Personlig KI: bærbare datamaskiner, arbeidsstasjoner og mulighetene deres
Oppdatert: for 1 døgn siden
Kraftige sentralprosessorer fra NVIDIA, AMD og Apple Silicon, kombinert med store mengder delt minne, har gjort lokal KI tilgjengelig i ulike formater: fra bærbare datamaskiner til kompakte arbeidsstasjoner hjemme. Denne nye klassen datamaskiner, som først og fremst er laget for å kjøre KI-modeller lokalt, kalles også noen ganger «agentbaserte datamaskiner».
De har en felles arkitektur der prosessoren og den integrerte grafikkakseleratoren bruker samme store mengde høyhastighetsminne. Det gjør det mulig å lagre en stor og funksjonsrik LLM-modell nær beregningsenhetene, uten stadig å flytte deler av den gjennom en treg forbindelse til et separat skjermkort.
Den viktigste praktiske grunnen til å kjøre KI lokalt er muligheten til å behandle dokumenter, kildekode og interne kunnskapsbaser uten å sende dem til en skytjeneste. For en bedrift er dette nyttig og ofte helt nødvendig når man arbeider med konfidensiell informasjon eller et lukket bedriftsarkiv med kildekode.
En annen fordel med å kjøre en LLM lokalt er at man ikke betaler for hvert API-kall når man bruker en lokal modell. De direkte kostnadene ved å kjøre en slik modell er strømmen som trengs for å drive datamaskinen. Man bør likevel ta med kostnadene ved å kjøpe maskinen, som til gjengjeld vil være i bruk i flere år. Lokal kjøring gjør det også mulig å arbeide uten internett og selv velge modellen som passer best til bestemte oppgaver (programmering, agentarbeid, oversettelse, generering av bilder, video, lyd osv.).
Hvorfor er mye delt minne så viktig?
En vanlig PC med en separat GPU kan også være en utmerket maskin for lokal KI. Så lenge den valgte modellen får plass i VRAM og det er rom igjen til KV-cache og arbeidsbuffere, kan akseleratoren behandle forespørsler svært raskt. Det ville derfor ikke være helt riktig å regne alle datamaskiner med separat skjermkort som uegnet for KI.
Begrensningen oppstår når en stor modell (det er nettopp de store modellene som er mest verdifulle og nødvendige for profesjonell bruk) ikke lenger får plass i videominnet. Programmet melder enten om minnemangel, flytter deler av arbeidet til CPU og systemets RAM, eller laster inn vekter fra RAM eller SSD. Slike overføringer og tregere lagring kan øke forsinkelsen kraftig, helt til et uakseptabelt nivå for en interaktiv assistent. Det finnes ingen fast faktor for hastighetsfallet: kjøreprogrammet, andelen vekter som er flyttet ut, modellen og maskinvaren er avgjørende. I praksis kan ytelsen likevel falle med en faktor på 5-10 i slike situasjoner.
Mye system-RAM ved siden av en liten separat GPU blir ikke automatisk til like mye raskt VRAM.
Løsninger basert på NVIDIA RTX/DGX Spark, AMD Ryzen AI Max og Apple Silicon Max/Ultra har et annet fokus: grafikkakseleratoren får tilgang til mye delt minne innenfor den støttede arkitekturen. Dette gir flere store modeller å velge mellom.
128GB eller mer er referansen denne artikkelen bruker for store modeller som kan utføre oppgaver brukere vanligvis henvender seg til skymodeller for, via API eller abonnement. Mindre minne kan være tilstrekkelig for mindre spesialiserte modeller eller eksperimenter med svært hardt kvantiserte og destillerte modeller med et begrenset kontekstvindu.
Store mengder minne gir også rom for mindre komprimering av vektene (og dermed bedre bevaring av kvaliteten) og et større kontekstvindu.
Hvor lokal KI er nyttig i det daglige arbeidet
Assistent for interne dokumenter. Hvis du har en stor database med dokumentasjon, kan det være fornuftig å bygge et system med RAG, som først finner relevante utdrag i den lokale kunnskapsbasen og deretter sender dem til LLM-modellen for et svar med henvisninger til dokumentene. En LLM kan søke etter nøkkelord i dokumentasjon, men hvis arbeid med dokumentarkiver er hovedoppgaven, kan RAG gjøre søket mer presist og effektivt, fordi det er en vektordatabase.
Arbeid med kildekode. Modellen hjelper med å forklare deler av et prosjekt, foreslå endringer, skrive kode og teste. Toppmodeller fra Anthropic eller OpenAI vil gi et bedre resultat, men dette er skyløsninger som ikke er tilgjengelige for alle, ikke alltid kan brukes av hensyn til konfidensialitet og kan være svært dyre i bruk. Hvis skyløsninger er tillatt i arbeidsmiljøet ditt, kan du fordele arbeidsmengden slik at rutineoppgaver delegeres til lokale modeller, mens toppmodeller fra skyen håndterer den endelige gjennomgangen og arkitekturen.
Kjøring av tester og rutineoppgaver i bakgrunnen (om natten). Teamet ditt kan ha regelmessige, gjentakende oppgaver som skal starte etter et bestemt scenario, en hendelse eller en tidsplan og innebærer bruk av verktøy: tolking og analyse av logger, testing av utgivelser og søk etter nye dokumenter både lokalt og på internett.
Felles assistent for et lite team. En kompakt arbeidsstasjon kan plasseres på kontoret, og flere datamaskiner kan bruke den lokale modellen. NVIDIA PAIR kan fordele uavhengige Ollama- eller LM Studio-forespørsler mellom tilkoblede kompatible systemer.
Bildegenerering. For en datamaskin med 128GB minne kan du vurdere FLUX.1-dev til bilder: det valgte Diffusers-vektsettet sammen med tekstkodere og VAE opptar omtrent 33.74GB. NVIDIA publiserer en veiledning for kjøring via ComfyUI på DGX Spark.
Videogenerering. Et eksempel på en lokal modell for dette bruksområdet er Wan2.2-T2V-A14B: det opprinnelige settet med to eksperter i FP32, en tekstkoder og VAE opptar omtrent 126.18GB. Det offisielle eksemplet for 720p krever minst 80GB.
Talesyntese. Til å generere tale på ulike språk kan du bruke Qwen3-TTS-12Hz-1.7B-CustomVoice sammen med taletokenisatoren; vektfilene opptar omtrent 4.52GB. Et større alternativ er MOSS-TTS-v1.5 med 8B parametere: 31 språk, stemmekloning fra et eksempel, lange opptak, styring av varighet, uttale via IPA og pauser. Hovedvektene opptar omtrent 16.98GB, og den påkrevde MOSS-Audio-Tokenizer ytterligere 7.10GB, totalt omtrent 24.08GB. Apache 2.0-lisensen tillater kommersiell bruk. Dette er et bredere funksjonssett, ikke et bevis på bedre lyd for enhver tekst.
Talegjenkjenning. Til lokal transkribering av møter, intervjuer og talenotater kan du bruke Qwen3-ASR-1.7B: modellen støtter 30 språk, inkludert russisk, automatisk språkidentifikasjon og strømmet talegjenkjenning. BF16-vektfilene opptar omtrent 4.70GB. Til tidsstempler for ord brukes i tillegg Qwen3-ForcedAligner-0.6B med vekter på omtrent 1.84GB. Begge modellene er tilgjengelige under Apache 2.0. Minnebruken ved kjøring er høyere enn filstørrelsen og avhenger av buffere og parallelle strømmer.
Store mengder delt minne garanterer ikke i seg selv at modellen kan kjøre: for hver chip, særlig fra AMD og Apple, må du kontrollere kompatibiliteten til kjøreprogrammet, hvor mye minne akseleratoren kan bruke og hvilken presisjon som støttes.
Hvilke modeller passer for datamaskiner med 32-768GB
Selv om vi har lagt vekt på at seriøst profesjonelt arbeid med modeller som i mange situasjoner kan erstatte skyløsninger krever en maskin med 128GB minne, gir vi nedenfor også en referanse i form av dense-modellen Qwen3.8-27B. Den kan også brukes til programmering og lastes inn på en maskin med mindre minne.
De viktigste referansene vil likevel være moderne og svært kapable åpne MoE-modeller: Qwen3.8-Flash-Next og GLM-5.3-Flash. Qwen3.8 Flash er en utgivelse for skyen, mens Flash-Next er en åpen utgivelse for lokal installasjon.
I MoE-modeller er bare en del av parameterne aktive for hvert token, men hele vektsettet må få plass i minnet.
Kvantisering av modeller reduserer størrelsen på vektene og cachen ved å representere tall mer kompakt; blandede UD-varianter bruker ulik presisjon for forskjellige deler av modellen. Kvantisering påvirker uunngåelig kvaliteten, men virkningen avhenger av hvor aggressiv den er. Kvantisering ned til 4 bit (Q4) regnes som potensielt akseptabelt i bruk, mens Q8 ofte ligger svært nær originalen. Nedenfor vises bestemte publiserte GGUF-filer og summen av alle delene av vektene deres. Filstørrelsen er ikke det samme som minnebruken til hele programmet: operativsystemet, arbeidsbuffere, KV-cache og valgt kontekstlengde trenger minne i tillegg.
Hvis maskinen eller klyngen har mye ledig minne, kan du plassere flere kopier av modellen eller ulike modeller der for samtidig bruk.
Minne | Betingelser for valg | |||
|---|---|---|---|---|
32GB | Q4 + reserve får ikke plass | Q4 + reserve får ikke plass | Qwen27B: 32K kontekst får plass; 64K er på grensen; 128K+ får ikke plass. | |
64GB | Q4 + reserve får ikke plass | Q4 + reserve får ikke plass | Qwen27B: opptil 256K kontekst får plass. | |
128GB | Q4 + reserve får ikke plass | Qwen27B: opptil 256K. Flash-Next: 32K/64K får plass; 128K er på grensen. | ||
192GB | Q4 + reserve får ikke plass | Qwen27B og Flash-Next: opptil 256K. | ||
256GB | Kontekst opptil 256K får plass. | |||
512GB | Kontekst opptil 256K. En klynge med 4 noder trenger ytterligere 36GB for Qwen27B, 60GB for Flash-Next og 72GB for GLM Flash: operativsystem og buffere trengs på hver node. | |||
768GB | Kontekst opptil 256K. En klynge med 4 noder trenger ytterligere 36GB for Qwen27B, 60GB for Flash-Next og 72GB for GLM Flash: operativsystem og buffere trengs på hver node. |
Sammenligning av modeller med samme testversjoner
Verdiene nedenfor er prosenter fra publikasjonene til utviklerne av de opprinnelige utgivelsene, ikke resultater fra de valgte kvantiserte GGUF-versjonene. Samme testversjoner garanterer ikke samme agentmiljø og innstillinger. Qwen3.8-27B ble for eksempel testet i SWE-bench Pro og DeepSWE 1.1 med Claude Code som agentmiljø og en kontekst på 256K.
I tillegg til åpne modeller inneholder tabellen benchmarkverdier for kjente skymodeller som referanse.
SWE-bench Pro og DeepSWE viser arbeid med kode;
Terminal-Bench 2.1 gjelder agentoppgaver med selvstendig utførelse;
GPQA Diamond og HLE med tools gjelder vanskelige spørsmål og resonnering, i det andre tilfellet med verktøy.
Modell og kilde | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Ingen verdi | |
62.5 | Ingen verdi | 58.7 | 91.7 | Ingen verdi | |
Ingen verdi | 84.3 | 63.4 | Ingen verdi | 55.3 | |
Ingen verdi | 90.6 | 74.2 | 90.9 | 63.9 | |
Ingen verdi | Ingen verdi | Ingen verdi | Ingen verdi | 64.5 | |
Ingen verdi | Ingen verdi | Ingen verdi | 89.9 | 49.0 | |
Ingen verdi | 88.8 | 72.7 | Ingen verdi | 64.5 | |
53.4 | Ingen verdi | Ingen verdi | 91.3 | Ingen verdi | |
Ingen verdi | 85.0 | 58.0 | Ingen verdi | 57.9 |
Sammenligning av prosessorytelse og minnehastighet
Toppverdiene nedenfor er hentet fra produsentenes dokumentasjon. NVIDIAs FP4-ytelse og AMDs samlede TOPS beskriver ulike modi og gir ingen direkte rangering av hastighet. Apple publiserer ingen sammenlignbar toppverdi for KI i de oppgitte spesifikasjonene, så beregningskjerner og minnebåndbredde er angitt i stedet.
Chip i toppkonfigurasjonen | Publisert ytelse | Minne og hastighet | Kilde |
|---|---|---|---|
NVIDIA RTX Spark N1X | Opptil 1PFLOP FP4; CPU 20 kjerner, GPU 6144 CUDA-kjerner | Opptil 128GB delt minne; 300GB/s, 256 bit buss ifølge NVIDIAs dokumentasjon | |
NVIDIA GB10 Grace Blackwell | Opptil 1PFLOPS FP4 med sparsitet; CPU 20 kjerner | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS totalt, NPU opptil 50TOPS; CPU 16 kjerner, Radeon 8060S 40 CU | 128GB; hos Framework LPDDR5X 8000MT/s, 256 bit (beregnet: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS totalt, NPU opptil 55TOPS; CPU 16 kjerner, Radeon 8065S 40 CU | 192GB hos Framework; LPDDR5X 8533MT/s, 256 bit (beregnet: 273.1GB/s) | |
Apple M4 Max | CPU 16 kjerner, GPU 40 kjerner, NPU 16 kjerner | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 kjerner, GPU 80 kjerner, NPU 32 kjerner | Opptil 512GB ved lansering; 819GB/s | |
Apple M5 Max | CPU 18 kjerner, GPU 40 kjerner, NPU 16 kjerner | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 kjerner, GPU 80 kjerner, NPU 32 kjerner | Opptil 512GB; 1.2TB/s |
RTX Spark N1X og GB10 har lignende arkitektur: toppversjonene av begge har 20 Arm-kjerner i CPU og en Blackwell GPU med 6144 CUDA-kjerner. De offisielle spesifikasjonene for RTX Spark skiller imidlertid mellom N1X for bærbare datamaskiner med TDP på 45-80W og skrivebordsversjonen med prosessor-TDP på 140W; GB10 har også TDP på 140W. Det finnes dessuten en enklere N1X for bærbare datamaskiner med 18 CPU-kjerner og 5120 CUDA-kjerner. Vær oppmerksom på prosessorversjonen.
For minnet oppgir NVIDIA 300GB/s for N1X, og 273GB/s for GB10.
N1X er laget for Windows on Arm, mens DGX Spark bruker Linux.
I de kontrollerte kildene ble det ikke funnet en direkte sammenligning av N1X og GB10 med samme modell, kvantisering og kontekst. Derfor kan vi bare anta at resultatene for N1X for skrivebordsbruk vil være sammenlignbare med GB10.
For AMD finnes det direkte målinger: Tom's Hardware sammenlignet Ryzen AI Halo med Max+ 395 og Dell Pro Max med GB10 i llama.cpp via llama-benchy. Tabellen viser resultater med en kontekstdybde på 8192 tokener, inndata på 2048 og et svar på 256 tokener; forfatteren brukte GGUF Unsloth Q4_K_M. AMD-maskinen hadde 128GB LPDDR5X-8000 og nominell TDP på 120W. TTFT er forsinkelsen frem til første token; flere token per sekund under generering betyr et raskere svar.
Testmodell | AMD 395: TTFT | GB10: TTFT | AMD 395: generering | GB10: generering |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokener/s | 58.9 tokener/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokener/s | 50.7 tokener/s |
I disse to testene vinner GB10 både på TTFT og genereringshastighet. Forfatteren påpeker at caching av inndata kan redusere forskjellen i TTFT.
Hastigheten for hele agentoppgaven kan gi et annet resultat. I AMDs egen HEPA-test kjørte begge maskinene Qwen3.6-35B-A3B i 4-bitformat og lagde en presentasjon fra de samme lokale dokumentene. AMD Halo fullførte arbeidet på 311.6s, DGX Spark på 367.1s, selv om den enkelte GPU-fasen var raskere på Spark: 137.2s mot 159.5s. Sju av åtte faser ble utført på CPU. Dette er et eksempel fra en bestemt produsenttest: for en agent bør du også måle tiden frem til ferdig resultat, inkludert søk, dokumentbehandling og kontroll av svaret.
For å sammenligne løsninger fra Apple og NVIDIA oppgir utvikleren EXO omtrent 26TFLOPS FP16 for M3 Ultra og omtrent 100TFLOPS FP16 for DGX Spark. Disse estimatene gir en forskjell på omtrent 3.8 ganger i maksimal FP16-ytelse, men dette er ingen garantert forskjell i hastigheten til en lokal LLM.
Hva er viktigst for hastigheten: minne eller beregningsenheter?
Når en dense-modell (for eksempel Qwen3.8-27B) genererer et svar, bruker den alle lagene og vektene sine. Ved én eller noen få forespørsler venter akseleratoren ofte på å lese data. Derfor er minnebåndbredden viktig: den påvirker hvor raskt de neste tokenene kommer.
Under prefill behandler datamaskinen inndatateksten og oppretter KV-cache; lange inndata gir flere muligheter for parallelle matriseberegninger. I denne prefill-fasen kan sterke beregningsenheter redusere ventetiden frem til første token. Virkningen av store forespørselsbatcher og prediksjon omtales i en egen artikkel fra NVIDIA.
For en agent som gjentatte ganger mottar kontekst og returnerer et kort svar eller et verktøykall, kan prefill utgjøre en betydelig del av ventetiden. De nevnte MoE-modellene Qwen3.8-Flash-Next og GLM-5.3-Flash bruker dessuten bare utvalgte eksperter, noe som reduserer kravet til minnehastighet (sammenlignet med dense-modeller), selv om den fortsatt er en viktig faktor for den samlede ytelsen.
Utvikleren EXO målte samme Llama-3.1 8B FP16: inndata på 8192 token, svar på 32 token. På DGX Spark tok prefill 1.47s, generering 2.87s og hele kjøringen 4.34s; på M3 Ultra Mac Studio var det 5.57s, 0.85s og 6.42s. I denne testen vant Spark på behandling av inndata, mens Mac vant på generering.
Klynger: 512GB hos NVIDIA og 768GB hos AMD
For DGX Spark med GB10 har hver maskin i toppkonfigurasjonen 128GB. Fire maskiner gir 512GB totalt. NVIDIA Sync støtter oppsett av en slik klynge; fire noder krever en passende QSFP-nettverkssvitsj, mens en direkte forbindelse passer for mindre konfigurasjoner.
AMD tilbyr også en vei til distribuert kjøring: selskapet publiserer et eksempel med fire noder og llama.cpp RPC. Dessuten oppgir Framework at fire Desktop-maskiner med Ryzen AI Max+ PRO 495 og 192GB per node kan kobles sammen og gi opptil 768GB totalt.
I begge tilfeller blir den samlede minnemengden ikke automatisk ett adresserom. Orkestreringsprogrammet må fordele modellen mellom nodene; hastigheten avhenger av nettverket og hvordan arbeidet parallelliseres.
En klynge kan settes opp for å romme en stor modell, øke hastigheten til én forespørsel eller øke tjenestens samlede ytelse. Til dette brukes flere fordelingsstrategier:
Tensor parallel: nodene beregner samtidig deler av matriser i de samme lagene. De behandler forespørselen sammen, men utveksler ofte resultater.
Expert parallel: MoE-eksperter plasseres på ulike noder, og tokener sendes til de riktige ekspertene. Parallellisering kan hjelpe, men datautveksling og ujevn belastning kan spise opp gevinsten.
Pipeline parallel: grupper av lag deles inn i sekvensielle stadier. Ett token går gjennom dem etter tur; flere forespørsler eller mikrobatcher kan fylle ulike stadier samtidig. Det kan oppstå ventetid i pipelinen, men dette er et effektivt scenario ved en stor strøm av sekvensielle oppgaver.
Data parallel: ulike kopier av modellen betjener uavhengige forespørsler. Dette øker tjenestens samlede kapasitet når det er nok minne til kopiene, men gjør ikke automatisk én forespørsel raskere.
Modi kan kombineres, for eksempel tensor + pipeline eller tensor + expert, hvis det valgte programmet støtter det. Fire noder i seg selv garanterer ingen hastighetsøkning: nettverk, synkronisering, batchstørrelse og belastningsbalanse er avgjørende. NVIDIA forklarer separat, hvordan man velger modellfordeling etter maskinvaren.
For DGX Spark finnes det en offisiell vLLM-oppskrift for to noder: Qwen3.8-27B NVFP4, tensor parallel på to noder og kontinuerlig samling av flere forespørsler i batcher. Dette eksemplet viser at felles beregning av modellen også kan betjene parallelle forespørsler.
Løsninger for lokale AI-modeller fra ledende datamaskinprodusenter
Tabellene viser datamaskinfamilier med toppkonfigurasjoner på 128GB eller mer.
Det er angitt separat hvilken ladeprotokoll adapteren må støtte, og hvilken effekt den må ha for å forsyne datamaskinen med strøm.
Bærbare datamaskiner og arbeidsstasjoner med NVIDIA RTX Spark N1X
Modell, chip og minneområde | Lading med USB-C-adapter (PD) | Dokumentasjon og butikk |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | opptil 128GB delt minne | - | |
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 delt minne | USB-C PD IN, EPR PD 3.1; adapter på 240W følger med; nødvendig inngangseffekt og profil er ikke oppgitt | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | opptil 128GB delt minne | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery er oppgitt for tre USB-C 4.0-porter | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | opptil 128GB delt minne | USB PD 3.2; USB-C GaN strømadapter 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; en USB-C-adapter på 140W følger med utvalgte konfigurasjoner; maksimal inngangseffekt er ikke oppgitt. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minst 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB delt minne | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | opptil 128GB LPDDR5X delt minne | USB-C PD IN; strømadapter 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
NVIDIA GB10 / DGX Spark arbeidsstasjoner
Modell, chip og minneområde | Lading med USB-C-adapter (PD) | Dokumentasjon og butikk |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Medfølgende USB-C-strømforsyning 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Databladet oppgir inngangseffekt opptil 180W; medfølgende strømforsyning 240W | |
Dell Pro Precision with GB10 (FCM1253; tidligere Dell Pro Max with GB10) | GB10 | 128GB | Standard USB-C-strømforsyning 280W, 48V5.83A; PD-versjon ikke angitt. Dette er ikke standardmodusen 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adapter på 240W følger med; nødvendig inngangseffekt, spenningsprofil og PD-versjon er ikke oppgitt. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Dedikert USB-C-inngang, strømforsyning 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Dedikert USB-C-inngang med USB PD 3.1; medfølgende strømforsyning 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Standard strømforsyning USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Standard USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Strømforsyning inkludert, effekt og PD-modus ikke angitt |
Ryzen AI Max+ 395 og nye modeller med 192GB
Modell, chip og minneområde | Lading med USB-C-adapter (PD) | Annen DC-inngang eller nettstrømforsyning | Dokumentasjon og butikk |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Separat DC-kontakt på baksiden; effekten til den medfølgende adapteren er ikke oppgitt i den kontrollerte kilden. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Dedikert USB-C-inngang for lading med standardstrømforsyningen | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB delt minne | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | USB PD 45-100W støttes | Rektangulær DC-inngang: strømforsyning 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 i toppversjonen | 32-128GB | USB PD 3.0, 45-100W | Rektangulær DC-inngang: strømforsyning 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Intern nettstrømforsyning 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Intern Flex ATX-strømforsyning 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Intern Flex ATX-strømforsyning 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB delt minne | USB-C PD-inngang er ikke oppgitt i det kontrollerte materialet | DC-in; adapter på 330W følger med | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: strømforsyning 19.5V11.8A, omtrent 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB delt minne | Strømtilførsel via USB-C støttes ikke | DC IN 19.5V16.9A, 330W; kontakt 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 i toppversjonen | 16-128GB | - | Intern nettstrømforsyning 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 i toppversjonen | 16-128GB | USB-C-strømforsyning 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | opptil 192GB delt minne | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | opptil 128GB delt minne | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Intern nettstrømforsyning 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB delt minne | - | Intern strømforsyning 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | USB PD-inngang er ikke oppgitt; begge USB-C: PD-utgang 15W | Intern Flex-nettstrømforsyning 300W |
Apple Silicon: de to siste generasjonene
For MacBook Pro ser vi på M5 Max og M4 Max med en GPU med 40 kjerner og 128GB. For Mac Studio gjelder det generasjonen M5 Max / M5 Ultra og den forrige M4 Max / M3 Ultra. Apple oppga en M3 Ultra-versjon med 512GB ved lansering, men den nåværende spesifikasjonssiden viser maksimalt 256GB.
Modell, chip og minneområde | Lading med USB-C-adapter (PD) | Annen DC-inngang eller nettstrømforsyning | Dokumentasjon og butikk |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB krever en GPU med 40 kjerner | PD3.0 (<100W) | MagSafe 3: fra PD 3.0 | Spesifikasjoner | Hurtiglading | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB krever en GPU med 40 kjerner | PD3.1 (140W) | MagSafe 3: fra PD 3.1 | Spesifikasjoner | Hurtiglading | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB krever en GPU med 40 kjerner | - | Innebygd nettstrømforsyning; 480W | Spesifikasjoner | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB i gjeldende spesifikasjon; 512GB ved lansering | - | Innebygd nettstrømforsyning; 480W | Spesifikasjoner | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: levering senere i oktober 2026 | - | Innebygd nettstrømforsyning; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB krever en GPU med 40 kjerner | PD3.0 (<100W) | MagSafe 3: fra PD 3.0 | Spesifikasjoner | Hurtiglading | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB krever en GPU med 40 kjerner | PD3.1 (140W) | MagSafe 3: fra PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB krever en GPU med 40 kjerner | - | Innebygd nettstrømforsyning; 480W | Spesifikasjoner | Amazon.com(36Gb) |
MagSafe 3 på MacBook er en proprietær kontakt på datamaskinsiden som får strøm fra en USB-C-adapter gjennom den tilhørende kabelen.
Slik sikrer du pålitelig strømforsyning til datamaskinen
Kontroller hva som følger med: enkelte datamaskinkonfigurasjoner selges uten adapter (særlig i Europa), mens andre har den inkludert.
En datamaskin som skal arbeide mange timer med en lokal KI-modell hver dag, trenger en pålitelig strømkilde som kan levere nødvendig effekt over lang tid uten avbrudd.
Kontroller spenning, strøm, protokoll og tillatt kabel mot dokumentasjonen for den konkrete maskinen. Hvis produsenten krever en proprietær strømforsyning eller en ikke-standard modus, er en USB-C-kontakt ikke grunn nok til å erstatte den med en hvilken som helst kraftig lader.
Hvis du velger en strømforsyning med flere porter, bør du være oppmerksom på effekten én port kan levere og hvordan den endres når en annen enhet kobles til (hvis dette er aktuelt for deg).