Kişisel yapay zeka: dizüstü bilgisayarlar, iş istasyonları ve sundukları olanaklar
Güncelleme tarihi: 1 gün önce
NVIDIA, AMD ve Apple Silicon'ın yüksek performanslı merkezi işlemcileri, büyük kapasiteli ortak bellekle birlikte yerel yapay zekayı dizüstü bilgisayarlardan evde kullanılabilen kompakt iş istasyonlarına kadar farklı biçimlerde erişilebilir hale getirdi. Öncelikle AI modellerini yerel olarak çalıştırmak için tasarlanan bu yeni bilgisayar sınıfı bazen "ajan tabanlı bilgisayarlar" olarak da adlandırılır.
Bu cihazların ortak noktası, işlemci ve entegre grafik hızlandırıcısının aynı büyük, yüksek hızlı bellek alanını kullandığı mimaridir. Böylece büyük ve yetenekli bir LLM modeli hesaplama birimlerinin yanında tutulabilir; modelin parçalarını ayrı bir ekran kartına giden yavaş bağlantı üzerinden sürekli taşımak gerekmez.
Yapay zekayı yerel olarak çalıştırmanın başlıca pratik nedeni, belgeleri, kaynak kodunu ve kurum içi bilgi tabanlarını bulut hizmetine göndermeden işleyebilmektir. Bu, şirketler için yararlıdır; gizli bilgiler ve kapalı kurumsal kod depolarıyla çalışırken çoğu zaman temel bir gerekliliktir.
LLM'yi yerel olarak barındırmanın bir diğer avantajı, yerel model kullanılırken her API isteği için ücret ödenmemesidir. Böyle bir modelin doğrudan işletme maliyeti, bilgisayarı çalıştırmak için gereken elektriktir. Bununla birlikte, bilgisayar yıllarca hizmet edecek olsa da, bilgisayarın satın alma maliyetini hesaba katmak gerekir. Yerel çalıştırma ayrıca internet olmadan çalışmayı ve belirli görevlere en uygun modeli kendiniz seçmeyi sağlar: kodlama, ajan görevleri, dil çevirileri, görüntü, video ve ses üretimi gibi.
Büyük kapasiteli ortak bellek neden bu kadar önemli?
Ayrık GPU içeren sıradan bir PC de yerel yapay zekâ için çok iyi bir bilgisayar olabilir. Seçilen model tamamen VRAM'e sığıyor ve KV önbelleğiyle çalışma tamponları için de yer kalıyorsa, hızlandırıcı istekleri çok hızlı işleyebilir. Bu nedenle ayrı ekran kartına sahip tüm bilgisayarları yapay zekâ için uygunsuz saymak pek doğru olmaz.
Sınırlama, büyük bir model ekran kartı belleğine sığmadığında ortaya çıkar. Profesyonel kullanımda en değerli ve gerekli olanlar da bu büyük modellerdir. Program ya bellek yetersizliği bildirir, ya işin bir kısmını CPU ve sistem RAM'ine aktarır, ya da ağırlıkları RAM veya SSD'den yükler. Bu aktarımlar ve daha yavaş depolama, gecikmeyi etkileşimli bir yardımcı için kabul edilemez düzeye kadar artırabilir. Hız kaybının tek bir katsayısı yoktur: çalıştırma yazılımı, belleğin dışına taşınan ağırlıkların oranı, model ve donanım önemlidir. Ancak pratikte bu durumlarda performans 5-10 kat düşebilir.
Küçük bir ayrık GPU'nun yanında bol miktarda sistem RAM'i bulunması, bu belleği otomatik olarak aynı kapasitede hızlı VRAM'e dönüştürmez.
NVIDIA RTX/DGX Spark, AMD Ryzen AI Max ve Apple Silicon Max/Ultra tabanlı çözümlerde odak farklıdır: desteklenen mimari kapsamında grafik hızlandırıcısı büyük kapasiteli ortak belleğe erişebilir. Bu da kullanılabilecek büyük modellerin seçimini genişletir.
Bu makalede 128GB ve üzeri, kullanıcıların normalde API veya abonelik üzerinden bulut modellerine başvurduğu görevleri yapabilecek büyük modeller için referans alınmıştır. Daha küçük uzmanlaşmış modeller ya da aşırı kuantize edilmiş ve distile edilmiş modellerle sınırlı bağlam penceresi kullanan denemeler için daha az bellek de yeterli olabilir.
Daha büyük bellek kapasitesi, ağırlıkları daha az sıkıştırmaya, dolayısıyla kaliteyi daha iyi korumaya ve daha geniş bir bağlam penceresi kullanmaya da olanak tanır.
Yerel yapay zekâ günlük işlerde nerede yararlı?
Kurum içi belgeler için yardımcı. Büyük bir belge veritabanınız varsa, şu sistemi kurmak anlamlı olabilir: RAG. Bu sistem önce yerel bilgi tabanında uygun parçaları bulur, ardından belgelere atıf yapan bir yanıt üretmesi için bunları LLM modeline iletir. LLM belgelerde anahtar sözcüklerle arama yapabilir. Ancak asıl iş belge arşivleriyle çalışmaksa vektör veritabanı kullanan RAG, aramayı daha doğru ve verimli hale getirebilir.
Kaynak koduyla çalışma. Model, projenin bölümlerini açıklamaya, değişiklik önermeye, kod yazmaya ve test etmeye yardımcı olur. Anthropic'in veya OpenAI'nin en gelişmiş modelleri daha iyi sonuç verir. Ancak bunlar herkesin erişemediği, gizlilik nedeniyle her zaman kullanılamayan ve kullanımı çok pahalı olabilen bulut çözümleridir. Çalışma ortamınızda bulut çözümlerine izin veriliyorsa, rutin işlemlerin yerel modellere, son inceleme ve mimari görevlerin ise buluttaki en gelişmiş modellere verildiği bir iş dağılımı uygulanabilir.
Testlerin ve rutin işlemlerin arka planda, gece çalıştırılması. Ekibinizin belirli bir senaryoya, olaya veya takvime göre çalıştırılması gereken, araç kullanımını içeren düzenli ve tekrarlanan görevleri olabilir: günlüklerin ayrıştırılması ve analizi, sürümlerin test edilmesi, yerel kaynaklarda ve internette yeni belgelerin bulunması gibi.
Küçük bir ekip için ortak yardımcı. Ofise kompakt bir istasyon yerleştirip yerel modele birden fazla bilgisayardan erişebilirsiniz. NVIDIA PAIR bağımsız Ollama veya LM Studio isteklerini bağlı uyumlu sistemler arasında dağıtabilir.
Görüntü üretimi. 128GB belleğe sahip bir bilgisayarda görüntü üretimi için FLUX.1-dev düşünülebilir: seçilen Diffusers ağırlık paketi, metin kodlayıcıları ve VAE ile birlikte yaklaşık 33.74GB yer kaplar. NVIDIA, DGX Spark üzerinde ComfyUI ile çalıştırma talimatları yayımlıyor.
Video üretimi. Bu kullanım için yerel model örneği olarak şu model kullanılabilir: Wan2.2-T2V-A14B. FP32 biçimindeki iki uzman, metin kodlayıcısı ve VAE içeren orijinal paket yaklaşık 126.18GB yer kaplar. Modelin 720p için resmi örneği en az 80GB gerektirir.
Konuşma sentezi. Farklı dillerde konuşma üretmek için Qwen3-TTS-12Hz-1.7B-CustomVoice bir konuşma tokenizer'ı ile birlikte kullanılabilir; ağırlık dosyaları yaklaşık 4.52GB yer kaplar. Daha büyük bir alternatif olan MOSS-TTS-v1.5 8B parametreye sahiptir: 31 dil, örnekten ses klonlama, uzun kayıtlar, süre kontrolü, IPA üzerinden telaffuz ve duraklama kontrolü sunar. Ana ağırlıklar yaklaşık 16.98GB yer kaplar; zorunlu MOSS-Audio-Tokenizer ise ek 7.10GB gerektirir ve toplam yaklaşık 24.08GB olur. Apache 2.0 lisansı ticari kullanıma izin verir. Bu, daha geniş bir işlev kümesidir; her metinde daha iyi ses verdiğinin kanıtı değildir.
Konuşma tanıma. Toplantıları, röportajları ve sesli notları yerel olarak metne dönüştürmek için şu model kullanılabilir: Qwen3-ASR-1.7B. Model, Rusça dahil 30 dili, otomatik dil algılamayı ve akış halinde tanımayı destekler. BF16 ağırlık dosyaları yaklaşık 4.70GB yer kaplar. Sözcüklerin zaman damgaları için ayrıca Qwen3-ForcedAligner-0.6B kullanılır ve ağırlıkları yaklaşık 1.84GB yer kaplar. Her iki model de Apache 2.0 lisansıyla sunulur. Çalıştırma sırasındaki bellek kullanımı dosya boyutundan daha yüksektir; tamponlara ve paralel akışlara bağlıdır.
Büyük kapasiteli ortak bellek tek başına çalıştırmayı garanti etmez: özellikle AMD ve Apple olmak üzere her çip için çalıştırma yazılımının uyumluluğunu, hızlandırıcının erişebildiği bellek miktarını ve desteklenen hassasiyeti kontrol etmek gerekir.
32-768GB bellekli bilgisayarlara hangi modeller uygun?
Birçok durumda bulut çözümlerinin yerini alabilecek modellerle ciddi profesyonel çalışma için 128GB bellekli bir bilgisayar gerektiğini vurguladık. Bununla birlikte, aşağıda kodlama için de kullanılabilen ve daha az bellekli bir bilgisayara yüklenebilen dense model Qwen3.8-27B'yi de referans olarak veriyoruz.
Yine de temel referansımız şu güncel ve oldukça yetenekli açık MoE modelleridir: Qwen3.8-Flash-Next ve GLM-5.3-Flash. Qwen3.8 Flash bulut için yayımlanmış bir sürümken, Flash-Next yerel kurulum için açık bir sürümdür.
MoE modellerinde her token için parametrelerin yalnızca bir kısmı aktiftir; ancak ağırlıkların tamamının belleğe yerleştirilmesi gerekir.
Model kuantizasyonu, sayıları daha kompakt biçimde temsil ederek ağırlıkların ve önbelleğin boyutunu küçültür; karma UD çeşitleri modelin farklı kısımlarında farklı hassasiyetler kullanır. Kuantizasyon kaçınılmaz olarak kaliteyi etkiler, ancak bu etkinin ne kadar agresif olduğuna bağlıdır. 4 bit kadar kuantizasyonun (Q4) kullanımda kabul edilebilir olabileceği, Q8'in ise çoğu zaman orijinale çok yakın olduğu düşünülür. Aşağıda yayımlanmış belirli GGUF dosyalarının ve tüm ağırlık parçalarının toplam boyutu verilmiştir. Dosya boyutu programın toplam bellek kullanımı değildir: işletim sistemi, çalışma tamponları, KV önbelleği ve seçilen bağlam uzunluğu için ayrıca bellek gerekir.
Bilgisayarda veya kümede bol miktarda boş bellek varsa, eşzamanlı kullanım için modelin birden fazla kopyası ya da farklı modeller yerleştirilebilir.
Bellek | Seçim koşulları | |||
|---|---|---|---|---|
32GB | Q4 + ek pay sığmıyor | Q4 + ek pay sığmıyor | Qwen27B: 32K bağlama sığıyor; 64K sınırda; 128K+ sığmıyor. | |
64GB | Q4 + ek pay sığmıyor | Q4 + ek pay sığmıyor | Qwen27B: 256K'ya kadar bağlam sığıyor. | |
128GB | Q4 + ek pay sığmıyor | Qwen27B: 256K'ya kadar. Flash-Next: 32K/64K sığıyor; 128K sınırda. | ||
192GB | Q4 + ek pay sığmıyor | Qwen27B ve Flash-Next: 256K'ya kadar. | ||
256GB | 256K'ya kadar bağlama sığıyor. | |||
512GB | 256K'ya kadar bağlam. 4 düğümlü kümede Qwen27B için ek 36GB, Flash-Next için 60GB ve GLM Flash için 72GB gerekir: işletim sistemi ve tamponlar her düğümde gereklidir. | |||
768GB | Bağlam 256K'ya kadar. 4 düğümlü kümede Qwen27B için ek 36GB, Flash-Next için 60GB ve GLM Flash için 72GB gerekir: işletim sistemi ve tamponlar her düğümde gereklidir. |
Aynı test sürümlerinde model karşılaştırması
Aşağıdaki değerler, seçilen kuantize GGUF sürümlerinin sonuçları değil, orijinal sürümlerin geliştiricilerinin yayınlarındaki yüzdelerdir. Aynı test sürümleri, aynı ajan altyapısını ve ayarları garanti etmez. Örneğin, Qwen3.8-27B, SWE-bench Pro ve DeepSWE 1.1 testlerinde Claude Code ajan altyapısı ve 256K bağlamla test edilmiştir.
Tabloda açık modellerin yanı sıra referans olması için tanınmış bulut modellerinin benchmark değerleri de verilmiştir.
SWE-bench Pro ve DeepSWE kodlama performansını gösterir;
Terminal-Bench 2.1, özerk yürütme gerektiren ajan görevlerini ölçer;
GPQA Diamond ve HLE with tools karmaşık soruları ve akıl yürütmeyi ölçer; ikincisinde araçlar da kullanılır.
Model ve kaynak | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Değer yok | |
62.5 | Değer yok | 58.7 | 91.7 | Değer yok | |
Değer yok | 84.3 | 63.4 | Değer yok | 55.3 | |
Değer yok | 90.6 | 74.2 | 90.9 | 63.9 | |
Değer yok | Değer yok | Değer yok | Değer yok | 64.5 | |
Değer yok | Değer yok | Değer yok | 89.9 | 49.0 | |
Değer yok | 88.8 | 72.7 | Değer yok | 64.5 | |
53.4 | Değer yok | Değer yok | 91.3 | Değer yok | |
Değer yok | 85.0 | 58.0 | Değer yok | 57.9 |
İşlemci performansı ve bellek hızı karşılaştırması
Aşağıdaki tepe değerler üretici belgelerinden alınmıştır. NVIDIA'nın FP4 performansı ile AMD'nin toplam TOPS değerleri farklı çalışma biçimlerini tanımlar ve doğrudan bir hız sıralaması oluşturmaz. Apple, belirtilen özelliklerde karşılaştırılabilir bir tepe AI metriği yayımlamadığından, hesaplama çekirdekleri ve bellek bant genişliği verilmiştir.
En üst yapılandırmadaki çip | Yayımlanan performans | Bellek ve hızı | Kaynak |
|---|---|---|---|
NVIDIA RTX Spark N1X | 1PFLOP'a kadar FP4; CPU 20 çekirdek, GPU 6144 CUDA çekirdeği | 128GB'a kadar ortak bellek; NVIDIA belgelerine göre 300GB/s, 256 bit veri yolu | |
NVIDIA GB10 Grace Blackwell | Seyreklikle 1PFLOPS'a kadar FP4; CPU 20 çekirdek | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | Toplam 126TOPS, NPU 50TOPS'a kadar; CPU 16 çekirdek, Radeon 8060S 40 CU | 128GB; Framework'te LPDDR5X 8000MT/s, 256 bit (hesaplanan: 256GB/s) | |
Ryzen AI Max+ PRO 495 | Toplam 131TOPS, NPU 55TOPS'a kadar; CPU 16 çekirdek, Radeon 8065S 40 CU | Framework'te 192GB; LPDDR5X 8533MT/s, 256 bit (hesaplanan: 273.1GB/s) | |
Apple M4 Max | CPU 16 çekirdek, GPU 40 çekirdek, NPU 16 çekirdek | 128GB; 546GB/s | |
Apple M3 Ultra | CPU 32 çekirdek, GPU 80 çekirdek, NPU 32 çekirdek | Piyasaya çıktığında 512GB'a kadar; 819GB/s | |
Apple M5 Max | CPU 18 çekirdek, GPU 40 çekirdek, NPU 16 çekirdek | 128GB; 614GB/s | |
Apple M5 Ultra | CPU 36 çekirdek, GPU 80 çekirdek, NPU 32 çekirdek | 512GB'a kadar; 1.2TB/s |
RTX Spark N1X ve GB10 mimari açısından benzerdir: her ikisinin de üst sürümlerinde 20 Arm CPU çekirdeği ve 6144 CUDA çekirdeği bulunan Blackwell GPU bulunur. Ancak RTX Spark'ın resmi özellikleri dizüstü bilgisayar için TDP değeri 45-80W olan N1X'i, işlemci TDP değeri 140W olan masaüstü sürümünden ayırır; GB10'un TDP değeri de 140W'tır. Ayrıca 18 CPU çekirdekli ve 5120 CUDA çekirdekli daha alt bir dizüstü N1X sürümü vardır. İşlemci sürümüne dikkat edin.
Bellek için NVIDIA N1X'te 300GB/s belirtiyor, GB10'da ise 273GB/s.
N1X, Windows on Arm için tasarlanmıştır; DGX Spark Linux kullanır.
Kontrol edilen kaynaklarda N1X ve GB10'un aynı model, kuantizasyon ve bağlamla karşılaştırıldığı bir test bulunmadığından, masaüstü N1X sonuçlarının GB10 ile karşılaştırılabilir olacağı ancak tahmin edilebilir.
AMD için doğrudan ölçümler var: Tom's Hardware, Max+ 395 tabanlı Ryzen AI Halo ile GB10 tabanlı Dell Pro Max'i karşılaştırdı ve bunu llama.cpp üzerinde llama-benchy ile yaptı. Tabloda bağlam derinliği 8192 token, girdi 2048 token ve yanıt 256 token olduğunda elde edilen sonuçlar verilmiştir; yazar GGUF Unsloth Q4_K_M kullandı. AMD bilgisayarında 128GB LPDDR5X-8000 bellek ve nominal 120W TDP vardı. TTFT ilk token'a kadar geçen süreyi ifade eder; üretim sırasında saniyede daha fazla token, daha hızlı yanıt demektir.
Test modeli | AMD 395: TTFT | GB10: TTFT | AMD 395: üretim | GB10: üretim |
|---|---|---|---|---|
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 |
Bu iki testte GB10 hem TTFT hem de üretim hızı açısından öndedir. Yazar, girdinin önbelleğe alınmasının TTFT farkını azaltabileceğini belirtiyor.
Ajanın görevinin toplam tamamlanma süresi farklı bir sonuç verebilir. AMD HEPA'nın kendi testinde her iki bilgisayar da Qwen3.6-35B-A3B'yi 4 bit biçiminde çalıştırdı ve aynı yerel belgelerden sunum hazırladı. AMD Halo işi 311.6s'de, DGX Spark ise 367.1s'de tamamladı. Buna rağmen tek başına GPU aşaması Spark'ta daha hızlıydı: 159.5s'ye karşı 137.2s. Sekiz aşamanın yedisi CPU üzerinde yürütüldü. Bu, üreticinin belirli bir test örneğidir: bir ajan için arama, belge işleme ve yanıt kontrolü dahil bitmiş sonuca kadar geçen süreyi de ölçmek gerekir.
Apple ve NVIDIA çözümlerini karşılaştırmak için geliştirici EXO M3 Ultra için yaklaşık 26TFLOPS FP16, DGX Spark için ise yaklaşık 100TFLOPS FP16 bildirdiler. Bu tahminler tepe FP16 performansında yaklaşık 3.8 kat fark verir; ancak bu, yerel LLM hızında garantili bir fark değildir.
Hız için hangisi daha önemli: bellek mi, hesaplama birimleri mi?
Yanıt üretirken bir dense model (örneğin Qwen3.8-27B) tüm katmanlarını ve ağırlıklarını kullanır. Bir veya birkaç istek işlenirken hızlandırıcı çoğu zaman verilerin okunmasını bekler; bu nedenle bellek bant genişliği önemlidir ve sonraki tokenlerin üretilme hızını etkiler.
Prefill sırasında bilgisayar giriş metnini işler ve KV önbelleğini oluşturur; uzun girdi paralel matris hesaplamaları için daha fazla olanak sağlar. Prefill aşamasında güçlü hesaplama birimleri ilk token için bekleme süresini kısaltabilir. Büyük istek gruplarının etkisi ve tahmin konusu NVIDIA'nın ayrı bir makalesinde inceleniyor.
Tekrar tekrar bağlam alıp kısa bir yanıt veya araç çağrısı döndüren bir ajan için prefill süresi, beklemenin önemli bir bölümünü oluşturabilir. Ayrıca adı geçen Qwen3.8-Flash-Next ve GLM-5.3-Flash MoE modelleri yalnızca seçilen uzmanları kullanır. Bu da dense modellere kıyasla bellek hızı gereksinimini azaltır; yine de bellek hızı toplam performansta önemli bir etken olmaya devam eder.
Geliştirici EXO'nun karşılaştırmasında aynı Llama-3.1 8B FP16 kullanıldı: girdi 8192 token, yanıt 32 token. DGX Spark'ta prefill 1.47s, üretim 2.87s ve toplam süre 4.34s oldu; M3 Ultra Mac Studio'da ise sırasıyla 5.57s, 0.85s ve 6.42s. Bu testte Spark girdiyi işlemede, Mac ise üretimde daha hızlıydı.
Kümeler: NVIDIA'da 512GB, AMD'de 768GB
GB10 tabanlı DGX Spark'ta her üst yapılandırmalı bilgisayar 128GB bellek içerir. Dört bilgisayar toplam 512GB sağlar. NVIDIA Sync böyle bir kümenin kurulumunu destekler; dört düğüm için uygun bir QSFP ağ anahtarı gerekir, doğrudan bağlantı ise daha küçük yapılandırmalara uygundur.
AMD'de de dağıtık çalıştırma olanağı vardır: şirket llama.cpp RPC ile dört düğümlü bir örnek yayımlıyor. Ayrıca, Framework'ün açıklamasına göre Ryzen AI Max+ PRO 495 ve düğüm başına 192GB içeren dört Desktop birleştirilerek toplam 768GB'a kadar çıkılabiliyor.
Her iki durumda da belleklerin toplamı otomatik olarak tek bir adres alanına dönüşmez. Orkestrasyon yazılımı modeli düğümler arasında dağıtmalıdır; hız ağa ve paralelleştirme yöntemine bağlıdır.
Küme, büyük bir modeli barındırmak, tek bir isteği hızlandırmak veya hizmetin toplam performansını artırmak için yapılandırılabilir. Bunun için farklı dağıtım stratejileri uygulanır:
Tensor parallel: düğümler aynı katmanlardaki matrislerin parçalarını eşzamanlı hesaplar. İsteği birlikte işlerler, ancak sonuçları sık sık birbirlerine aktarırlar.
Expert parallel: MoE uzmanları farklı düğümlere yerleştirilir, tokenlar ilgili uzmanlara yönlendirilir. Paralelleştirme yardımcı olabilir; ancak veri alışverişi ve dengesiz yük dağılımı kazanımı ortadan kaldırabilir.
Pipeline parallel: katman grupları ardışık aşamalara ayrılır. Bir token bu aşamalardan sırayla geçer; birden fazla istek veya mikro grup farklı aşamaları aynı anda doldurabilir. İşlem hattında boşta kalma olabilir, ancak ardışık görev akışı yoğun olduğunda bu etkili bir senaryodur.
Data parallel: modelin farklı kopyaları bağımsız istekleri işler. Kopyalar için yeterli bellek varsa hizmetin toplam işleme kapasitesi artar; bu, tek bir isteği otomatik olarak hızlandırmaz.
Seçilen yazılım destekliyorsa, yöntemler birleştirilebilir; örneğin tensor + pipeline veya tensor + expert. Dört düğümün bulunması tek başına hızlanmayı garanti etmez: ağ, senkronizasyon, grup boyutu ve yük dengesi önemlidir. Donanıma uygun model bölümlendirmesinin nasıl seçileceğini NVIDIA ayrıca açıklıyor.
DGX Spark için resmi bir çözüm, iki düğümlü vLLM tarifidir: Qwen3.8-27B NVFP4, iki düğümde tensor parallel ve birden fazla isteğin sürekli gruplandırılması. Bu örnek, modelin ortak hesaplanmasının da paralel isteklere hizmet verebildiğini gösterir.
Önde gelen bilgisayar üreticilerinden yerel AI modelleri için çözümler
Tablolarda en üst yapılandırmaları 128GB ve üzeri olan bilgisayar aileleri listelenmiştir.
Adaptörün bilgisayarı beslemek için hangi şarj protokolünü desteklemesi ve hangi güçte olması gerektiği ayrıca belirtilmiştir.
NVIDIA RTX Spark N1X tabanlı dizüstü bilgisayarlar ve iş istasyonları
Model, çip ve bellek aralığı | USB-C adaptörle şarj (PD) | Belgeler ve mağaza |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | en fazla 128GB birleşik bellek | - | |
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 paylaşımlı bellek | USB-C PD IN, EPR PD 3.1; 240W adaptör dahildir; gerekli giriş gücü ve profil belirtilmemiştir | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | en fazla 128GB birleşik bellek | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Üç USB-C 4.0 bağlantı noktası için Power Delivery belirtilmiştir | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | en fazla 128GB birleşik bellek | USB PD 3.2; USB-C GaN adaptör 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; belirli yapılandırmalarla 140W USB-C adaptör verilir; azami giriş gücü belirtilmemiştir. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, en az 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB birleşik bellek | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | en fazla 128GB LPDDR5X birleşik bellek | USB-C PD IN; adaptör 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
NVIDIA GB10 / DGX Spark iş istasyonları
Model, çip ve bellek aralığı | USB-C adaptörle şarj (PD) | Belgeler ve mağaza |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Kutudaki USB-C güç adaptörü 240W | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. Teknik föyde giriş gücü 180W'a kadar belirtilmiş; kutudaki güç adaptörü 240W | |
Dell Pro Precision with GB10 (FCM1253; eski adıyla Dell Pro Max with GB10) | GB10 | 128GB | Standart USB-C güç adaptörü 280W, 48V5.83A; PD sürümü belirtilmemiş. Bu, standart dışı bir 240W-48V5A modudur | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; 240W adaptör dahildir; gerekli giriş gücü, voltaj profili ve PD sürümü belirtilmemiştir. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Özel USB-C güç girişi, 240W güç adaptörü. | |
Lenovo ThinkStation PGX | GB10 | 128GB | USB PD 3.1 destekli özel USB-C girişi; kutuya dahil güç adaptörü 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Standart güç adaptörü USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | Standart USB-C PD3.1 240W | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Güç adaptörü dahil, güç ve PD modu belirtilmemiş |
Ryzen AI Max+ 395 ve 192GB bellekli yeni modeller
Model, çip ve bellek aralığı | USB-C adaptörle şarj (PD) | Diğer DC girişi veya şebeke güç kaynağı | Belgeler ve mağaza |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Arka tarafta ayrı DC bağlantısı; birlikte verilen adaptörün gücü incelenen kaynakta belirtilmemiştir. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Standart güç adaptörüyle şarj için özel USB-C girişi | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB birleşik bellek | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | USB PD 45-100W desteklenir | Dikdörtgen DC girişi: güç adaptörü 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | üst sürümde Max+ 395 | 32-128GB | USB PD 3.0, 45-100W | Dikdörtgen DC girişi: güç adaptörü 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Dahili şebeke güç kaynağı 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Dahili Flex ATX güç kaynağı 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Dahili Flex ATX güç kaynağı 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB paylaşımlı bellek | İncelenen belgelerde USB-C PD girişi belirtilmemiştir | DC-in; 330W adaptör dahildir | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: güç adaptörü 19.5V11.8A, yaklaşık 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB birleşik bellek | USB-C üzerinden güç girişi desteklenmiyor | DC IN 19.5V16.9A, 330W; konnektör 5.5 x 2.5 mm | |
HP Z2 Mini G1a | üst sürümde Max+ PRO 395 | 16-128GB | - | Dahili şebeke güç kaynağı 300W | |
HP ZBook Ultra 14 G1a | üst sürümde Max+ PRO 395 | 16-128GB | USB-C güç adaptörü 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | en fazla 192GB birleşik bellek | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | en fazla 128GB birleşik bellek | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Dahili şebeke güç kaynağı 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB birleşik bellek | - | Dahili güç kaynağı 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | USB PD girişi belirtilmemiş; her iki USB-C: PD çıkışı 15W | Dahili Flex şebeke güç kaynağı 300W |
Apple Silicon: son iki nesil
MacBook Pro için 40 çekirdekli GPU ve 128GB içeren M5 Max ve M4 Max ele alınmıştır. Mac Studio için M5 Max / M5 Ultra nesli ve önceki M4 Max / M3 Ultra ele alınmıştır. Apple, M3 Ultra'nın 512GB sürümünü piyasaya çıkışta duyurmuştu; ancak güncel özellikler sayfası en fazla 256GB gösteriyor.
Model, çip ve bellek aralığı | USB-C adaptörle şarj (PD) | Diğer DC girişi veya şebeke güç kaynağı | Belgeler ve mağaza |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB için 40 çekirdekli GPU gerekir | PD3.0 (<100W) | MagSafe 3: PD 3.0 ve üzeri | Teknik özellikler | Hızlı şarj | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB için 40 çekirdekli GPU gerekir | PD3.1 (140W) | MagSafe 3: PD 3.1 ve üzeri | Teknik özellikler | Hızlı şarj | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB için 40 çekirdekli GPU gerekir | - | Dahili şebeke güç kaynağı; 480W | Özellikler | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | güncel özelliklerde 96-256GB; piyasaya çıkışta 512GB | - | Dahili şebeke güç kaynağı; 480W | Özellikler | Amazon.com(256Gb) |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: teslimatlar Ekim 2026'nın ilerleyen günlerinde | - | Dahili şebeke güç kaynağı; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB için 40 çekirdekli GPU gerekir | PD3.0 (<100W) | MagSafe 3: PD 3.0 ve üzeri | Teknik özellikler | Hızlı şarj | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB için 40 çekirdekli GPU gerekir | PD3.1 (140W) | MagSafe 3: PD 3.1 ve üzeri | |
Mac Studio | M5 Max | 36-128GB; 128GB için 40 çekirdekli GPU gerekir | - | Dahili şebeke güç kaynağı; 480W | Teknik özellikler | Amazon.com(36Gb) |
MacBook'taki MagSafe 3, dizüstü bilgisayar tarafında bulunan ve uygun kablo üzerinden USB-C adaptörden güç alan özel bir bağlantıdır.
Bilgisayara güvenilir güç nasıl sağlanır?
Kutu içeriğini kontrol edin: bazı bilgisayar yapılandırmaları özellikle Avrupa'da adaptör olmadan satılırken, bazılarında adaptör dahildir.
Her gün uzun saatler boyunca yerel bir yapay zeka modeli çalıştıracak bilgisayar için gereken gücü uzun süre kesintisiz verebilen güvenilir bir güç kaynağı gerekir.
Gerilimi, akımı, protokolü ve izin verilen kabloyu bilgisayarın kendi belgeleriyle karşılaştırın. Üretici özel bir güç adaptörü veya standart dışı bir mod istiyorsa USB-C bağlantısının bulunması, adaptörü herhangi bir güçlü şarj cihazıyla değiştirmek için yeterli değildir.
Çok portlu bir güç adaptörü seçerseniz, tek bir porttan verilen güce ve ikinci bir cihaz bağlandığında bu gücün nasıl değiştiğine dikkat edin; bu kullanım sizin için geçerliyse her ikisi de önemlidir.