Osobista AI: laptopy, stacje robocze i ich możliwości
Zaktualizowano: 1 dzień temu
Pojawienie się wydajnych procesorów centralnych NVIDIA, AMD i Apple Silicon wraz z dużą ilością współdzielonej pamięci udostępniło lokalną AI w różnych formatach: od laptopów po kompaktowe domowe stacje robocze. Ta nowa klasa komputerów, przeznaczona przede wszystkim do lokalnego uruchamiania modeli AI, bywa też nazywana „komputerami agentowymi”.
Łączy je architektura, w której procesor i zintegrowany akcelerator graficzny korzystają ze wspólnego, dużego zasobu szybkiej pamięci. Pozwala to przechowywać duży model LLM o szerokich możliwościach blisko jednostek obliczeniowych, bez ciągłego przesyłania jego części przez wolne połączenie z osobną kartą graficzną.
Głównym praktycznym powodem uruchamiania AI lokalnie jest możliwość przetwarzania dokumentów, kodu źródłowego i wewnętrznych baz wiedzy bez wysyłania ich do usługi w chmurze. Dla firmy jest to przydatne, a często wręcz niezbędne przy pracy z poufnymi informacjami i zamkniętym firmowym repozytorium kodu.
Kolejną zaletą lokalnego wdrożenia LLM jest brak opłat za każde zapytanie do API podczas pracy z lokalnym modelem. Bezpośrednim kosztem działania takiego modelu jest energia elektryczna potrzebna do zasilania komputera, ale trzeba też uwzględnić koszt zakupu maszyny, która jednak będzie służyć przez wiele lat. Lokalne uruchamianie pozwala również pracować bez internetu i samodzielnie wybierać model najlepiej dopasowany do konkretnych zadań (programowanie, praca agentowa, tłumaczenie języków, generowanie obrazów, wideo, dźwięku itd.).
Dlaczego duża ilość współdzielonej pamięci jest tak ważna?
Zwykły komputer z dedykowaną GPU również może być świetną maszyną do lokalnej AI. Dopóki wybrany model mieści się w całości w VRAM i pozostaje zapas na pamięć podręczną KV oraz bufory robocze, akcelerator może bardzo szybko przetwarzać zapytania. Dlatego uznanie wszystkich komputerów z osobną kartą graficzną za nieprzydatne do pracy z AI nie byłoby całkiem trafne.
Ograniczenie pojawia się, gdy duży model (a właśnie duże modele są najcenniejsze i niezbędne w zastosowaniach profesjonalnych) przestaje mieścić się w pamięci graficznej. Program albo zgłasza brak pamięci, albo przenosi część pracy na CPU i systemową RAM, albo doczytuje wagi z RAM lub SSD. Takie transfery i wolniejszy nośnik mogą gwałtownie zwiększyć opóźnienie, nawet do poziomu nieakceptowalnego dla interaktywnego asystenta. Nie ma jednego współczynnika spadku szybkości: znaczenie mają program uruchamiający, udział przeniesionych wag, model i sprzęt. W praktyce jednak wydajność w takich sytuacjach może spaść 5-10 razy.
Duża ilość systemowej pamięci RAM obok niewielkiej dedykowanej GPU nie staje się automatycznie taką samą ilością szybkiej pamięci VRAM.
Rozwiązania oparte na NVIDIA RTX/DGX Spark, AMD Ryzen AI Max i Apple silicon Max/Ultra kładą nacisk na coś innego: duża ilość współdzielonej pamięci jest dostępna dla akceleratora graficznego w ramach obsługiwanej architektury. Poszerza to wybór dużych modeli.
128GB i więcej to przyjęty w tym artykule punkt odniesienia dla dużych modeli zdolnych wykonywać zadania, z którymi użytkownicy zwykle zwracają się do modeli chmurowych przez API lub w ramach subskrypcji. W przypadku mniejszych modeli specjalistycznych albo eksperymentów z modelami poddanymi skrajnej kwantyzacji lub destylacji i z ograniczonym oknem kontekstu może wystarczyć mniej pamięci.
Duża ilość pamięci daje także zapas pozwalający stosować mniejszą kompresję wag (a więc lepiej zachować jakość) i większe okno kontekstu.
Gdzie lokalna AI przydaje się w codziennej pracy
Asystent do dokumentów wewnętrznych. Jeśli masz dużą bazę dokumentacji, sensowne może być zbudowanie systemu RAG, który najpierw znajduje odpowiednie fragmenty w lokalnej bazie wiedzy, a następnie przekazuje je modelowi LLM, aby przygotować odpowiedź z odnośnikami do dokumentów. LLM może wyszukiwać słowa kluczowe w dokumentacji, ale jeśli praca z archiwami dokumentów jest głównym zadaniem, RAG może zwiększyć dokładność i efektywność wyszukiwania, ponieważ jest to wektorowa baza danych.
Praca z kodem źródłowym. Model pomaga wyjaśniać fragmenty projektu, proponować zmiany, pisać kod i testować. Najlepsze modele Anthropic lub OpenAI dadzą lepszy wynik, ale są to rozwiązania chmurowe, które nie dla wszystkich są dostępne, nie zawsze można je stosować ze względu na poufność i mogą być bardzo drogie w użyciu. Jeśli rozwiązania chmurowe są dopuszczalne w twoim środowisku pracy, można rozdzielić obciążenie: rutynowe operacje delegować lokalnym modelom, a końcowy przegląd i architekturę powierzyć najlepszym modelom w chmurze.
Uruchamianie testów i rutynowych operacji w tle (nocą). Twój zespół może mieć regularnie powtarzające się zadania uruchamiane według określonego scenariusza, zdarzenia lub harmonogramu i wymagające użycia narzędzi: parsowania i analizy logów, testowania wydań czy wyszukiwania nowych dokumentów zarówno w źródłach lokalnych, jak i w internecie.
Wspólny asystent dla małego zespołu. Kompaktową stację można umieścić w biurze i korzystać z lokalnego modelu z kilku komputerów. NVIDIA PAIR potrafi rozdzielać niezależne zapytania Ollama lub LM Studio między podłączonymi kompatybilnymi systemami.
Generowanie obrazów. Dla komputera z 128GB pamięci warto rozważyć FLUX.1-dev do obrazów: wybrany zestaw wag Diffusers wraz z enkoderami tekstu i VAE zajmuje około 33.74GB. NVIDIA publikuje instrukcję uruchomienia przez ComfyUI na DGX Sparku.
Generowanie wideo. Przykładem lokalnego modelu do tego zastosowania jest Wan2.2-T2V-A14B: oryginalny zestaw z dwoma ekspertami w FP32, enkoderem tekstu i VAE zajmuje około 126.18GB. Jego oficjalny przykład dla 720p wymaga co najmniej 80GB.
Synteza mowy. Do generowania mowy w różnych językach można użyć Qwen3-TTS-12Hz-1.7B-CustomVoice wraz z tokenizatorem mowy; pliki wag zajmują około 4.52GB. Większą alternatywą jest MOSS-TTS-v1.5 z 8B parametrami: 31 języków, klonowanie głosu z próbki, długie nagrania, kontrola długości, wymowy przez IPA i pauzy. Główne wagi zajmują około 16.98GB, a obowiązkowy MOSS-Audio-Tokenizer - kolejne 7.10GB, łącznie około 24.08GB. Licencja Apache 2.0 pozwala na użytek komercyjny. To szerszy zestaw funkcji, a nie dowód lepszego brzmienia dla każdego tekstu.
Rozpoznawanie mowy. Do lokalnej transkrypcji spotkań, wywiadów i notatek głosowych nadaje się Qwen3-ASR-1.7B: model obsługuje 30 języków, w tym rosyjski, oraz automatyczne wykrywanie języka i rozpoznawanie strumieniowe. Pliki wag BF16 zajmują około 4.70GB. Do znaczników czasu poszczególnych słów dodatkowo stosuje się Qwen3-ForcedAligner-0.6B z wagami o wielkości około 1.84GB. Oba modele są dostępne na licencji Apache 2.0. Zużycie pamięci przy uruchomieniu jest większe niż rozmiar plików i zależy od buforów oraz równoległych strumieni.
Sama duża ilość współdzielonej pamięci nie gwarantuje uruchomienia: dla każdego układu, zwłaszcza AMD i Apple, trzeba sprawdzić zgodność programu uruchamiającego, ilość pamięci dostępną dla akceleratora i obsługiwaną precyzję.
Jakie modele pasują do komputerów z 32-768GB
Choć podkreśliliśmy, że do poważnej pracy profesjonalnej z modelami mogącymi w wielu sytuacjach zastąpić rozwiązania chmurowe potrzebna jest maszyna ze 128GB pamięci, poniżej punktem odniesienia będzie model dense Qwen3.8-27B, który również może służyć do programowania i mieści się na maszynie z mniejszą ilością pamięci.
Głównym punktem odniesienia pozostają jednak nowoczesne, bardzo sprawne, otwarte modele MoE Qwen3.8-Flash-Next i GLM-5.3-Flash. Qwen3.8 Flash to wydanie dla chmury, a Flash-Next to otwarte wydanie do instalacji lokalnej.
W modelach MoE dla danego tokena aktywna jest tylko część parametrów, ale w pamięci trzeba umieścić cały zestaw wag.
Kwantyzacja modeli zmniejsza rozmiar wag i pamięci podręcznej dzięki bardziej zwartej reprezentacji liczb; mieszane warianty UD stosują różną precyzję dla różnych części modelu. Kwantyzacja nieuchronnie wpływa na jakość, ale zależy to od jej agresywności. Uważa się, że kwantyzacja do 4 bitów (Q4) może być akceptowalna w pracy, a Q8 często jest bardzo bliska oryginałowi. Poniżej podano konkretne opublikowane GGUF i sumę wszystkich części ich wag. Rozmiar pliku nie odpowiada zużyciu pamięci całego programu: osobno potrzebna jest pamięć dla systemu operacyjnego, buforów roboczych, pamięci podręcznej KV i wybranej długości kontekstu.
Jeśli maszyna lub klaster ma dużo wolnej pamięci, można umieścić w niej kilka kopii modelu lub różne modele do jednoczesnego użycia.
Pamięć | Warunki wyboru | |||
|---|---|---|---|---|
32GB | Q4 + zapas nie mieści się | Q4 + zapas nie mieści się | Qwen27B: kontekst 32K mieści się; 64K - na granicy; 128K+ nie mieszczą się. | |
64GB | Q4 + zapas nie mieści się | Q4 + zapas nie mieści się | Qwen27B: mieści się kontekst do 256K. | |
128GB | Q4 + zapas nie mieści się | Qwen27B: do 256K. Flash-Next: 32K/64K mieszczą się; 128K - na granicy. | ||
192GB | Q4 + zapas nie mieści się | Qwen27B i Flash-Next: do 256K. | ||
256GB | Mieści się kontekst do 256K. | |||
512GB | Kontekst do 256K. Dla klastra z 4 węzłami potrzeba dodatkowo 36GB dla Qwen27B, 60GB dla Flash-Next i 72GB dla GLM Flash: system operacyjny i bufory są potrzebne na każdym węźle. | |||
768GB | Kontekst do 256K. Dla klastra z 4 węzłami potrzeba dodatkowo 36GB dla Qwen27B, 60GB dla Flash-Next i 72GB dla GLM Flash: system operacyjny i bufory są potrzebne na każdym węźle. |
Porównanie modeli w tych samych wersjach testów
Poniższe wartości to procenty z publikacji twórców oryginalnych wydań, a nie wyniki wybranych skwantyzowanych wersji GGUF. Te same wersje testów nie gwarantują tej samej otoczki agentowej i ustawień. Na przykład Qwen3.8-27B testowano w SWE-bench Pro i DeepSWE 1.1 z otoczką agentową Claude Code i kontekstem 256K.
Oprócz modeli otwartych tabela podaje dla orientacji wyniki benchmarków znanych modeli chmurowych.
SWE-bench Pro i DeepSWE pokazują pracę z kodem;
Terminal-Bench 2.1 - zadania agentowe wykonywane autonomicznie;
GPQA Diamond i HLE with tools - trudne pytania i rozumowanie, w drugim przypadku z narzędziami.
Model i źródło | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Brak wartości | |
62.5 | Brak wartości | 58.7 | 91.7 | Brak wartości | |
Brak wartości | 84.3 | 63.4 | Brak wartości | 55.3 | |
Brak wartości | 90.6 | 74.2 | 90.9 | 63.9 | |
Brak wartości | Brak wartości | Brak wartości | Brak wartości | 64.5 | |
Brak wartości | Brak wartości | Brak wartości | 89.9 | 49.0 | |
Brak wartości | 88.8 | 72.7 | Brak wartości | 64.5 | |
53.4 | Brak wartości | Brak wartości | 91.3 | Brak wartości | |
Brak wartości | 85.0 | 58.0 | Brak wartości | 57.9 |
Porównanie wydajności procesorów i szybkości pamięci
Poniższe wartości szczytowe pochodzą z dokumentacji producentów. Wydajność FP4 NVIDIA i łączne TOPS AMD opisują różne tryby i nie stanowią bezpośredniego rankingu szybkości. Apple w przytoczonych specyfikacjach nie publikuje porównywalnej szczytowej miary AI, dlatego podano jednostki obliczeniowe i przepustowość pamięci.
Układ w najwyższej konfiguracji | Opublikowana wydajność | Pamięć i jej szybkość | Źródło |
|---|---|---|---|
NVIDIA RTX Spark N1X | Do 1PFLOP FP4; CPU 20 rdzeni, GPU 6144 rdzenie CUDA | Do 128GB współdzielonej pamięci; 300GB/s, magistrala 256 bitów według dokumentacji NVIDIA | |
NVIDIA GB10 Grace Blackwell | Do 1PFLOPS FP4 z wykorzystaniem rzadkości; CPU 20 rdzeni | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS łącznie, NPU do 50TOPS; CPU 16 rdzeni, Radeon 8060S 40 CU | 128GB; w Framework LPDDR5X 8000MT/s, 256 bitów (obliczenie: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS łącznie, NPU do 55TOPS; CPU 16 rdzeni, Radeon 8065S 40 CU | 192GB w Framework; LPDDR5X 8533MT/s, 256 bitów (obliczenie: 273.1GB/s) | |
Apple M4 Max | CPU 16 rdzeni, GPU 40 rdzeni, NPU 16 rdzeni | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 rdzenie, GPU 80 rdzeni, NPU 32 rdzenie | Do 512GB przy premierze; 819GB/s | |
Apple M5 Max | CPU 18 rdzeni, GPU 40 rdzeni, NPU 16 rdzeni | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 rdzeni, GPU 80 rdzeni, NPU 32 rdzenie | Do 512GB; 1.2TB/s |
RTX Spark N1X i GB10 mają zbliżoną architekturę: w najwyższych wersjach oba mają 20 rdzeni Arm CPU i Blackwell GPU z 6144 rdzeniami CUDA. Jednak oficjalne specyfikacje RTX Spark rozróżniają laptopowy N1X z TDP 45-80W i stacjonarny z TDP procesora 140W; GB10 również ma TDP 140W. Istnieje też niższa wersja laptopowego N1X z 18 rdzeniami CPU i 5120 rdzeniami CUDA. Zwracaj uwagę na wersję procesora.
Dla pamięci NVIDIA podaje dla N1X 300GB/s, a dla GB10 273GB/s.
N1X jest przeznaczony do Windows on Arm, DGX Spark używa systemu Linux.
W sprawdzonych źródłach nie znaleziono porównawczego testu N1X i GB10 na tym samym modelu, z tą samą kwantyzacją i kontekstem, więc można jedynie przypuszczać, że wyniki stacjonarnego N1X będą porównywalne z GB10.
Dla AMD dostępne są bezpośrednie pomiary: Tom's Hardware porównał Ryzen AI Halo na Max+ 395 i Dell Pro Max na GB10 w llama.cpp przez llama-benchy. Tabela przedstawia wyniki przy kontekście 8192 tokenów, wejściu 2048 i odpowiedzi 256 tokenów; autor użył GGUF Unsloth Q4_K_M. Maszyna AMD miała 128GB LPDDR5X-8000 i nominalne TDP 120W. TTFT to opóźnienie do pierwszego tokena; przy generowaniu większej liczby tokenów na sekundę oznacza szybszą odpowiedź.
Model testowy | AMD 395: TTFT | GB10: TTFT | AMD 395: generowanie | GB10: generowanie |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokena/s | 58.9 tokena/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokena/s | 50.7 tokena/s |
W tych dwóch testach GB10 wygrywa zarówno pod względem TTFT, jak i szybkości generowania. Autor zauważa, że buforowanie wejścia może zmniejszyć różnicę TTFT.
Szybkość całego zadania agentowego może dać inny wynik. We własnym teście AMD HEPA obie maszyny uruchamiały Qwen3.6-35B-A3B w formacie 4-bitowym i przygotowywały prezentację z tych samych lokalnych dokumentów. AMD Halo zakończył pracę w 311.6s, DGX Spark w 367.1s, choć sam etap GPU był szybszy na Sparku: 137.2s wobec 159.5s. Siedem z ośmiu etapów wykonywano na CPU. To przykład konkretnego testu producenta: w przypadku agenta warto mierzyć także czas uzyskania gotowego wyniku, obejmujący wyszukiwanie, przetwarzanie dokumentów i weryfikację odpowiedzi.
Do porównania rozwiązań Apple i NVIDIA twórca EXO podaje dla M3 Ultra około 26TFLOPS FP16, a dla DGX Spark około 100TFLOPS FP16. Te szacunki wskazują różnicę około 3.8 raza w szczytowej wydajności FP16, ale nie gwarantują takiej różnicy w szybkości lokalnej LLM.
Co ma większe znaczenie dla szybkości: pamięć czy jednostki obliczeniowe?
Podczas generowania odpowiedzi model dense (np. Qwen3.8-27B) korzysta ze wszystkich swoich warstw i wag. Przy jednym lub kilku zapytaniach akcelerator często czeka na odczyt danych, dlatego ważna jest przepustowość pamięci: wpływa ona na szybkość pojawiania się kolejnych tokenów.
Podczas prefillu komputer przetwarza tekst wejściowy i tworzy pamięć podręczną KV; długie wejście daje większe możliwości równoległych obliczeń macierzowych. Na etapie prefill mocne jednostki obliczeniowe mogą skrócić oczekiwanie na pierwszy token. Wpływ dużych pakietów zapytań i przewidywanie omawia NVIDIA w osobnym artykule.
W przypadku agenta, który wielokrotnie otrzymuje kontekst i zwraca krótką odpowiedź lub wywołanie narzędzia, prefill może stanowić znaczną część czasu oczekiwania. Wspomniane modele MoE Qwen3.8-Flash-Next i GLM-5.3-Flash korzystają tylko z wybranych ekspertów, co zmniejsza wymagania dotyczące szybkości pamięci (w porównaniu z modelami dense), choć nadal pozostaje ona ważnym czynnikiem ogólnej wydajności.
Twórca EXO zmierzył ten sam model Llama-3.1 8B FP16: wejście 8192 tokenów, odpowiedź 32 tokeny. W DGX Spark prefill trwał 1.47s, generowanie 2.87s, łącznie 4.34s; w M3 Ultra Mac Studio odpowiednio 5.57s, 0.85s i 6.42s. W tym teście Spark wygrał w przetwarzaniu wejścia, a Mac w generowaniu.
Klastry: 512GB w NVIDIA i 768GB w AMD
W DGX Spark na GB10 każda maszyna w najwyższej wersji ma 128GB. Cztery maszyny dają łącznie 512GB. NVIDIA Sync obsługuje konfigurację takiego klastra; dla czterech węzłów potrzebny jest odpowiedni przełącznik sieciowy QSFP, a bezpośrednie połączenie nadaje się do mniejszych konfiguracji.
AMD również oferuje drogę do rozproszonego uruchamiania: firma publikuje przykład czterech węzłów z llama.cpp RPC. Ponadto Framework deklaruje połączenie czterech desktopów z Ryzen AI Max+ PRO 495 i 192GB na węzeł - do 768GB łącznie.
W obu przypadkach suma pamięci nie staje się automatycznie jedną przestrzenią adresową. Program orkiestrujący musi rozdzielić model między węzłami; szybkość zależy od sieci i sposobu zrównoleglenia.
Klaster można skonfigurować pod kątem obsługi dużego modelu, szybkości pojedynczego zapytania lub łącznej wydajności usługi. Stosuje się do tego kilka strategii podziału:
Tensor parallel: węzły jednocześnie obliczają części macierzy tych samych warstw. Wspólnie przetwarzają zapytanie, ale często wymieniają wyniki.
Expert parallel: eksperci MoE znajdują się na różnych węzłach, a tokeny są kierowane do odpowiednich ekspertów. Zrównoleglenie może pomóc, ale wymiana danych i nierównomierne obciążenie mogą pochłonąć uzyskany zysk.
Pipeline parallel: grupy warstw są podzielone na kolejne etapy. Jeden token przechodzi je po kolei; kilka zapytań lub mikropakietów może jednocześnie wypełniać różne etapy. Możliwe są przestoje potoku, ale jest to efektywne rozwiązanie przy dużym strumieniu następujących po sobie zadań.
Data parallel: różne kopie modelu obsługują niezależne zapytania. Zwiększa to ogólną przepustowość usługi, jeśli pamięci wystarcza na kopie, ale nie przyspiesza automatycznie pojedynczego zapytania.
Tryby można łączyć, np. tensor + pipeline lub tensor + expert, jeśli wybrany program to obsługuje. Sama obecność czterech węzłów nie gwarantuje przyspieszenia: znaczenie mają sieć, synchronizacja, rozmiar pakietu i równowaga obciążenia. NVIDIA osobno wyjaśnia, jak dobierać podział modelu do sprzętu.
Dla DGX Spark istnieje oficjalny przepis vLLM dla dwóch węzłów: Qwen3.8-27B NVFP4, tensor parallel na dwóch węzłach i ciągłe łączenie kilku zapytań w pakiet. Ten przykład pokazuje, że wspólne obliczenia modelu również mogą obsługiwać równoległe zapytania.
Rozwiązania do lokalnych modeli AI od czołowych producentów komputerów
Tabele zawierają rodziny komputerów z najwyższymi konfiguracjami mającymi 128GB lub więcej.
Osobno podano, jaki protokół ładowania musi obsługiwać adapter i jaką moc musi mieć, aby zasilać komputer.
Laptopy i stacje robocze z NVIDIA RTX Spark N1X
Model, układ i zakres pamięci | Ładowanie adapterem USB-C (PD) | Dokumentacja i sklep |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | do 128GB pamięci współdzielonej | - | |
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 pamięci współdzielonej | USB-C PD IN, EPR PD 3.1; zasilacz 240W w zestawie; wymagana moc wejściowa i profil nie są podane | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | do 128GB pamięci współdzielonej | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Dla trzech portów USB-C 4.0 zadeklarowano Power Delivery | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | do 128GB pamięci współdzielonej | USB PD 3.2; USB-C GaN zasilacz 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; zasilacz USB-C 140W jest dołączany do wybranych konfiguracji; maksymalna moc wejściowa nie jest podana. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimum 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB pamięci współdzielonej | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | do 128GB LPDDR5X pamięci współdzielonej | USB-C PD IN; zasilacz 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Stacje robocze NVIDIA GB10 / DGX Spark
Model, układ i zakres pamięci | Ładowanie adapterem USB-C (PD) | Dokumentacja i sklep |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Zasilacz USB-C 240W w zestawie | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Karta techniczna podaje wejście do 180W; zasilacz w zestawie 240W | |
Dell Pro Precision with GB10 (FCM1253; wcześniej Dell Pro Max with GB10) | GB10 | 128GB | Fabryczny zasilacz USB-C 280W, 48V5.83A; wersja PD nie jest podana. To niestandardowy tryb 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; zasilacz 240W w zestawie; wymagana moc wejściowa, profil napięcia i wersja PD nie są podane. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Osobne wejście USB-C, zasilacz 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Dedykowane wejście USB-C z USB PD 3.1; dołączony zasilacz 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Fabryczny zasilacz USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Fabryczny USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Zasilacz w zestawie, moc i tryb PD nie są podane |
Ryzen AI Max+ 395 i nowe modele z 192GB
Model, układ i zakres pamięci | Ładowanie adapterem USB-C (PD) | Inne wejście DC lub zasilacz sieciowy | Dokumentacja i sklep |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Oddzielne tylne złącze DC; moc dołączonego zasilacza nie jest podana w sprawdzonym źródle. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Osobne wejście USB-C do ładowania fabrycznym zasilaczem | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB pamięci współdzielonej | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Obsługa USB PD 45-100W | Prostokątne wejście DC: zasilacz 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 w najwyższej wersji | 32-128GB | USB PD 3.0, 45-100W | Prostokątne wejście DC: zasilacz 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Wewnętrzny zasilacz sieciowy 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Wewnętrzny zasilacz Flex ATX 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Wewnętrzny zasilacz Flex ATX 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB pamięci współdzielonej | Wejście USB-C PD nie jest opisane w sprawdzonych materiałach | DC-in; zasilacz 330W w zestawie | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: zasilacz 19.5V11.8A, około 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB pamięci współdzielonej | Zasilanie przez USB-C nie jest obsługiwane | DC IN 19.5V16.9A, 330W; złącze 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 w najwyższej wersji | 16-128GB | - | Wewnętrzny zasilacz sieciowy 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 w najwyższej wersji | 16-128GB | Zasilacz USB-C 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | do 192GB pamięci współdzielonej | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | do 128GB pamięci współdzielonej | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Wewnętrzny zasilacz sieciowy 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB pamięci współdzielonej | - | Wewnętrzny zasilacz 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Wejście USB PD nie jest podane; oba USB-C: wyjście PD 15W | Wewnętrzny zasilacz sieciowy Flex 300W |
Apple silicon: dwa najnowsze pokolenia
Dla MacBooka Pro uwzględniono M5 Max i M4 Max z 40-rdzeniową GPU i 128GB. Dla Mac Studio - generacji M5 Max / M5 Ultra i poprzedniej M4 Max / M3 Ultra. Wersję M3 Ultra z 512GB Apple deklarowało przy premierze, ale obecna strona specyfikacji pokazuje maksymalnie 256GB.
Model, układ i zakres pamięci | Ładowanie adapterem USB-C (PD) | Inne wejście DC lub zasilacz sieciowy | Dokumentacja i sklep |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB wymaga 40-rdzeniowej GPU | PD3.0 (<100W) | MagSafe 3: od PD 3.0 | Specyfikacja | Szybkie ładowanie | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB wymaga 40-rdzeniowej GPU | PD3.1 (140W) | MagSafe 3: od PD 3.1 | Specyfikacja | Szybkie ładowanie | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB wymaga 40-rdzeniowej GPU | - | Wbudowany zasilacz sieciowy; 480W | Specyfikacja | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB w obecnej specyfikacji; 512GB przy premierze | - | Wbudowany zasilacz sieciowy; 480W | Specyfikacja | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: dostawy później w październiku 2026 | - | Wbudowany zasilacz sieciowy; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB wymaga 40-rdzeniowej GPU | PD3.0 (<100W) | MagSafe 3: od PD 3.0 | Specyfikacja | Szybkie ładowanie | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB wymaga 40-rdzeniowej GPU | PD3.1 (140W) | MagSafe 3: od PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB wymaga 40-rdzeniowej GPU | - | Wbudowany zasilacz sieciowy; 480W | Specyfikacja | Amazon.com(36Gb) |
MagSafe 3 w MacBooku to firmowe złącze po stronie laptopa, które otrzymuje zasilanie z adaptera USB-C przez odpowiedni kabel.
Jak zapewnić komputerowi niezawodne zasilanie
Sprawdź zawartość zestawu: niektóre konfiguracje komputerów są sprzedawane bez adaptera (zwłaszcza w Europie), a w innych jest on dołączony.
Komputer, który codziennie będzie przez wiele godzin pracował z lokalnym modelem AI, potrzebuje niezawodnego źródła zasilania zdolnego długo dostarczać wymaganą moc bez zakłóceń.
Porównaj napięcie, natężenie, protokół i dopuszczalny kabel z dokumentacją konkretnej maszyny. Jeśli producent wymaga firmowego zasilacza lub niestandardowego trybu, obecność złącza USB-C nie uzasadnia zastąpienia go dowolną mocną ładowarką.
Jeśli wybierzesz zasilacz wieloportowy, zwróć uwagę na moc dostarczaną przez pojedynczy port i sposób jej zmiany po podłączeniu drugiego urządzenia (jeśli ten scenariusz cię dotyczy).