-fase kunnen krachtige rekeneenheden het wachten op het eerste token verkorten. De invloed van grote batches, verzoeken en voorspellingen wordt besproken in een afzonderlijk artikel van NVIDIA.
Voor een agent die herhaaldelijk context ontvangt en een kort antwoord of een toolaanroep teruggeeft, kan prefill een aanzienlijk deel van de wachttijd innemen. De genoemde MoE-modellen Qwen3.8-Flash-Next en GLM-5.3-Flash gebruiken bovendien alleen geselecteerde experts. Dat verlaagt de vereiste geheugensnelheid (vergeleken met dense-modellen), hoewel dit nog steeds een belangrijke factor voor de totale prestaties blijft.
Ontwikkelaar EXO mat dezelfde Llama-3.1 8B FP16: invoer 8192 tokens, antwoord 32 tokens. Op DGX Spark duurde prefill 1.47s, generatie 2.87s en het geheel 4.34s; op M3 Ultra Mac Studio was dat 5.57s, 0.85s en 6.42s. In deze test won Spark bij het verwerken van de invoer en Mac bij generatie.
Clusters: 512GB bij NVIDIA en 768GB bij AMD
Bij DGX Spark op GB10 heeft elke machine in de hoogste uitvoering 128GB. Vier machines bieden samen 512GB. NVIDIA Sync ondersteunt het opzetten van zo'n cluster; voor vier nodes is een geschikte QSFP-netwerkswitch nodig, terwijl een directe verbinding geschikt is voor kleinere configuraties.
AMD biedt ook een route naar gedistribueerde uitvoering: het bedrijf publiceert een voorbeeld met vier nodes via llama.cpp RPC. Daarnaast stelt Framework dat vier Desktop-machines met Ryzen AI Max+ PRO 495 en 192GB per node samen tot 768GB kunnen bieden.
In beide gevallen wordt de som van het geheugen niet automatisch één adresruimte. De orkestratiesoftware moet het model over de nodes verdelen; de snelheid hangt af van het netwerk en de manier van paralleliseren.
Een cluster kan worden ingericht om een groot model te huisvesten, één verzoek te versnellen of de totale prestaties van een dienst te verhogen. Hiervoor bestaan verschillende verdelingsstrategieën:
Tensor parallel: nodes berekenen gelijktijdig delen van matrices van dezelfde lagen. Ze verwerken samen een verzoek, maar wisselen vaak resultaten uit.
Expert parallel: MoE-experts staan op verschillende nodes en tokens worden naar de juiste experts gestuurd. Parallelisatie kan helpen, maar gegevensuitwisseling en ongelijke belasting kunnen de winst tenietdoen.
Pipeline parallel: groepen lagen worden verdeeld over opeenvolgende fasen. Eén token doorloopt ze achtereenvolgens; meerdere verzoeken of microbatches kunnen verschillende fasen tegelijk vullen. De pijplijn kan stilvallen, maar dit is een efficiënt scenario bij een grote stroom opeenvolgende taken.
Data parallel: verschillende kopieën van het model bedienen onafhankelijke verzoeken. Dit verhoogt de totale verwerkingscapaciteit van de dienst als er voldoende geheugen is voor de kopieën, maar versnelt niet automatisch één verzoek.
Je kunt modi combineren, zoals tensor + pipeline of tensor + expert, als de gekozen software dit ondersteunt. Vier nodes op zichzelf garanderen geen versnelling: netwerk, synchronisatie, batchgrootte en verdeling van de belasting zijn bepalend. NVIDIA legt afzonderlijk uit, hoe je een modelverdeling kiest die bij de hardware past.
Voor DGX Spark is er een officieel vLLM-recept voor twee nodes: Qwen3.8-27B NVFP4, tensor parallel op twee nodes en het continu bundelen van meerdere verzoeken in batches. Dit voorbeeld laat zien dat gezamenlijk rekenen aan een model ook parallelle verzoeken kan bedienen.
Oplossingen voor lokale AI-modellen van toonaangevende computerfabrikanten
De tabellen tonen computerfamilies waarvan de hoogste configuraties 128GB of meer hebben.
We vermelden afzonderlijk welk laadprotocol de adapter moet ondersteunen en welk vermogen nodig is om de computer van stroom te voorzien.
Laptops en werkstations met NVIDIA RTX Spark N1X
Model, chip en geheugenbereik | Laden met een USB-C-adapter (PD) | Documentatie en winkel |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | tot 128GB gedeeld geheugen | - | |
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 gedeeld geheugen | USB-C PD IN, EPR PD 3.1; adapter van 240W inbegrepen; het vereiste ingangsvermogen en profiel zijn niet vermeld | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | tot 128GB gedeeld geheugen | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery is opgegeven voor drie USB-C 4.0-poorten | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | tot 128GB gedeeld geheugen | USB PD 3.2; USB-C GaN voedingsadapter 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; een USB-C-adapter van 140W wordt bij bepaalde configuraties meegeleverd; het maximale ingangsvermogen is niet vermeld. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimaal 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB gedeeld geheugen | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | tot 128GB LPDDR5X gedeeld geheugen | USB-C PD IN; voedingsadapter 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
NVIDIA GB10 / DGX Spark werkstations
Model, chip en geheugenbereik | Laden met een USB-C-adapter (PD) | Documentatie en winkel |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Meegeleverde USB-C-voeding 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Het technische blad vermeldt een ingang tot 180W; meegeleverde voeding 240W | |
Dell Pro Precision with GB10 (FCM1253; voorheen Dell Pro Max with GB10) | GB10 | 128GB | Standaard USB-C-voeding 280W, 48V5.83A; PD-versie niet vermeld. Dit is geen standaard 240W-48V5A-modus | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adapter van 240W inbegrepen; het vereiste ingangsvermogen, spanningsprofiel en de PD-versie zijn niet vermeld. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Aparte USB-C-ingang, voeding 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Speciale USB-C-ingang met USB PD 3.1; meegeleverde voeding 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Standaard voeding USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Standaard USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Voeding inbegrepen, vermogen en PD-modus niet vermeld |
Ryzen AI Max+ 395 en nieuwe modellen met 192GB
Model, chip en geheugenbereik | Laden met een USB-C-adapter (PD) | Andere DC-ingang of netvoeding | Documentatie en winkel |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Aparte DC-aansluiting aan de achterkant; het vermogen van de meegeleverde adapter is niet vermeld in de geraadpleegde bron. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Aparte USB-C-ingang voor laden met de standaardvoeding | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB gedeeld geheugen | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | USB PD 45-100W ondersteund | Rechthoekige DC-ingang: voeding 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 in de hoogste versie | 32-128GB | USB PD 3.0, 45-100W | Rechthoekige DC-ingang: voeding 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Interne netvoeding 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Interne Flex ATX-voeding 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Interne Flex ATX-voeding 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB gedeeld geheugen | USB-C PD-ingang is niet vermeld in de geraadpleegde documentatie | DC-in; adapter van 330W inbegrepen | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: voeding 19.5V11.8A, ongeveer 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB gedeeld geheugen | Voeding via USB-C wordt niet ondersteund | DC IN 19.5V16.9A, 330W; aansluiting 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 in de hoogste versie | 16-128GB | - | Interne netvoeding 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 in de hoogste versie | 16-128GB | USB-C-voeding 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | tot 192GB gedeeld geheugen | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | tot 128GB gedeeld geheugen | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Interne netvoeding 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB gedeeld geheugen | - | Interne voeding 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | USB PD-ingang niet vermeld; beide USB-C-poorten: PD-uitgang 15W | Interne Flex-netvoeding 300W |
Apple Silicon: de twee laatste generaties
Voor de MacBook Pro kijken we naar M5 Max en M4 Max met een GPU met 40 kernen en 128GB. Voor Mac Studio gaat het om de generatie M5 Max / M5 Ultra en de vorige M4 Max / M3 Ultra. Apple kondigde bij de introductie een M3 Ultra-versie met 512GB aan, maar de huidige specificatiepagina toont maximaal 256GB.
Model, chip en geheugenbereik | Laden met een USB-C-adapter (PD) | Andere DC-ingang of netvoeding | Documentatie en winkel |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB vereist een GPU met 40 kernen | PD3.0 (<100W) | MagSafe 3: vanaf PD 3.0 | Specificaties | Snelladen | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB vereist een GPU met 40 kernen | PD3.1 (140W) | MagSafe 3: vanaf PD 3.1 | Specificaties | Snelladen | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB vereist een GPU met 40 kernen | - | Ingebouwde netvoeding; 480W | Specificaties | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB in de huidige specificatie; 512GB bij introductie | - | Ingebouwde netvoeding; 480W | Specificaties | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: levering later in oktober 2026 | - | Ingebouwde netvoeding; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB vereist een GPU met 40 kernen | PD3.0 (<100W) | MagSafe 3: vanaf PD 3.0 | Specificaties | Snelladen | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB vereist een GPU met 40 kernen | PD3.1 (140W) | MagSafe 3: vanaf PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB vereist een GPU met 40 kernen | - | Ingebouwde netvoeding; 480W | Specificaties | Amazon.com(36Gb) |
MagSafe 3 op de MacBook is een eigen connector aan de laptopzijde die via de bijbehorende kabel stroom ontvangt van een USB-C-adapter.
Hoe zorg je voor een betrouwbare stroomvoorziening voor de computer
Controleer wat er wordt meegeleverd: sommige computerconfiguraties worden zonder adapter verkocht (vooral in Europa), terwijl deze bij andere is inbegrepen.
Een computer die dagelijks vele uren met een lokaal AI-model werkt, heeft een betrouwbare voeding nodig die langdurig het vereiste vermogen kan leveren zonder storingen.
Controleer spanning, stroom, protocol en toegestane kabel aan de hand van de documentatie van de specifieke machine. Als de fabrikant een eigen voeding of een niet-standaardmodus vereist, rechtvaardigt een USB-C-connector niet dat je die door een willekeurige krachtige lader vervangt.
Als je kiest voor een voeding met meerdere poorten, let dan op het vermogen dat één poort levert en hoe dat verandert wanneer je een tweede apparaat aansluit (als dat gebruiksscenario voor jou relevant is).