Personlig AI: bärbara datorer, arbetsstationer och deras möjligheter
Uppdaterat: för 1 dag sedan
Högpresterande centralprocessorer från NVIDIA, AMD och Apple Silicon har tillsammans med stora mängder delat minne gjort lokal AI tillgänglig i olika format: från bärbara datorer till kompakta arbetsstationer för hemmet. Denna nya typ av datorer, som främst är avsedd för att köra AI-modeller lokalt, kallas ibland även ”agentiska datorer”.
De har en arkitektur gemensamt där processorn och den inbyggda grafikacceleratorn använder samma stora mängd snabbt minne. Det gör att en stor och kapabel LLM-modell kan lagras nära beräkningsenheterna, utan att delar av den ständigt måste flyttas via en långsam anslutning till ett separat grafikkort.
Det främsta praktiska skälet att köra AI lokalt är möjligheten att bearbeta dokument, källkod och interna kunskapsbaser utan att skicka dem till en molntjänst. För ett företag är det användbart och ofta helt nödvändigt vid arbete med konfidentiell information eller ett slutet kodarkiv för företaget.
En annan fördel med att köra en LLM lokalt är att varje API-anrop till den lokala modellen inte kostar något. Den direkta driftkostnaden är elen som datorn behöver, men även inköpskostnaden bör räknas med, även om datorn kommer att tjäna dig i flera år. Lokal körning gör det också möjligt att arbeta utan internet och själv välja den modell som passar bäst för vissa uppgifter: programmering, agentarbete, översättning, generering av bilder, video, ljud med mera.
Varför är en stor mängd delat minne så viktig?
En vanlig PC med diskret GPU kan också vara en utmärkt dator för lokal AI. Så länge den valda modellen ryms helt i VRAM och det finns utrymme kvar för KV-cache och arbetsbuffertar kan acceleratorn behandla förfrågningar mycket snabbt. Därför vore det inte helt korrekt att betrakta alla datorer med separat grafikkort som olämpliga för AI.
Begränsningen uppstår när en stor modell, och just stora modeller är mest värdefulla och nödvändiga för professionell användning, får för ont om utrymme i grafikminnet. Programmet rapporterar då antingen minnesbrist, flyttar en del av arbetet till CPU och systemets RAM eller läser in vikter från RAM eller SSD. Sådana överföringar och långsammare lagring kan kraftigt öka fördröjningen, ända till en nivå som är oacceptabel för en interaktiv assistent. Det finns ingen gemensam faktor för hastighetsminskningen: körprogrammet, andelen avlastade vikter, modellen och hårdvaran spelar roll. I praktiken kan prestandan dock minska 5-10 gånger i sådana situationer.
Mycket system-RAM bredvid en liten diskret GPU blir inte automatiskt lika mycket snabbt VRAM.
Lösningar baserade på NVIDIA RTX/DGX Spark, AMD Ryzen AI Max och Apple silicon Max/Ultra har ett annat fokus: grafikacceleratorn får tillgång till en stor mängd delat minne inom den arkitektur som stöds. Det ger fler stora modeller att välja mellan.
128GB eller mer är artikelns riktmärke för stora modeller som klarar uppgifter där användare vanligen vänder sig till molnmodeller via API eller abonnemang. Mindre minne kan räcka för mindre specialiserade modeller eller experiment med extremt kvantiserade och destillerade modeller med begränsat kontextfönster.
Stora mängder minne ger också utrymme för mindre komprimering av vikterna, och därmed bättre bibehållen kvalitet, samt ett större kontextfönster.
Var lokal AI är användbar i det dagliga arbetet
Assistent för interna dokument. Om du har en stor databas med dokumentation kan det vara värt att bygga ett RAG-system som först hittar relevanta avsnitt i den lokala kunskapsbasen och sedan skickar dem till LLM-modellen för ett svar med dokumenthänvisningar. En LLM kan söka efter nyckelord i dokumentationen, men om dokumentarkiv är huvuduppgiften kan RAG göra sökningen mer exakt och effektiv, eftersom det är en vektordatabas.
Arbete med källkod. Modellen hjälper till att förklara delar av projektet, föreslå ändringar, skriva kod och testa. Toppmodeller från Anthropic eller OpenAI ger bättre resultat, men de är molnlösningar som inte är tillgängliga för alla, inte alltid kan användas av sekretesskäl och kan bli mycket dyra. Om molnlösningar är tillåtna i din arbetsmiljö kan arbetet fördelas: rutinuppgifter delegeras till lokala modeller medan slutgranskning och arkitektur hanteras av toppmodeller i molnet.
Tester och rutinuppgifter i bakgrunden, även nattetid. Ditt team kan ha återkommande uppgifter som ska starta enligt ett visst scenario, en händelse eller ett schema och använda verktyg: parsning och analys av loggar, testning av releaser och sökning efter nya dokument både i lokala källor och på internet.
Gemensam assistent för ett litet team. En kompakt station kan placeras på kontoret och den lokala modellen nås från flera datorer. NVIDIA PAIR kan fördela oberoende Ollama- eller LM Studio-förfrågningar mellan anslutna kompatibla system.
Bildgenerering. För en dator med 128GB minne är det värt att överväga FLUX.1-dev för bilder: den valda uppsättningen Diffusers-vikter tillsammans med textkodare och VAE tar ungefär 33.74GB. NVIDIA publicerar anvisningar för körning via ComfyUI på DGX Spark.
Videogenerering. För detta användningsfall är ett exempel på en lokal modell Wan2.2-T2V-A14B: den ursprungliga uppsättningen med två experter i FP32, textkodare och VAE tar ungefär 126.18GB. Dess officiella exempel för 720p kräver minst 80GB.
Talsyntes. För att generera tal på olika språk kan man använda Qwen3-TTS-12Hz-1.7B-CustomVoice tillsammans med taltokeniseraren; viktfilerna tar ungefär 4.52GB. Ett större alternativ är MOSS-TTS-v1.5 med 8B parametrar: 31 språk, röstkloning från ett exempel, långa inspelningar samt styrning av längd, uttal via IPA och pauser. Huvudvikterna tar ungefär 16.98GB, och den obligatoriska MOSS-Audio-Tokenizer tar ytterligare 7.10GB, totalt ungefär 24.08GB. Apache 2.0-licensen tillåter kommersiell användning. Det är en bredare uppsättning funktioner, inte ett bevis på bättre ljud för alla texter.
Taligenkänning. För lokal transkribering av möten, intervjuer och röstanteckningar passar Qwen3-ASR-1.7B: modellen stöder 30 språk, inklusive ryska, med automatisk språkidentifiering och strömmande igenkänning. BF16-viktfilerna tar ungefär 4.70GB. För tidsstämplar på ord används dessutom Qwen3-ForcedAligner-0.6B med vikter på ungefär 1.84GB. Båda modellerna är tillgängliga under Apache 2.0. Minnesanvändningen vid körning är högre än filstorleken och beror på buffertar och parallella strömmar.
En stor mängd delat minne garanterar inte i sig att modellen kan köras: för varje chip, särskilt AMD och Apple, måste körprogrammets kompatibilitet, mängden minne tillgänglig för acceleratorn och den precision som stöds kontrolleras.
Vilka modeller passar datorer med 32-768GB
Även om vi har betonat att seriöst professionellt arbete med modeller som kan ersätta molnlösningar i många situationer kräver en dator med 128GB minne, ger vi nedan ett riktmärke i form av den täta modellen Qwen3.8-27B. Den kan även användas för programmering och laddas på en dator med mindre minne.
De viktigaste riktmärkena blir dock de moderna och mycket kapabla öppna MoE-modellerna Qwen3.8-Flash-Next och GLM-5.3-Flash. Qwen3.8 Flash är en molnrelease, medan Flash-Next är en öppen release för lokal installation.
I MoE-modeller är bara en del av parametrarna aktiv per token, men hela uppsättningen vikter måste få plats i minnet.
Kvantiserade modeller får mindre vikt och cache genom en mer kompakt representation av tal; blandade UD-varianter använder olika precision för olika delar av modellen. Kvantisering påverkar alltid kvaliteten, men hur mycket den påverkar beror på hur aggressiv den är. Kvantisering ned till 4 bitar (Q4) anses kunna vara acceptabel i praktiken, medan Q8 ofta ligger mycket nära originalet. Nedan visas specifika publicerade GGUF-filer och summan av alla deras delars vikter. Filstorleken är inte lika med hela programmets minnesanvändning: separat minne behövs för operativsystemet, arbetsbuffertar, KV-cache och vald kontextlängd.
Om datorn eller klustret har mycket ledigt minne kan flera kopior av modellen eller olika modeller köras samtidigt.
Minne | Villkor för val | |||
|---|---|---|---|---|
32GB | Q4 + reserv får inte plats | Q4 + reserv får inte plats | Qwen27B: 32K kontext får plats; 64K är på gränsen; 128K+ får inte plats. | |
64GB | Q4 + reserv får inte plats | Q4 + reserv får inte plats | Qwen27B: upp till 256K kontext får plats. | |
128GB | Q4 + reserv får inte plats | Qwen27B: upp till 256K. Flash-Next: 32K/64K får plats; 128K är på gränsen. | ||
192GB | Q4 + reserv får inte plats | Qwen27B och Flash-Next: upp till 256K. | ||
256GB | Upp till 256K kontext får plats. | |||
512GB | Kontext upp till 256K. För ett kluster med 4 noder behövs ytterligare 36GB för Qwen27B, 60GB för Flash-Next och 72GB för GLM Flash: operativsystem och buffertar behövs på varje nod. | |||
768GB | Kontext upp till 256K. För ett kluster med 4 noder behövs ytterligare 36GB för Qwen27B, 60GB för Flash-Next och 72GB för GLM Flash: operativsystem och buffertar behövs på varje nod. |
Modelljämförelse med samma testversioner
Värdena nedan är procenttal från utvecklarnas publiceringar för de ursprungliga releaserna, inte resultat för de valda kvantiserade GGUF-versionerna. Samma testversioner garanterar inte samma agentmiljö och inställningar. Exempelvis testades Qwen3.8-27B i SWE-bench Pro och DeepSWE 1.1 med agentmiljön Claude Code och 256K kontext.
Utöver öppna modeller visar tabellen benchmarkvärden för välkända molnmodeller som referens.
SWE-bench Pro och DeepSWE visar arbete med kod;
Terminal-Bench 2.1 - agentuppgifter som utförs självständigt;
GPQA Diamond och HLE with tools - komplexa frågor och resonemang, i det andra fallet med verktyg.
Modell och källa | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Inget värde | |
62.5 | Inget värde | 58.7 | 91.7 | Inget värde | |
Inget värde | 84.3 | 63.4 | Inget värde | 55.3 | |
Inget värde | 90.6 | 74.2 | 90.9 | 63.9 | |
Inget värde | Inget värde | Inget värde | Inget värde | 64.5 | |
Inget värde | Inget värde | Inget värde | 89.9 | 49.0 | |
Inget värde | 88.8 | 72.7 | Inget värde | 64.5 | |
53.4 | Inget värde | Inget värde | 91.3 | Inget värde | |
Inget värde | 85.0 | 58.0 | Inget värde | 57.9 |
Jämförelse av processorprestanda och minneshastighet
Toppvärdena nedan är hämtade ur tillverkarnas dokumentation. NVIDIAs FP4-prestanda och AMD:s sammanlagda TOPS beskriver olika lägen och utgör ingen direkt hastighetsranking. Apple publicerar ingen jämförbar toppsiffra för AI i de angivna specifikationerna, så beräkningskärnor och minnesbandbredd anges i stället.
Chip i högsta konfiguration | Publicerad prestanda | Minne och dess hastighet | Källa |
|---|---|---|---|
NVIDIA RTX Spark N1X | Upp till 1PFLOP FP4; CPU 20 kärnor, GPU 6144 CUDA-kärnor | Upp till 128GB delat minne; 300GB/s, 256 bitars buss enligt NVIDIA-dokumentationen | |
NVIDIA GB10 Grace Blackwell | Upp till 1PFLOPS FP4 med gleshet; CPU 20 kärnor | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS totalt, NPU upp till 50TOPS; CPU 16 kärnor, Radeon 8060S 40 CU | 128GB; hos Framework LPDDR5X 8000MT/s, 256 bitar (beräknat: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS totalt, NPU upp till 55TOPS; CPU 16 kärnor, Radeon 8065S 40 CU | 192GB hos Framework; LPDDR5X 8533MT/s, 256 bitar (beräknat: 273.1GB/s) | |
Apple M4 Max | CPU 16 kärnor, GPU 40 kärnor, NPU 16 kärnor | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 kärnor, GPU 80 kärnor, NPU 32 kärnor | Upp till 512GB vid lanseringen; 819GB/s | |
Apple M5 Max | CPU 18 kärnor, GPU 40 kärnor, NPU 16 kärnor | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 kärnor, GPU 80 kärnor, NPU 32 kärnor | Upp till 512GB; 1.2TB/s |
RTX Spark N1X och GB10 har liknande arkitektur: i de högsta versionerna har båda 20 Arm-kärnor i CPU och en Blackwell GPU med 6144 CUDA-kärnor. Däremot skiljer de officiella RTX Spark-specifikationerna mellan den bärbara N1X med TDP 45-80W och skrivbordsversionen med processor-TDP 140W; även GB10 har TDP 140W. Det finns också en enklare bärbar N1X med 18 CPU-kärnor och 5120 CUDA-kärnor. Var uppmärksam på processorversionen.
För minnet anger NVIDIA 300GB/s för N1X, och 273GB/s för GB10.
N1X är avsedd för Windows on Arm, medan DGX Spark använder Linux.
I de granskade källorna hittades inget jämförande test av N1X och GB10 med samma modell, kvantisering och kontext. Därför går det bara att anta att resultaten för skrivbordsversionen av N1X blir jämförbara med GB10.
För AMD finns direkta mätningar: Tom's Hardware jämförde Ryzen AI Halo med Max+ 395 och Dell Pro Max med GB10 i llama.cpp via llama-benchy. Tabellen visar resultaten med ett kontextdjup på 8192 token, 2048 token in och 256 token i svaret; författaren använde GGUF Unsloth Q4_K_M. AMD-datorn hade 128GB LPDDR5X-8000 och nominell TDP 120W. TTFT är tiden till första token; vid generering betyder fler token per sekund ett snabbare svar.
Testmodell | AMD 395: TTFT | GB10: TTFT | AMD 395: generering | GB10: generering |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 token/s | 58.9 token/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 token/s | 50.7 token/s |
I dessa två tester vinner GB10 både i TTFT och i genereringshastighet. Författaren påpekar att cachelagring av indata kan minska skillnaden i TTFT.
Hastigheten för hela agentuppgiften kan ge ett annat resultat. I AMD:s eget HEPA-test körde båda datorerna Qwen3.6-35B-A3B i 4-bitarsformat och skapade en presentation från samma lokala dokument. AMD Halo blev klar på 311.6s och DGX Spark på 367.1s, trots att det separata GPU-steget var snabbare på Spark: 137.2s mot 159.5s. Sju av åtta steg kördes på CPU. Det är ett exempel på ett specifikt tillverkartest: för en agent bör man även mäta tiden till färdigt resultat, inklusive sökning, dokumentbearbetning och svarskontroll.
För att jämföra lösningarna från Apple och NVIDIA anger utvecklaren EXO ungefär 26TFLOPS FP16 för M3 Ultra och ungefär 100TFLOPS FP16 för DGX Spark. Dessa uppskattningar ger en skillnad på ungefär 3.8 gånger i maximal FP16-prestanda, men det är ingen garanterad skillnad i hastighet för en lokal LLM.
Vad är viktigast för hastigheten: minne eller beräkningsenheter?
När en tät modell, exempelvis Qwen3.8-27B, genererar ett svar, använder den alla sina lager och vikter. Vid en eller ett fåtal förfrågningar väntar acceleratorn ofta på att data ska läsas, så minnesbandbredden är viktig: den påverkar hur snabbt följande token kommer fram.
Under prefill bearbetar datorn inmatningstexten och skapar KV-cache; lång indata ger större möjligheter till parallella matrisberäkningar. I detta prefill-steg kan kraftfulla beräkningsenheter minska väntan på den första token. Effekten av stora batcher av förfrågningar och prediktion behandlas i en separat artikel från NVIDIA.
För en agent som upprepade gånger tar emot kontext och returnerar ett kort svar eller ett verktygsanrop kan prefill-tiden utgöra en betydande del av väntan. De nämnda MoE-modellerna Qwen3.8-Flash-Next och GLM-5.3-Flash använder också bara utvalda experter, vilket minskar kravet på minneshastighet jämfört med täta modeller, även om det fortfarande är en viktig faktor för den totala prestandan.
Utvecklaren EXO mätte samma Llama-3.1 8B FP16: 8192 token in och 32 token i svaret. På DGX Spark tog prefill 1.47s, genereringen 2.87s och totalt 4.34s; på M3 Ultra Mac Studio var tiderna 5.57s, 0.85s och 6.42s. I detta test vann Spark på inmatningsbearbetningen och Mac på genereringen.
Kluster: 512GB hos NVIDIA och 768GB hos AMD
I DGX Spark med GB10 har varje dator i högsta konfiguration 128GB. Fyra datorer ger totalt 512GB. NVIDIA Sync stöder konfiguration av ett sådant kluster; fyra noder kräver en lämplig QSFP-nätverksswitch, medan en direkt anslutning passar mindre konfigurationer.
AMD har också en väg till distribuerad körning: företaget publicerar ett exempel med fyra noder och llama.cpp RPC. Dessutom anger Framework att fyra Desktop med Ryzen AI Max+ PRO 495 och 192GB per nod kan kopplas samman, med upp till 768GB totalt.
I båda fallen blir summan av minnet inte automatiskt en gemensam adressrymd. Orkestreringsprogrammet måste fördela modellen mellan noderna; hastigheten beror på nätverket och metoden för parallellisering.
Ett kluster kan ställas in för att rymma en stor modell, ge hög hastighet för en förfrågan eller ge hög total prestanda i tjänsten. För detta används flera fördelningsstrategier:
Tensor parallel: Noderna beräknar samtidigt delar av matriserna i samma lager. De behandlar förfrågan gemensamt men utbyter ofta resultat.
Expert parallel: MoE-experter placeras på olika noder och token skickas till rätt experter. Parallellisering kan hjälpa, men datautbyte och ojämn belastning kan äta upp vinsten.
Pipeline parallel: grupper av lager delas upp i sekventiella steg. En token passerar dem i tur och ordning; flera förfrågningar eller mikrobatcher kan fylla olika steg samtidigt. Tomgång i pipelinen kan förekomma, men detta är effektivt vid ett stort flöde av sekventiella uppgifter.
Data parallel: olika kopior av modellen hanterar oberoende förfrågningar. Det ökar tjänstens totala genomströmning om minnet räcker till kopiorna, men gör inte automatiskt en förfrågan snabbare.
Lägen kan kombineras, till exempel tensor + pipeline eller tensor + expert, om det valda programmet stöder det. Enbart fyra noder garanterar inte högre hastighet: nätverk, synkronisering, batchstorlek och lastbalansering spelar roll. NVIDIA förklarar separat, hur man väljer modelluppdelning efter hårdvaran.
För DGX Spark finns ett officiellt vLLM-recept för två noder: Qwen3.8-27B NVFP4, tensor parallel på två noder och kontinuerlig sammanslagning av flera förfrågningar till en batch. Exemplet visar att även gemensam modellberäkning kan hantera parallella förfrågningar.
Lösningar för lokala AI-modeller från ledande datortillverkare
Tabellerna listar datorfamiljer med högsta konfigurationer på 128GB eller mer.
Laddprotokollet som adaptern måste stödja och effekten som behövs för att driva datorn anges separat.
Bärbara datorer och arbetsstationer med NVIDIA RTX Spark N1X
Modell, chip och minnesintervall | Laddning med USB-C-adapter (PD) | Dokumentation och butik |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | upp till 128GB gemensamt 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 delat minne | USB-C PD IN, EPR PD 3.1; adapter på 240W medföljer; erforderlig ineffekt och profil anges inte | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | upp till 128GB gemensamt minne | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery anges för tre USB-C 4.0-portar | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | upp till 128GB gemensamt minne | USB PD 3.2; USB-C GaN nätadapter 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; en USB-C-adapter på 140W medföljer vissa konfigurationer; maximal ineffekt anges inte. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, minst 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB gemensamt minne | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | upp till 128GB LPDDR5X gemensamt minne | USB-C PD IN; nätadapter 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
NVIDIA GB10 / DGX Spark arbetsstationer
Modell, chip och minnesintervall | Laddning med USB-C-adapter (PD) | Dokumentation och butik |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Medföljande USB-C-nätadapter på 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Databladet anger ingång upp till 180W; medföljande nätadapter är på 240W | |
Dell Pro Precision with GB10 (FCM1253; tidigare Dell Pro Max with GB10) | GB10 | 128GB | Medföljande USB-C-nätadapter på 280W, 48V5.83A; PD-version anges inte. Detta är ett icke-standardiserat läge på 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adapter på 240W medföljer; erforderlig ineffekt, spänningsprofil och PD-version anges inte. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Separat USB-C-ingång, nätadapter på 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Dedikerad USB-C-ingång med USB PD 3.1; medföljande nätadapter på 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Medföljande USB PD 3.1-nätadapter på 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Medföljande USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Nätadapter ingår, effekt och PD-läge anges inte |
Ryzen AI Max+ 395 och nya modeller med 192GB
Modell, chip och minnesintervall | Laddning med USB-C-adapter (PD) | Annan DC-ingång eller nätaggregat | Dokumentation och butik |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Separat DC-kontakt på baksidan; den medföljande adapterns effekt anges inte i den granskade källan. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Separat USB-C-ingång för laddning med den medföljande nätadaptern | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB gemensamt minne | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Stöder USB PD 45-100W | Rektangulär DC-ingång: nätadapter på 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 i högsta versionen | 32-128GB | USB PD 3.0, 45-100W | Rektangulär DC-ingång: nätadapter på 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Internt nätaggregat på 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Internt Flex ATX-nätaggregat på 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Internt Flex ATX-nätaggregat på 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB delat minne | USB-C PD-ingång anges inte i det granskade materialet | DC-in; adapter på 330W medföljer | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: nätadapter på 19.5V11.8A, ungefär 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB gemensamt minne | Strömförsörjning via USB-C stöds inte | DC IN 19.5V16.9A, 330W; kontakt 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 i högsta versionen | 16-128GB | - | Internt nätaggregat på 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 i högsta versionen | 16-128GB | USB-C-nätadapter på 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | upp till 192GB gemensamt minne | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | upp till 128GB gemensamt minne | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Internt nätaggregat på 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB gemensamt minne | - | Intern strömförsörjning 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | USB PD-ingång anges inte; båda USB-C: PD-utgång 15W | Internt Flex-nätaggregat på 300W |
Apple silicon: de två senaste generationerna
För MacBook Pro behandlas M5 Max och M4 Max med 40-kärnig GPU och 128GB. För Mac Studio behandlas generationen M5 Max / M5 Ultra och föregående M4 Max / M3 Ultra. Apple angav en M3 Ultra-version med 512GB vid lanseringen, men den aktuella specifikationssidan visar högst 256GB.
Modell, chip och minnesintervall | Laddning med USB-C-adapter (PD) | Annan DC-ingång eller nätaggregat | Dokumentation och butik |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB kräver 40-kärnig GPU | PD3.0 (<100W) | MagSafe 3: från PD 3.0 | Specifikationer | Snabbladdning | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB kräver 40-kärnig GPU | PD3.1 (140W) | MagSafe 3: från PD 3.1 | Specifikationer | Snabbladdning | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB kräver 40-kärnig GPU | - | Inbyggt nätaggregat; 480W | Specifikationer | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB enligt aktuell specifikation; 512GB vid lanseringen | - | Inbyggt nätaggregat; 480W | Specifikationer | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: leveranser senare i oktober 2026 | - | Inbyggt nätaggregat; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB kräver 40-kärnig GPU | PD3.0 (<100W) | MagSafe 3: från PD 3.0 | Specifikationer | Snabbladdning | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB kräver 40-kärnig GPU | PD3.1 (140W) | MagSafe 3: från PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB kräver 40-kärnig GPU | - | Inbyggt nätaggregat; 480W | Specifikationer | Amazon.com(36Gb) |
MagSafe 3 på MacBook är en egenutvecklad kontakt på datorns sida som får ström från en USB-C-adapter via rätt kabel.
Så säkerställer du tillförlitlig strömförsörjning till datorn
Kontrollera vad som ingår: vissa datorkonfigurationer säljs utan adapter, särskilt i Europa, medan andra har en inkluderad.
En dator som dagligen ska köra en lokal AI-modell i många timmar behöver en tillförlitlig strömkälla som kan leverera den nödvändiga effekten länge utan avbrott.
Kontrollera spänning, ström, protokoll och godkänd kabel mot dokumentationen för den aktuella datorn. Om tillverkaren kräver ett eget nätaggregat eller ett icke-standardiserat läge är en USB-C-kontakt inte skäl nog att ersätta det med valfri kraftfull laddare.
Om du väljer ett nätaggregat med flera portar bör du tänka på både effekten från en enskild port och hur den ändras när en andra enhet ansluts, om det scenariot är relevant för dig.