AI personală: laptopuri, stații de lucru și posibilitățile lor
Actualizată în: acum 1 zi
Apariția procesoarelor centrale de înaltă performanță de la NVIDIA, AMD și Apple Silicon, împreună cu o capacitate mare de memorie partajată, a făcut AI locală accesibilă în diferite formate: de la laptopuri la stații de lucru compacte pentru acasă. Această nouă clasă de calculatoare, concepută în primul rând pentru rularea locală a modelelor AI, este uneori numită și „calculatoare agentice”.
Acestea au în comun o arhitectură în care procesorul și acceleratorul grafic integrat folosesc același volum mare de memorie de mare viteză. Astfel, un model LLM mare și capabil poate fi păstrat lângă unitățile de calcul, fără transferarea permanentă a unor părți ale sale prin conexiunea lentă cu o placă grafică separată.
Principalul motiv practic pentru rularea AI la nivel local este posibilitatea de a procesa documente, cod sursă și baze de cunoștințe interne fără a le trimite unui serviciu cloud. Pentru o companie, acest lucru este util și adesea esențial când lucrează cu informații confidențiale sau cu un depozit privat de cod al companiei.
Un alt avantaj al găzduirii locale a unui LLM este absența costului pentru fiecare cerere către API atunci când folosiți modelul local. Costul direct al funcționării acestuia este energia electrică necesară alimentării calculatorului, însă trebuie luat în considerare și costul achiziției mașinii, care vă va servi totuși mai mulți ani. Rularea locală permite și lucrul fără internet, precum și alegerea independentă a modelului cel mai potrivit pentru anumite sarcini: programare, lucru cu agenți, traduceri, generare de imagini, video, audio etc.
De ce este atât de importantă o capacitate mare de memorie partajată?
Un PC obișnuit cu GPU dedicată poate fi și el o mașină excelentă pentru AI locală. Cât timp modelul ales încape integral în VRAM și rămâne o rezervă pentru cache-ul KV și bufferele de lucru, acceleratorul poate procesa cererile foarte rapid. Așadar, nu ar fi tocmai corect să considerăm toate calculatoarele cu placă grafică separată nepotrivite pentru AI.
Limitarea apare când un model este mare, iar modelele mari sunt cele mai valoroase și necesare pentru utilizarea profesională, nu mai încap confortabil în memoria video. Programul fie semnalează lipsa memoriei, fie mută o parte din lucru pe CPU și RAM de sistem, fie încarcă ponderile din RAM sau SSD. Aceste transferuri și stocarea mai lentă pot crește drastic latența, până la un nivel inacceptabil pentru un asistent interactiv. Nu există un factor unic de scădere a vitezei: contează programul de rulare, proporția ponderilor descărcate, modelul și echipamentul. În practică, însă, performanța poate scădea de 5-10 ori în asemenea situații.
O cantitate mare de RAM de sistem lângă o GPU dedicată mică nu se transformă automat într-o cantitate egală de VRAM rapid.
Soluțiile bazate pe NVIDIA RTX/DGX Spark, AMD Ryzen AI Max și Apple Silicon Max/Ultra pun accentul pe altceva: un volum mare de memorie partajată este accesibil acceleratorului grafic în cadrul arhitecturii suportate. Astfel se extinde alegerea modelelor mari.
128GB și mai mult este reperul ales în acest articol pentru modelele mari, capabile să îndeplinească sarcini pentru care utilizatorii apelează de obicei la modele cloud prin API sau abonament. Pentru modele specializate mai mici ori experimente cu modele ultracuantizate și distilate, cu fereastră de context limitată, poate fi suficientă și o capacitate mai mică.
Capacitățile mari de memorie oferă și o rezervă pentru o compresie mai redusă a ponderilor, deci o păstrare mai bună a calității, și pentru o fereastră de context mai mare.
Unde este utilă AI locală în munca de zi cu zi
Asistent pentru documentele interne. Dacă aveți o bază de date mare cu documentație, poate avea sens să construiți un sistem RAG, care mai întâi găsește fragmentele potrivite în baza locală de cunoștințe, apoi le transmite modelului LLM pentru un răspuns cu trimiteri la documente. LLM poate căuta cuvinte-cheie în documentație, însă dacă lucrul cu arhivele de documente este sarcina principală, RAG poate face căutarea mai precisă și eficientă, deoarece este o bază de date vectorială.
Lucru cu codul sursă. Modelul ajută la explicarea unor părți ale proiectului, la propunerea modificărilor, la scrierea codului și la testare. Modelele de top de la Anthropic sau OpenAI vor oferi rezultate mai bune, însă sunt soluții cloud, care nu sunt accesibile tuturor, nu pot fi folosite întotdeauna din motive de confidențialitate și pot fi foarte costisitoare. Dacă soluțiile cloud sunt permise în mediul dvs. De lucru, se poate implementa distribuirea sarcinilor: operațiunile de rutină sunt delegate modelelor locale, iar revizuirea finală și arhitectura revin modelelor de top din cloud.
Rularea testelor și a operațiunilor de rutină în fundal, inclusiv noaptea. Echipa dvs. Poate avea sarcini regulate și repetitive, care trebuie pornite după un anumit scenariu, eveniment sau program și presupun folosirea unor instrumente: parsarea și analiza jurnalelor, testarea versiunilor, găsirea documentelor noi atât în surse locale, cât și pe internet.
Asistent comun pentru o echipă mică. O stație compactă poate fi amplasată în birou, iar modelul local poate fi accesat de pe mai multe calculatoare. NVIDIA PAIR poate distribui cereri independente către Ollama sau LM Studio între sistemele compatibile conectate.
Generare de imagini. Pentru un calculator cu 128GB de memorie, merită luat în considerare FLUX.1-dev pentru imagini: setul ales de ponderi Diffusers, împreună cu encoderele de text și VAE, ocupă aproximativ 33.74GB. NVIDIA publică instrucțiuni pentru rularea prin ComfyUI pe DGX Spark.
Generare video. Pentru acest caz, un exemplu de model local este Wan2.2-T2V-A14B: setul original cu doi experți în FP32, encoder de text și VAE ocupă aproximativ 126.18GB. Exemplul său oficial pentru 720p necesită cel puțin 80GB.
Sinteză vocală. Pentru generarea vorbirii în diferite limbi poate fi folosit Qwen3-TTS-12Hz-1.7B-CustomVoice împreună cu tokenizerul vocal; fișierele de ponderi ocupă aproximativ 4.52GB. O alternativă mai mare este MOSS-TTS-v1.5 cu 8B parametri: 31 de limbi, clonarea vocii după un exemplu, înregistrări lungi, controlul duratei, al pronunției prin IPA și al pauzelor. Ponderile principale ocupă aproximativ 16.98GB, iar componenta obligatorie MOSS-Audio-Tokenizer ocupă încă 7.10GB, în total aproximativ 24.08GB. Licența Apache 2.0 permite utilizarea comercială. Acesta este un set mai larg de funcții, nu o dovadă a unei voci mai bune pentru orice text.
Recunoaștere vocală. Pentru transcrierea locală a ședințelor, interviurilor și notițelor vocale este potrivit Qwen3-ASR-1.7B: modelul suportă 30 de limbi, inclusiv rusa, detectarea automată a limbii și recunoașterea în flux. Fișierele de ponderi BF16 ocupă aproximativ 4.70GB. Pentru marcajele temporale ale cuvintelor se folosește suplimentar Qwen3-ForcedAligner-0.6B cu ponderi de aproximativ 1.84GB. Ambele modele sunt disponibile sub Apache 2.0. Memoria consumată la rulare depășește dimensiunea fișierelor și depinde de buffere și fluxurile paralele.
O capacitate mare de memorie partajată nu garantează, în sine, rularea: pentru fiecare cip, în special AMD și Apple, trebuie verificate compatibilitatea programului de rulare, memoria accesibilă acceleratorului și precizia suportată.
Ce modele se potrivesc calculatoarelor cu 32-768GB
Deși am subliniat că, pentru muncă profesională serioasă cu modele capabile să înlocuiască soluțiile cloud în multe situații, veți avea nevoie de o mașină cu 128GB de memorie, mai jos oferim un reper sub forma modelului dens Qwen3.8-27B, care poate fi folosit și pentru programare și poate fi încărcat pe o mașină cu mai puțină memorie.
Totuși, reperele principale vor fi modelele MoE deschise, moderne și foarte capabile Qwen3.8-Flash-Next și GLM-5.3-Flash. Qwen3.8 Flash este o versiune pentru cloud, iar Flash-Next este o versiune deschisă pentru instalare locală.
În modelele MoE, doar o parte dintre parametri este activă pentru fiecare token, dar întregul set de ponderi trebuie să încapă în memorie.
Cuantizarea modelelor reduce dimensiunea ponderilor și a cache-ului printr-o reprezentare mai compactă a numerelor; variantele mixte UD folosesc precizii diferite pentru părți diferite ale modelului. Cuantizarea afectează inevitabil calitatea, dar efectul depinde de cât de agresivă este. Se consideră că o cuantizare până la 4 biți (Q4) poate fi acceptabilă în utilizare, iar Q8 este adesea foarte aproape de original. Mai jos sunt prezentate fișiere GGUF concrete, publicate, și suma tuturor părților ponderilor lor. Dimensiunea fișierului nu este egală cu consumul întregului program: este necesară separat memorie pentru sistemul de operare, bufferele de lucru, cache-ul KV și lungimea contextului aleasă.
Dacă mașina sau clusterul are multă memorie liberă, se pot păstra mai multe copii ale modelului sau modele diferite pentru utilizare simultană.
Memorie | Condiții de alegere | |||
|---|---|---|---|---|
32GB | Q4 + rezervă nu încap | Q4 + rezervă nu încap | Qwen27B: contextul de 32K încape; 64K este la limită; 128K+ nu încap. | |
64GB | Q4 + rezervă nu încap | Q4 + rezervă nu încap | Qwen27B: încape un context de până la 256K. | |
128GB | Q4 + rezervă nu încap | Qwen27B: până la 256K. Flash-Next: 32K/64K încap; 128K este la limită. | ||
192GB | Q4 + rezervă nu încap | Qwen27B și Flash-Next: până la 256K. | ||
256GB | Încape un context de până la 256K. | |||
512GB | Context până la 256K. Pentru un cluster cu 4 noduri, Qwen27B necesită încă 36GB, Flash-Next 60GB, iar GLM Flash 72GB: sistemul de operare și bufferele sunt necesare pe fiecare nod. | |||
768GB | Context până la 256K. Pentru un cluster cu 4 noduri, Qwen27B necesită încă 36GB, Flash-Next 60GB, iar GLM Flash 72GB: sistemul de operare și bufferele sunt necesare pe fiecare nod. |
Compararea modelelor pe aceleași versiuni ale testelor
Valorile de mai jos sunt procente din publicațiile dezvoltatorilor versiunilor originale, nu rezultatele versiunilor GGUF cuantizate alese. Aceleași versiuni ale testelor nu garantează același mediu pentru agent și aceleași setări. De exemplu, Qwen3.8-27B a fost testat în SWE-bench Pro și DeepSWE 1.1 cu mediul de agent Claude Code și un context de 256K.
Pe lângă modelele deschise, tabelul include rezultatele unor modele cloud cunoscute, ca reper.
SWE-bench Pro și DeepSWE arată lucrul cu codul;
Terminal-Bench 2.1 - sarcini de agent executate autonom;
GPQA Diamond și HLE with tools - întrebări complexe și raționament, în al doilea caz cu instrumente.
Model și sursă | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Fără valoare | |
62.5 | Fără valoare | 58.7 | 91.7 | Fără valoare | |
Fără valoare | 84.3 | 63.4 | Fără valoare | 55.3 | |
Fără valoare | 90.6 | 74.2 | 90.9 | 63.9 | |
Fără valoare | Fără valoare | Fără valoare | Fără valoare | 64.5 | |
Fără valoare | Fără valoare | Fără valoare | 89.9 | 49.0 | |
Fără valoare | 88.8 | 72.7 | Fără valoare | 64.5 | |
53.4 | Fără valoare | Fără valoare | 91.3 | Fără valoare | |
Fără valoare | 85.0 | 58.0 | Fără valoare | 57.9 |
Compararea performanței procesoarelor și a vitezei memoriei
Valorile de vârf de mai jos provin din documentația producătorilor. Performanța FP4 a NVIDIA și TOPS totale ale AMD descriu moduri diferite și nu constituie un clasament direct al vitezei. Apple nu publică o metrică AI de vârf comparabilă în specificațiile citate, astfel că sunt indicate nucleele de calcul și lățimea de bandă a memoriei.
Cip în configurația de vârf | Performanță publicată | Memorie și viteza ei | Sursă |
|---|---|---|---|
NVIDIA RTX Spark N1X | Până la 1PFLOP FP4; CPU 20 nuclee, GPU 6144 nuclee CUDA | Până la 128GB memorie partajată; 300GB/s, magistrală de 256 biți conform documentației NVIDIA | |
NVIDIA GB10 Grace Blackwell | Până la 1PFLOPS FP4 cu sparsitate; CPU 20 nuclee | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS în total, NPU până la 50TOPS; CPU 16 nuclee, Radeon 8060S 40 CU | 128GB; la Framework LPDDR5X 8000MT/s, 256 biți (calcul: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS în total, NPU până la 55TOPS; CPU 16 nuclee, Radeon 8065S 40 CU | 192GB la Framework; LPDDR5X 8533MT/s, 256 biți (calcul: 273.1GB/s) | |
Apple M4 Max | CPU 16 nuclee, GPU 40 nuclee, NPU 16 nuclee | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 nuclee, GPU 80 nuclee, NPU 32 nuclee | Până la 512GB la lansare; 819GB/s | |
Apple M5 Max | CPU 18 nuclee, GPU 40 nuclee, NPU 16 nuclee | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 nuclee, GPU 80 nuclee, NPU 32 nuclee | Până la 512GB; 1.2TB/s |
RTX Spark N1X și GB10 au arhitecturi apropiate: în versiunile de vârf, ambele au 20 de nuclee CPU Arm și GPU Blackwell cu 6144 nuclee CUDA. Totuși, specificațiile oficiale RTX Spark disting N1X pentru laptop, cu TDP de 45-80W, de cel desktop, cu TDP al procesorului de 140W; GB10 are și el TDP de 140W. Există și un N1X de laptop inferior, cu 18 nuclee CPU și 5120 nuclee CUDA. Verificați versiunea procesorului.
Pentru memorie, NVIDIA indică 300GB/s la N1X, iar 273GB/s la GB10.
N1X este conceput pentru Windows on Arm, iar DGX Spark folosește Linux.
În sursele verificate nu a fost găsit un test comparativ N1X și GB10 cu același model, aceeași cuantizare și același context, astfel că putem doar presupune că rezultatele N1X desktop vor fi comparabile cu GB10.
Pentru AMD există măsurători directe: Tom's Hardware a comparat Ryzen AI Halo cu Max+ 395 și Dell Pro Max cu GB10 în llama.cpp prin llama-benchy. Tabelul prezintă rezultatele la o adâncime a contextului de 8192 tokenuri, o intrare de 2048 și un răspuns de 256 tokenuri; autorul a folosit GGUF Unsloth Q4_K_M. Mașina AMD avea 128GB LPDDR5X-8000 și TDP nominal de 120W. TTFT este latența până la primul token; la generare, mai multe tokenuri pe secundă înseamnă un răspuns mai rapid.
Model testat | AMD 395: TTFT | GB10: TTFT | AMD 395: generare | GB10: generare |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokenuri/s | 58.9 tokenuri/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokenuri/s | 50.7 tokenuri/s |
În aceste două teste, GB10 câștigă atât la TTFT, cât și la viteza de generare. Autorul observă că memorarea în cache a intrării poate reduce diferența de TTFT.
Viteza întregii sarcini de agent poate da un rezultat diferit. În testul propriu AMD HEPA ambele mașini au rulat Qwen3.6-35B-A3B în format de 4 biți și au pregătit o prezentare din aceleași documente locale. AMD Halo a terminat în 311.6s, DGX Spark în 367.1s, deși etapa GPU separată a fost mai rapidă pe Spark: 137.2s față de 159.5s. Șapte dintre cele opt etape au rulat pe CPU. Acesta este un exemplu de test concret al producătorului: pentru un agent, merită măsurat și timpul până la rezultatul final, inclusiv căutarea, procesarea documentelor și verificarea răspunsului.
Pentru compararea soluțiilor Apple și NVIDIA, dezvoltatorul EXO indică pentru M3 Ultra aproximativ 26TFLOPS FP16 și pentru DGX Spark aproximativ 100TFLOPS FP16. Aceste estimări dau o diferență de aproximativ 3.8 ori în performanța FP16 de vârf, însă nu reprezintă o diferență garantată în viteza unui LLM local.
Ce contează mai mult pentru viteză: memoria sau unitățile de calcul?
La generarea unui răspuns, un model dens, de exemplu, Qwen3.8-27B, folosește toate straturile și ponderile sale. La una sau câteva cereri, acceleratorul așteaptă adesea citirea datelor, astfel că lățimea de bandă a memoriei este importantă: influențează viteza cu care apar tokenurile următoare.
În timpul prefill-ului, calculatorul procesează textul de intrare și creează cache-ul KV; o intrare lungă oferă mai multe posibilități pentru calcule matriciale paralele. În această etapă de prefill, unitățile de calcul puternice pot scurta așteptarea primului token. Efectul loturilor mari de cereri și predicția sunt analizate într-un articol separat al NVIDIA.
Pentru un agent care primește repetat context și returnează un răspuns scurt sau un apel de instrument, timpul de prefill poate constitui o parte importantă a așteptării. Modelele MoE menționate, Qwen3.8-Flash-Next și GLM-5.3-Flash, folosesc și ele doar experții selectați, ceea ce reduce cerința de viteză a memoriei față de modelele dense, deși aceasta rămâne un factor important al performanței generale.
Dezvoltatorul EXO a măsurat aceeași Llama-3.1 8B FP16: intrare de 8192 tokenuri, răspuns de 32 tokenuri. La DGX Spark, prefill a durat 1.47s, generarea 2.87s, în total 4.34s; la M3 Ultra Mac Studio, 5.57s, 0.85s și 6.42s. În acest test, Spark a câștigat la procesarea intrării, iar Mac la generare.
Cluster: 512GB la NVIDIA și 768GB la AMD
La DGX Spark cu GB10, fiecare mașină de vârf are 128GB. Patru mașini oferă în total 512GB. NVIDIA Sync suportă configurarea unui astfel de cluster; pentru patru noduri este necesar un switch de rețea QSFP corespunzător, iar conexiunea directă este potrivită pentru configurații mai mici.
AMD oferă și ea o cale către rularea distribuită: compania publică un exemplu cu patru noduri și llama.cpp RPC. În plus, Framework anunță reunirea a patru desktopuri cu Ryzen AI Max+ PRO 495 și 192GB pe nod, până la 768GB în total.
În ambele cazuri, suma memoriei nu devine automat un spațiu unic de adrese. Programul de orchestrare trebuie să distribuie modelul între noduri; viteza depinde de rețea și de metoda de paralelizare.
Un cluster poate fi configurat pentru găzduirea unui model mare, viteza unei cereri sau performanța totală a serviciului. Pentru aceasta se folosesc mai multe strategii de distribuire:
Tensor parallel: nodurile calculează simultan părți ale matricelor din aceleași straturi. Procesează cererea împreună, dar schimbă frecvent rezultatele.
Expert parallel: experții MoE sunt amplasați pe noduri diferite, iar tokenurile sunt trimise către experții necesari. Paralelizarea poate ajuta, dar schimbul de date și încărcarea inegală pot anula câștigul.
Pipeline parallel: grupurile de straturi sunt împărțite în etape consecutive. Un token le traversează pe rând; mai multe cereri sau microloturi pot ocupa simultan etape diferite. Pot apărea perioade de inactivitate în pipeline, dar acesta este un scenariu eficient pentru un flux mare de sarcini secvențiale.
Data parallel: copii diferite ale modelului deservesc cereri independente. Aceasta crește debitul total al serviciului dacă există suficientă memorie pentru copii, fără a accelera automat o cerere.
Modurile pot fi combinate, de exemplu, tensor + pipeline sau tensor + expert, dacă programul ales suportă acest lucru. Simplul fapt că există patru noduri nu garantează accelerarea: contează rețeaua, sincronizarea, dimensiunea lotului și echilibrarea sarcinilor. NVIDIA explică separat, cum se alege împărțirea modelului în funcție de echipament.
Pentru DGX Spark există o rețetă oficială vLLM pentru două noduri: Qwen3.8-27B NVFP4, tensor parallel pe două noduri și gruparea continuă a mai multor cereri într-un lot. Acest exemplu arată că și calculul comun al modelului poate deservi cereri paralele.
Soluții pentru modele AI locale de la principalii producători de calculatoare
Tabelele enumeră familii de calculatoare cu configurații de vârf de 128GB și mai mult.
Sunt indicate separat protocolul de încărcare pe care trebuie să îl suporte adaptorul și puterea necesară pentru alimentarea calculatorului.
Laptopuri și stații de lucru cu NVIDIA RTX Spark N1X
Model, cip și interval de memorie | Încărcare cu adaptor USB-C (PD) | Documentație și magazin |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | până la 128GB de memorie unificată | - | |
ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt GR1X | NVIDIA RTX Spark N1X | 64/128GB de memorie partajată | USB-C PD IN, EPR PD 3.1; adaptor de 240W inclus; puterea de intrare necesară și profilul nu sunt specificate | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | până la 128GB de memorie unificată | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery este specificat pentru trei porturi 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 | până la 128GB de memorie unificată | USB PD 3.2; USB-C GaN adaptor 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; un adaptor USB-C de 140W este inclus cu anumite configurații; puterea maximă de intrare nu este specificată. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minimum 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB de memorie unificată | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | până la 128GB LPDDR5X de memorie unificată | USB-C PD IN; adaptor 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Stații de lucru NVIDIA GB10 / DGX Spark
Model, cip și interval de memorie | Încărcare cu adaptor USB-C (PD) | Documentație și magazin |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Sursă USB-C inclusă de 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Fișa tehnică indică o intrare de până la 180W; sursa inclusă este de 240W | |
Dell Pro Precision with GB10 (FCM1253; anterior Dell Pro Max with GB10) | GB10 | 128GB | Sursă USB-C standard de 280W, 48V5.83A; versiunea PD nu este indicată. Acesta este un mod nestandard de 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adaptor de 240W inclus; puterea de intrare necesară, profilul de tensiune și versiunea PD nu sunt specificate. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Intrare USB-C dedicată, sursă de 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Intrare USB-C dedicată cu USB PD 3.1; sursă de alimentare inclusă de 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Sursă standard USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | USB-C PD3.1 240W standard | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Sursă de alimentare inclusă, puterea și modul PD nu sunt indicate |
Ryzen AI Max+ 395 și modele noi cu 192GB
Model, cip și interval de memorie | Încărcare cu adaptor USB-C (PD) | Altă intrare DC sau sursă de rețea | Documentație și magazin |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Conector DC separat în partea din spate; puterea adaptorului inclus nu este specificată în sursa verificată. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Intrare USB-C dedicată încărcării cu sursa standard | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB de memorie unificată | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Suportă USB PD 45-100W | Intrare DC dreptunghiulară: sursă de 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 în versiunea de vârf | 32-128GB | USB PD 3.0, 45-100W | Intrare DC dreptunghiulară: sursă de 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Sursă de rețea internă de 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Sursă internă Flex ATX de 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Sursă internă Flex ATX de 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de memorie partajată | Intrarea USB-C PD nu este specificată în materialele verificate | DC-in; adaptor de 330W inclus | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: sursă de 19.5V11.8A, aproximativ 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de memorie unificată | Alimentarea prin USB-C nu este acceptată | DC IN 19.5V16.9A, 330W; conector 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 în versiunea de vârf | 16-128GB | - | Sursă de rețea internă de 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 în versiunea de vârf | 16-128GB | Sursă USB-C de 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | până la 192GB de memorie unificată | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | până la 128GB de memorie unificată | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Sursă de rețea internă de 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de memorie unificată | - | Sursă de alimentare internă 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Intrare USB PD nespecificată; ambele porturi USB-C: ieșire PD de 15W | Sursă de alimentare internă de rețea Flex de 300W |
Apple Silicon: ultimele două generații
Pentru MacBook Pro, analizăm M5 Max și M4 Max cu GPU de 40 de nuclee și 128GB. Pentru Mac Studio, generația M5 Max / M5 Ultra și cea anterioară M4 Max / M3 Ultra. Apple a anunțat versiunea M3 Ultra de 512GB la lansare, însă pagina actuală de specificații indică maximum 256GB.
Model, cip și interval de memorie | Încărcare cu adaptor USB-C (PD) | Altă intrare DC sau sursă de rețea | Documentație și magazin |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB necesită GPU de 40 de nuclee | PD3.0 (<100W) | MagSafe 3: de la PD 3.0 | Specificații | Încărcare rapidă | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB necesită GPU de 40 de nuclee | PD3.1 (140W) | MagSafe 3: de la PD 3.1 | Specificații | Încărcare rapidă | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB necesită GPU de 40 de nuclee | - | Sursă de rețea integrată; 480W | Specificații | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB în specificația actuală; 512GB la lansare | - | Sursă de rețea integrată; 480W | Specificații | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: livrări mai târziu în octombrie 2026 | - | Sursă de rețea integrată; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB necesită GPU de 40 de nuclee | PD3.0 (<100W) | MagSafe 3: de la PD 3.0 | Specificații | Încărcare rapidă | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB necesită GPU de 40 de nuclee | PD3.1 (140W) | MagSafe 3: de la PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB necesită GPU de 40 de nuclee | - | Sursă de rețea integrată; 480W | Specificații | Amazon.com(36Gb) |
MagSafe 3 la MacBook este un conector proprietar pe partea laptopului, care primește alimentarea de la un adaptor USB-C prin cablul corespunzător.
Cum asigurați o alimentare electrică fiabilă a calculatorului
Verificați conținutul pachetului: unele configurații de calculatoare se vând fără adaptor, mai ales în Europa, iar altele îl includ.
Pentru un calculator care va rula zilnic un model AI local timp de multe ore, este necesară o sursă fiabilă, capabilă să furnizeze continuu puterea cerută fără întreruperi.
Verificați tensiunea, curentul, protocolul și cablul admis în documentația mașinii concrete. Dacă producătorul cere o sursă proprietară sau un mod nestandard, prezența unui conector USB-C nu justifică înlocuirea cu orice încărcător puternic.
Dacă alegeți o sursă cu mai multe porturi, rețineți că sunt importante puterea furnizată de un singur port și felul în care aceasta se schimbă când conectați al doilea dispozitiv, dacă acest scenariu vă interesează.