Персональный ИИ: ноутбуки, рабочие станции и их возможности
Обновлено: 15 часов назад
Появление высокопроизводительных центральных процессоров от NVIDIA, AMD и Apple Silicon вместе с большим объемом общей памяти сделало локальный ИИ доступным в разных форматах: от ноутбуков до компактных домашних рабочих станций. Этот новый класс компьютеров, предназначенных в первую очередь для локального запуска AI моделей, также иногда называют «агентными компьютерами».
Их объединяет архитектура, в которой процессор и встроенный графический ускоритель используют общий большой массив высокоскоростной памяти. Это позволяет хранить крупную функционально способную LLM-модель рядом с вычислительными блоками, без постоянного переноса ее частей через медленное соединение с отдельной видеокартой.
Главная практическая причина запускать ИИ локально - возможность обрабатывать документы, исходный код и внутренние базы знаний без отправки их облачному сервису. Для компании это полезно, а часто принципиально необходимо при работе с конфиденциальной информацией, закрытым корпоративным кодовым репозиторием.
Еще одно преимущество локального размещения LLM - отсутствие платы за каждый запрос к API при работе с локальной моделью. Прямые затраты при работе такой модели - это электроэнергия, необходимая для питания компьютера, однако стоит принимать во внимание затраты на покупку машины, которая, впрочем, будет служить вам не один год. Локальный запуск также дает возможность работать без интернета, самостоятельно выбирать модель, наилучшим образом подходящую для определенных задач (кодинг, агентная работа, языковые переводы, генерация изображений, видео, аудио и т. д.).
Почему так важен большой объем общей памяти?
Обычный ПК с дискретной GPU тоже может быть отличной машиной для локального ИИ. Пока выбранная модель полностью размещается в VRAM и остается запас для KV-кэша и рабочих буферов, ускоритель способен очень быстро обрабатывать запросы. Поэтому считать все компьютеры с отдельной видеокартой непригодными для работы с ИИ было бы не совсем корректно.
Ограничение возникает, когда большой модели (а именно большие модели наиболее ценны и необходимы для профессионального использования) становится тесно в видеопамяти. Программа либо сообщает о нехватке памяти, либо переносит часть работы на CPU и системную RAM, либо подгружает веса из RAM или с SSD. Такие переносы и более медленное хранилище могут резко увеличить задержку, вплоть до неприемлемой для интерактивного помощника. Единого коэффициента падения скорости нет: важны программа запуска, доля выгруженных весов, модель и оборудование. Но на практике падение производительности в таких ситуациях может быть в 5-10 раз.
Много системной RAM рядом с небольшой дискретной GPU не превращается автоматически в столько же быстрой VRAM.
В решениях на базе NVIDIA RTX/DGX Spark, AMD Ryzen AI Max и Apple Silicon Max/Ultra иной акцент: большой объем общей памяти доступен графическому ускорителю в рамках поддерживаемой архитектуры. Это расширяет выбор крупных моделей.
128GB и более - выбранный в этой статье ориентир для крупных моделей, способных выполнять задачи, за решением которых обычно пользователи обращаются к облачным моделям по API или подписке. Для меньших специализированных моделей или экспериментов с ультраквантизованными и дистиллированными моделями и ограниченным окном контекста может быть достаточно и меньшего объема.
Большие объемы памяти также дают запас для использования меньшего сжатия весов (а значит, лучшего сохранения качества) и большего окна контекста.
Где локальный ИИ полезен в ежедневной работе
Помощник по внутренним документам. Если у вас большая база данных с документацией, то может иметь смысл строить систему RAG, которая сначала находит подходящие фрагменты в локальной базе знаний, затем передает их LLM-модели для ответа со ссылками на документы. LLM может делать поиск по ключевым словам в документации, но если работа с архивами документов - это основная задача, то наличие RAG может сделать поиск точнее и эффективнее, т. к. это векторная база данных.
Работа с исходным кодом. Модель помогает объяснять участки проекта, предлагать изменения, писать код и тестировать. Топ-модели от Anthropic или OpenAI дадут лучший результат, однако это облачные решения, которые не всем доступны, не всегда применимы по причине конфиденциальности и могут быть очень дороги в использовании. Если же использование облачных решений допустимо в вашем рабочем окружении, то может быть реализован сценарий распределения нагрузки, где рутинные операции делегируются локальным моделям, а финальное ревью и архитектуру закрывают топ-модели из облака.
Фоновый (ночной) запуск тестов и рутинных операций. Ваша команда может иметь регулярные повторяющиеся задачи, которые должны запускаться по определенному сценарию, событию или расписанию и подразумевают использование тулов: парсинг и анализ логов, тестирование релизов, поиск новых документов как в локальных источниках, так и в интернете.
Общий помощник для небольшой команды. Компактную станцию можно разместить в офисе, а обращаться к локальной модели с нескольких компьютеров. NVIDIA PAIR умеет распределять независимые запросы Ollama или LM Studio по подключенным совместимым системам.
Генерация изображений. Для компьютера со 128GB памяти стоит рассмотреть FLUX.1-dev для изображений: выбранный комплект весов Diffusers вместе с текстовыми энкодерами и VAE занимает около 33.74GB. NVIDIA публикует инструкцию запуска через ComfyUI на DGX Spark.
Генерация видео. Для этого кейса примером локальной модели служит Wan2.2-T2V-A14B: исходный комплект с двумя экспертами в FP32, текстовым энкодером и VAE занимает около 126.18GB. Его официальный пример для 720p требует не менее 80GB.
Синтез речи. Для задач генерации речи на разных языках может использоваться Qwen3-TTS-12Hz-1.7B-CustomVoice вместе с речевым токенизатором; файлы весов занимают около 4.52GB. Более крупная альтернатива - MOSS-TTS-v1.5 на 8B параметров: 31 язык, клонирование голоса по образцу, длинные записи, управление длительностью, произношением через IPA и паузами. Основные веса занимают около 16.98GB, а обязательный MOSS-Audio-Tokenizer - еще 7.10GB, всего около 24.08GB. Лицензия Apache 2.0 допускает коммерческое использование. Это более широкий набор функций, а не доказательство лучшего звучания на любом тексте.
Распознавание речи. Для локальной расшифровки встреч, интервью и голосовых заметок подойдет Qwen3-ASR-1.7B: модель поддерживает 30 языков, включая русский, автоматическое определение языка и потоковое распознавание. Файлы весов BF16 занимают около 4.70GB. Для временных меток слов дополнительно используется Qwen3-ForcedAligner-0.6B с весами около 1.84GB. Обе модели доступны по Apache 2.0. Расход памяти при запуске выше размера файлов и зависит от буферов и параллельных потоков.
Наличие большого количества общей памяти само по себе не гарантирует запуск: для каждого чипа, особенно AMD и Apple, нужно проверить совместимость программы запуска, доступный ускорителю объем памяти и поддерживаемую точность.
Какие модели подойдут для компьютеров с 32-768GB
Хотя мы сделали акцент на том, что для серьезной профессиональной работы с моделями, которые способны заменить облачные решения во многих ситуациях, вам потребуется машина с 128GB памяти, ниже будет дан ориентир в виде dense-модели Qwen3.8-27B, которая также может использоваться для кодинга и которую можно загрузить в машину и с меньшим объемом памяти.
Тем не менее основным ориентиром будут служить современные и очень способные открытые MoE-модели Qwen3.8-Flash-Next и GLM-5.3-Flash. Qwen3.8 Flash - это релиз для облака, а Flash-Next - открытый релиз для локальной установки.
У MoE-моделей на токен активна лишь часть параметров, но в памяти нужно разместить весь набор весов.
Квантизация моделей уменьшает размер весов и кэша за счет более компактного представления чисел; смешанные варианты UD используют разную точность для разных частей модели. Квантизация неизбежно влияет на качество, однако это зависит от того, насколько она агрессивна. Считается, что квантизация вплоть до 4 бит (Q4) может быть приемлемой в работе, а Q8 зачастую очень близка к оригиналу. Ниже приведены конкретные опубликованные GGUF и сумма всех частей их весов. Размер файла не равен расходу всей программы: отдельно нужна память для ОС, рабочих буферов, KV-кэша и выбранной длины контекста.
Если в машине/кластере много свободной памяти, можно разместить несколько копий модели или разные модели для одновременного использования.
Память | Условия выбора | |||
|---|---|---|---|---|
32GB | Q4 + резерв не помещается | Q4 + резерв не помещается | Qwen27B: 32K контекста помещается; 64K - погранично; 128K+ не помещаются. | |
64GB | Q4 + резерв не помещается | Q4 + резерв не помещается | Qwen27B: вплоть до 256K контекста помещается. | |
128GB | Q4 + резерв не помещается | Qwen27B: до 256K. Flash-Next: 32K/64K помещаются; 128K - погранично. | ||
192GB | Q4 + резерв не помещается | Qwen27B и Flash-Next: до 256K. | ||
256GB | Контекст до 256K помещается. | |||
512GB | Контекст до 256K. Для кластера из 4 узлов нужно еще 36GB у Qwen27B, 60GB у Flash-Next и 72GB у GLM Flash: ОС и буферы нужны на каждом узле. | |||
768GB | Контекст до 256K. Для кластера из 4 узлов нужно еще 36GB у Qwen27B, 60GB у Flash-Next и 72GB у GLM Flash: ОС и буферы нужны на каждом узле. |
Сравнение моделей на одинаковых версиях тестов
Значения ниже - проценты из публикаций разработчиков исходных релизов, а не результаты выбранных квантизованных GGUF-версий. Одинаковые версии тестов не гарантируют одинаковую агентную оболочку и настройки. Например, Qwen3.8-27B тестировали в SWE-bench Pro и DeepSWE 1.1 с агентной оболочкой Claude Code и контекстом 256K.
В таблице помимо открытых моделей даны значения бенчмарков известных облачных моделей для ориентира.
SWE-bench Pro и DeepSWE показывают работу с кодом;
Terminal-Bench 2.1 - агентные задачи автономного исполнения;
GPQA Diamond и HLE with tools - сложные вопросы и рассуждение, во втором случае с инструментами.
Модель и источник | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Нет значения | |
62.5 | Нет значения | 58.7 | 91.7 | Нет значения | |
Нет значения | 84.3 | 63.4 | Нет значения | 55.3 | |
Нет значения | 90.6 | 74.2 | 90.9 | 63.9 | |
Нет значения | Нет значения | Нет значения | Нет значения | 64.5 | |
Нет значения | Нет значения | Нет значения | 89.9 | 49.0 | |
Нет значения | 88.8 | 72.7 | Нет значения | 64.5 | |
53.4 | Нет значения | Нет значения | 91.3 | Нет значения | |
Нет значения | 85.0 | 58.0 | Нет значения | 57.9 |
Сравнение производительности процессоров и скорости памяти
Пиковые числа ниже взяты из документации производителей. FP4-производительность NVIDIA и суммарные TOPS AMD описывают разные режимы и не служат прямым рейтингом скорости. Apple в приведенных спецификациях не публикует сопоставимую пиковую AI-метрику, поэтому указаны вычислительные ядра и пропускная способность памяти.
Чип в старшей конфигурации | Опубликованная производительность | Память и ее скорость | Источник |
|---|---|---|---|
NVIDIA RTX Spark N1X | До 1PFLOP FP4; CPU 20 ядер, GPU 6144 CUDA-ядер | До 128GB общей памяти; 300GB/s, шина 256 бит по документации NVIDIA | |
NVIDIA GB10 Grace Blackwell | До 1PFLOPS FP4 с разреженностью; CPU 20 ядер | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS суммарно, NPU до 50TOPS; CPU 16 ядер, Radeon 8060S 40 CU | 128GB; у Framework LPDDR5X 8000MT/s, 256 бит (расчет: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS суммарно, NPU до 55TOPS; CPU 16 ядер, Radeon 8065S 40 CU | 192GB у Framework; LPDDR5X 8533MT/s, 256 бит (расчет: 273.1GB/s) | |
Apple M4 Max | CPU 16 ядер, GPU 40 ядер, NPU 16 ядер | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 ядра, GPU 80 ядер, NPU 32 ядра | До 512GB при выпуске; 819GB/s | |
Apple M5 Max | CPU 18 ядер, GPU 40 ядер, NPU 16 ядер | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 ядер, GPU 80 ядер, NPU 32 ядра | До 512GB; 1.2TB/s |
RTX Spark N1X и GB10 близки по архитектуре: в старших версиях у обоих 20 Arm-ядер CPU и Blackwell GPU с 6144 CUDA-ядрами. Однако официальные характеристики RTX Spark разделяют ноутбучный N1X с TDP 45-80W и настольный с TDP процессора 140W; у GB10 TDP также 140W. Есть и младший ноутбучный N1X с 18 CPU-ядрами и 5120 CUDA-ядрами. Обращайте внимание на версию процессора.
Для памяти NVIDIA указывает у N1X 300GB/s, а у GB10 273GB/s.
N1X рассчитан на Windows on Arm, DGX Spark использует Linux.
В проверенных источниках не найден парный тест N1X и GB10 на одинаковой модели, квантизации и контексте, поэтому можно лишь предполагать, что результаты десктопного N1X будут сопоставимы с GB10.
Для AMD есть прямые измерения: Tom's Hardware сравнил Ryzen AI Halo на Max+ 395 и Dell Pro Max на GB10 в llama.cpp через llama-benchy. В таблице приведены результаты при глубине контекста 8192 токена, входе 2048 и ответе 256 токенов; автор использовал GGUF Unsloth Q4_K_M. AMD-машина имела 128GB LPDDR5X-8000 и номинальный TDP 120W. TTFT - задержка до первого токена; при генерации больше токенов в секунду означает более быстрый ответ.
Тестовая модель | AMD 395: TTFT | GB10: TTFT | AMD 395: генерация | GB10: генерация |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 токена/с | 58.9 токена/с |
gpt-oss-120B | 26.0s | 5.9s | 46.4 токена/с | 50.7 токена/с |
В этих двух тестах GB10 выигрывает и по TTFT, и по скорости генерации. Автор отмечает, что кэширование входа может сократить разницу в TTFT.
Скорость всей агентной задачи может дать другой результат. В собственном тесте AMD HEPA обе машины запускали Qwen3.6-35B-A3B в 4-битном формате и готовили презентацию из одинаковых локальных документов. AMD Halo завершил работу за 311.6s, DGX Spark - за 367.1s, хотя отдельный GPU-этап был быстрее у Spark: 137.2s против 159.5s. Семь из восьми этапов выполнялись на CPU. Это пример конкретного теста производителя: для агента стоит измерять и время готового результата, включая поиск, обработку документов и проверку ответа.
Для сравнения решений Apple и NVIDIA разработчик EXO приводит для M3 Ultra около 26TFLOPS FP16 и для DGX Spark около 100TFLOPS FP16. Эти оценки дают разницу примерно в 3.8 раза по пиковой FP16-производительности, но это не гарантированная разница в скорости локальной LLM.
Что важнее для скорости: память или вычислительные блоки?
При генерации ответа dense-модель (например, Qwen3.8-27B) использует все свои слои и веса. При одном или нескольких запросах ускоритель часто ждет чтения данных, поэтому важна пропускная способность памяти: она влияет на скорость появления следующих токенов.
Во время prefill компьютер обрабатывает входной текст и создает KV-кэш; длинный вход дает больше возможностей для параллельных матричных вычислений. На этом этапе prefill сильные вычислительные блоки могут сократить ожидание первого токена. Влияние больших пакетов запросов и предсказание разбирает в отдельной статье NVIDIA.
Для агента, который многократно получает контекст и возвращает короткий ответ или вызов инструмента, время prefill может занимать существенную долю ожидания. Также упомянутые MoE-модели Qwen3.8-Flash-Next и GLM-5.3-Flash используют только выбранных экспертов, что снижает требование к скорости памяти (в сравнении с dense-моделями), хотя это по-прежнему остается важным фактором общей производительности.
Разработчик EXO измерил одну и ту же Llama-3.1 8B FP16: вход 8192 токена, ответ 32 токена. У DGX Spark prefill занял 1.47s, генерация - 2.87s, всего 4.34s; у M3 Ultra Mac Studio - 5.57s, 0.85s и 6.42s. В этом тесте Spark выиграл обработку входа, а Mac - генерацию.
Кластеры: 512GB у NVIDIA и 768GB у AMD
У DGX Spark на GB10 каждая старшая машина содержит 128GB. Четыре машины дают 512GB суммарно. NVIDIA Sync поддерживает настройку такого кластера; для четырех узлов нужен соответствующий сетевой коммутатор QSFP, а прямое соединение подходит для меньших конфигураций.
У AMD тоже есть путь к распределенному запуску: компания публикует пример четырех узлов с llama.cpp RPC. Кроме того, Framework заявляет объединение четырех Desktop с Ryzen AI Max+ PRO 495 и 192GB на узел - до 768GB суммарно.
В обоих случаях сумма памяти не становится автоматически единым адресным пространством. Программа-оркестратор должна распределять модель между узлами; скорость зависит от сети и способа распараллеливания.
Кластер можно настроить под размещение крупной модели, скорость одного запроса или суммарную производительность сервиса. Для этого применяют несколько стратегий распределения:
Tensor parallel: узлы одновременно вычисляют части матриц одних и тех же слоев. Они совместно обрабатывают запрос, но часто обмениваются результатами.
Expert parallel: эксперты MoE размещены на разных узлах, токены направляются к нужным экспертам. Распараллеливание может помочь, но обмен данными и неравномерная загрузка способны съесть выигрыш.
Pipeline parallel: группы слоев разделены на последовательные стадии. Один токен проходит их по очереди; несколько запросов или микропакетов могут заполнить разные стадии одновременно. Возможны простои конвейера, но это эффективный сценарий при большом потоке последовательных задач.
Data parallel: разные копии модели обслуживают независимые запросы. Это увеличивает общую пропускную способность сервиса при достаточной памяти для копий, а не автоматически ускоряет один запрос.
Режимы можно сочетать, например tensor + pipeline или tensor + expert, если выбранная программа это поддерживает. Само наличие четырех узлов не гарантирует ускорения: важны сеть, синхронизация, размер пакета и баланс нагрузки. NVIDIA отдельно объясняет, как выбирать разделение модели под оборудование.
Для DGX Spark есть официальный двухузловой рецепт vLLM: Qwen3.8-27B NVFP4, tensor parallel на двух узлах и непрерывное объединение нескольких запросов в пакет. Этот пример показывает, что совместный расчет модели тоже может обслуживать параллельные запросы.
Решения для локальных AI-моделей от ведущих производителей компьютеров
В таблицах перечислены семейства компьютеров со старшими конфигурациями на 128GB и больше.
Отдельно указывается, какой зарядный протокол должен поддерживать адаптер и какой мощности он должен быть для питания компьютера.
Ноутбуки и рабочие станции на NVIDIA RTX Spark N1X
Модель, чип и диапазон памяти | Зарядка адаптером USB-C (PD) | Документация и магазин |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | до 128GB общей памяти | - | |
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 общей памяти | USB-C PD IN, EPR PD 3.1; адаптер 240W в комплекте; требуемая входная мощность и профиль не указаны | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | до 128GB общей памяти | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | На трех USB-C 4.0 заявлена Power Delivery | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | до 128GB общей памяти | USB PD 3.2; USB-C GaN адаптер 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; адаптер USB-C 140W поставляется с отдельными конфигурациями; максимальная мощность входа не указана. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, минимум 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB общей памяти | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | до 128GB LPDDR5X общей памяти | USB-C PD IN; адаптер 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Рабочие станции NVIDIA GB10 / DGX Spark
Модель, чип и диапазон памяти | Зарядка адаптером USB-C (PD) | Документация и магазин |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Комплектный USB-C БП 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. В техническом листе указан вход до 180W; комплектный БП 240W | |
Dell Pro Precision with GB10 (FCM1253; ранее Dell Pro Max with GB10) | GB10 | 128GB | Штатный USB-C БП 280W, 48V5.83A; версия PD не указана. Это нестандартный режим 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; адаптер 240W в комплекте; требуемая мощность входа, профиль напряжения и версия PD не указаны. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Выделенный USB-C-вход, БП 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Выделенный USB-C-вход USB PD 3.1; комплектный БП 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Штатный БП USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Штатный USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | БП в наборе, мощность и режим PD не указаны |
Ryzen AI Max+ 395 и новые модели с 192GB
Модель, чип и диапазон памяти | Зарядка адаптером USB-C (PD) | Другой DC-вход или сетевой БП | Документация и магазин |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Задний отдельный DC-разъем; мощность комплектного адаптера в проверенном источнике не указана. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Выделенный USB-C-вход для зарядки штатным БП | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB общей памяти | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Поддерживается USB PD 45-100W | Прямоугольный DC-вход: БП 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 в старшей версии | 32-128GB | USB PD 3.0, 45-100W | Прямоугольный DC-вход: БП 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Внутренний сетевой БП 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Внутренний Flex ATX БП 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Внутренний Flex ATX БП 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB общей памяти | USB-C PD вход в проверенных материалах не указан | DC-in; комплектный адаптер 330W | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: БП 19.5V11.8A, около 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB общей памяти | Вход USB-C для питания не поддерживается | DC IN 19.5V16.9A, 330W; разъем 5.5 x 2.5 мм | |
HP Z2 Mini G1a | Max+ PRO 395 в старшей версии | 16-128GB | - | Внутренний сетевой БП 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 в старшей версии | 16-128GB | USB-C БП 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | до 192GB общей памяти | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | до 128GB общей памяти | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Внутренний сетевой БП 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB общей памяти | - | Внутренний сетевой БП 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Вход USB PD не заявлен; оба USB-C: PD out 15W | Внутренний сетевой Flex БП 300W |
Apple Silicon: два последних поколения
Для MacBook Pro рассматриваются M5 Max и M4 Max с 40-ядерным GPU и 128GB. Для Mac Studio - поколение M5 Max / M5 Ultra и предыдущее M4 Max / M3 Ultra. Версию M3 Ultra на 512GB Apple заявляла при выпуске, но текущая страница характеристик показывает максимум 256GB.
Модель, чип и диапазон памяти | Зарядка адаптером USB-C (PD) | Другой DC-вход или сетевой БП | Документация и магазин |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB требует 40-ядерного GPU | PD3.0 (<100W) | MagSafe 3: от PD 3.0 | Характеристики | Быстрая зарядка | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB требует 40-ядерного GPU | PD3.1 (140W) | MagSafe 3: от PD 3.1 | Характеристики | Быстрая зарядка | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB требует 40-ядерного GPU | - | Встроенный сетевой БП; 480W | Характеристики | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB в текущей спецификации; 512GB при выпуске | - | Встроенный сетевой БП; 480W | Характеристики | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: поставки позднее в октябре 2026 | - | Встроенный сетевой БП; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB требует 40-ядерного GPU | PD3.0 (<100W) | MagSafe 3: от PD 3.0 | Характеристики | Быстрая зарядка | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB требует 40-ядерного GPU | PD3.1 (140W) | MagSafe 3: от PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB требует 40-ядерного GPU | - | Встроенный сетевой БП; 480W | Характеристики | Amazon.com(36Gb) |
MagSafe 3 у MacBook - фирменный разъем на стороне ноутбука, который получает питание от USB-C-адаптера через соответствующий кабель.
Как обеспечить надежное электропитание компьютеру
Проверьте комплект поставки: некоторые конфигурации компьютеров продаются без адаптера (особенно в Европе), а у других он включен.
Для компьютера, который будет многие часы работать с локальной ИИ-моделью каждый день, нужен надежный источник, способный длительно отдавать требуемую мощность без сбоев.
Сверяйте напряжение, ток, протокол и допустимый кабель с документацией конкретной машины. Если производитель требует фирменный БП или нестандартный режим, наличие USB-C-разъема не дает основания заменить его любым мощным зарядным устройством.
Если ваш выбор будет сделан в пользу многопортового БП, обратите внимание, что важны мощность, отдаваемая одним портом, и логика её изменения при подключении второго устройства (если для вас этот сценарий актуален).