“驯服”千亿模型，鏖战“黑猴打瓦”，龙虾“一键接管” ，锐龙AI Max+ 395开启全能桌面AI主机“王炸”时刻 原创

下午的渲染任务跑到第三个小时，桌子底下那台全塔工作站的风扇又一次拉满了转速。几张独立显卡同时满载，机箱不断往外吐着热浪，整个试验室都被持续不断的风噪填满。每次它开始干活，大家说话都得提高音量，空调也要再调低几度。

作为需要长期进行本地大模型部署、代码开发和视频制作的内容工作者，我离不开这样的工作站。无论是占用几十GB显存的视频渲染任务，还是大模型推理与微调，都需要它帮我扛住。

但另一方面，我也早就受够了它的缺点：庞大的机箱占据了桌下的大半空间，数百瓦的功耗和持续不断的噪音、热量，几乎成了每天工作的背景音。

其实，我最近一直在找能够替代它的机器，我需要体积足够小，运行安静，还能把一些重负载任务全部接过去，最好还能在本地跑千亿参数的大模型。

遗憾的是，在传统PC架构下，几乎没有合适的机器。因为算力越强，需要的功耗和冷却能力越高，设备体积和噪音也越大。性能、功耗和体积之间，存在难以跨越的“不可能三角”。而且，本地运行大模型也对显存开销有非常大需求，进一步抬升功耗和散热的阈值。

直到最近，别人向我推荐了联想百应AI主机300（又名：联想百应NUC AI Max+ 395）。

“128GB统一内存，最高可将 96GB 划拨给 GPU 作显存”，看到这一行参数时，我停顿了很久。如果它真能兑现，千亿参数的大模型就能完整装进这台机器里运行。而且，过去只能依赖多卡工作站完成的事情，现在便可以迁移到这台迷你主机上。

而今天，我正好拿到了这台机器。

01 击碎“不可能三角”，AMD锐龙 AI Max+ 395的硬核“霸权”

我把这台机器摆到桌面上，切面也就是一本精装书的大小，整机三维是190×97.5×249毫米，内部却集成了高达350W的独立电源模块。

坦白说，当时我陷入了瞬间的质疑：一台紧凑型主机，为什么配上350W的供电？按常规台式机的标准算，它的直流输出足以点亮一台办公级塔式主机了。

那么，多出来的这部分供电余量，究竟是为谁准备的？

我顺着机箱外围看一圈，找到了一部分线索。

这台联想百应AI主机300（NUC AI Max+ 395）并没有因为追求小巧的体积，就在接口上做减法。前面板除了常规的两个USB 3.2 Gen2、读卡器和音频接口，还专门留了一个带宽高达40Gbps的USB4。为了使用更便捷，在开关键下方还有一个专用的性能模式切换按键。

转到机身背面，满血40Gbps速率支持HBR3的DP 1.4、支持无损4K/120Hz输出的HDMI 2.1，外加又一个40Gbps USB4、2.5G RJ45和一整排常规接口。桌面级主机该有的扩展能力，它基本配齐了。

把I/O铺得这么密，并不只是为了外接设备方便。其实，在本地AI开发场景中，顺畅的数据吞吐是重中之重，所以不管是通过USB4外挂高速NAS调取海量训练数据集，还是靠机身自带的Wi-Fi 7模组或2.5G有线网口下载动辄上百GB的模型权重，这套配置都能确保庞大的数据在进出机器时，始终有足够宽的通道可走。

不过，就算接口全部挂满设备，也吃不满350W的供电。其实，这份充裕的功耗预算，是为机身内部强大的算力引擎AMD锐龙 AI Max+ 395处理器预留的。同样一颗芯片，功耗空间给得越宽裕，能稳定跑出的性能就越足。

这颗代号Strix Halo的AMD锐龙 AI Max+ 395处理器，堆料相当有魄力。其CPU部分为16核心32线程，3.0GHz的基础频率，能保证 CPU 端侧数据预处理与调度不成为瓶颈；5.1GHz的最高加速频率，则足以应付代码编译、拉起AI应用时的瞬时爆发。

GPU部分基于RDNA 3.5架构，集成了40个计算单元（CU），频率达到2900MHz。要知道，市面上主流移动端处理器的内置显卡大多只有16个CU上下，40个CU的规模，实际上已经是主流移动端独立显卡的体量。再叠加其50 TOPS的XDNA 2 NPU，整个平台的综合AI算力，达到了相当恐怖的水平。

账算到这里，350W的价值一清二楚了。这笔功耗预算，换来的是相当充沛的算力储备。不过，面对如此庞大的计算规模，大家通常还会多问一句：内存带宽跟得上吗？

事实上AMD锐龙 AI Max+ 395支持128GB LPDDR5X的统一内存，和256-bit超宽四通道内存总线，对应256GB/s的内存带宽，远超常规消费级处理器普遍采用的128-bit双通道。

这样的配置，为本地大模型运行提供了充足的内存容量和带宽保障。但对于开发者而言，一台机器是否真正好用，除了硬件性能，往往还取决于软件环境。从Python环境搭建、依赖包安装，到PyTorch、TensorFlow等框架的版本适配，再到模型运行所需的各类配置，整个流程繁琐且容易踩坑，很多时候模型还没开始运行，前期准备就已经花去了不少时间。

也正因为如此，这台联想百应AI主机300内置的“联想百应AI平台”，反而成了让我印象最深的部分。

实际体验下来，百应AI平台并没有做成功能庞杂、包办一切的平台，而是把重点放在最基础、也最容易影响体验的环境准备上。该平台预置了优化的模型库，PyTorch、TensorFlow等主流AI框架，开发者无需再花费大量时间处理Python环境、依赖管理和框架安装等基础工作，开机即可一键部署模型。

与此同时，联想并没有把平台做成封闭生态。环境就绪之后，无论部署什么模型、选择什么推理框架，还是构建自己的Agent，开发者依然拥有完整的自主权。

02  五重基准“火力全开”，16核Zen5突破3.5万分，40 CU撕裂显存天花板

配置看完，平台也试过之后，接下来就该把这台机器拉上测试台了。

AMD锐龙AI Max+ 395的基础参数很有优势，但规格是一回事，实际能不能稳定释放出来，又是另一回事。

所以，我并没有急着尝试具体应用场景，而是测试了几组标准的基准，看看AMD锐龙 AI Max+ 395的性能可以达到什么程度。

在 Cinebench R23 测试中，AMD锐龙AI Max+ 395取得了多核 35346 pts、单核1980 pts 的成绩，多核倍率（MP Ratio）17.85x的成绩。

Cinebench R23 主要考察CPU在高强度3D 渲染任务中的持续抗压能力。对于紧凑型设备来说，16 颗物理核心同时满载，最容易碰到的就是功耗和散热边界，导致触发降频，多线程性能也会随之缩水。

而AMD锐龙 AI Max+ 395 在这项测试中的表现极其稳定。一方面，领先的4nm工艺带来了更好的能效基础；另一方面，16个完整 Zen 5 核心本身也提供了足够强的多线程支撑。再加上350W电源预留出的功耗空间，让其在CPU多核负载下实现了线性释放。

这一性能放到实际场景里，无论是本地视频编码，还是模型微调前后的数据处理，都能提供接近大型工作站的持续输出能力。

相比主要考察CPU持续多核渲染能力的Cinebench，V-Ray Benchmark除了能测试多线程性能之外，还涉及大量浮点运算、光线追踪计算，以及复杂场景的数据处理，对处理器的计算吞吐率、缓存系统和线程调度效率都有更高要求。

测试过程中，AMD 锐龙 AI Max+ 395 在约1分钟的持续渲染负载下，全核频率始终保持在4.51GHz 左右，最终取得了39309 vsamples 的成绩。这表明，16个Zen 5 核心在长时间满载运行下，能够持续维持较高的计算吞吐能力，多线程性能得到了充分释放。

这一表现背后的原因是，Zen 5 架构进一步提升了IPC 与多线程执行效率，使浮点运算、光线追踪等高度并行的渲染任务能够更充分地利用16个物理核心、32 个逻辑线程。

渲染性能之外，图形计算能力则是AMD 锐龙 AI Max+ 395更具突破性的部分。在3DMark Time Spy Extreme（DX12 4K）测试中，其取得了5467分的总成绩，Radeon 8060S的图形得分达到了5343 分。根据 3DMark 的预估，《Battlefield V》在1440p Ultra画质下，其可实现105 FPS以上的运行表现。

对于一颗iGPU而言，这样的成绩已经突破了传统内置显卡的性能边界。过去，iGPU更多承担桌面显示、视频解码,以及轻度图形加速等任务，而Radeon 8060S 5343分的图形成绩意味着其已经具备当前主流移动独显的图形计算能力，完全能够胜任大型3D游戏、实时渲染，以及专业内容创作等更高负载场景。

之所以能达到这样的性能，在于这颗RDNA 3.5 架构的Radeon 8060S配置了多达40个计算单元（CU）。如此规模的计算资源，已经远远超出了传统 APU 集显的配置水平，使其拥有更强的并行计算能力，在复杂着色、几何处理，以及图形渲染等任务中能够提供充足的算力支撑。

图形性能之外，另一项重要的能力是数据吞吐。无论是渲染、压缩解压、视频素材处理，还是本地 AI 任务，计算单元都需要持续获取数据。数据流动速度跟不上，CPU、GPU 和 NPU 的算力再强，也很难完全释放出来。

在7-Zip 测试中，我将字典大小设为32MB，用32线程，连续进行10轮循环，最终数据表现为：压缩环节处理5130MB 数据，速度达到145883KB/s，CPU使用率为2768%，评分166.564 GIPS；解压缩环节处理51300MB数据，速度达到2125769KB/s，CPU使用率2577%，评分189.131GIPS。整体评分为177.847 GIPS。

其中，解压缩速度超过每秒2GB，是这组成绩里最值得关注的部分。其背后的核心能力支撑，来自AMD 锐龙 AI Max+ 395 的统一内存架构和 256-bit超宽内存总线。

在传统CPU+独立显卡架构中，CPU和GPU 通常拥有各自独立的内存空间。CPU 处理完数据后，很多任务还需要通过主板上的PCIe总线，把数据从系统内存搬运到显存中。这一过程会带来额外的传输延迟，且每一次搬运也都会增加功耗。

而AMD 锐龙 AI Max+ 395的CPU、GPU和NPU 共享同一套128GB的LPDDR5X 物理内存池，系统可以根据任务负载需要，在不同计算单元之间灵活分配内存显存资源。对于图形和AI负载来说，这意味着GPU与NPU不再被固定显存容量卡死，可以调用大比例共享内存空间，处理更大的模型、素材，以及数据任务。

再配合256-bit内存总线提供的256GB/s带宽，这套统一内存架构不仅拥有充足的带宽，还让CPU与GPU能够共享同一片内存空间，减少了数据在不同存储空间之间来回搬运的开销。

当面对压缩解压、大文件处理、本地AI推理、视频创作等需要持续处理大量数据的工作负载时，统一内存架构能让数据直接流转，带宽利用率更高，同时也有助于降低整台机器的功耗。

Cinebench、3DMark、V-Ray等测试分别验证了 CPU、GPU 与渲染性能，接下来我要在PCMark 10 Extended测试中考察AMD 锐龙 AI Max+ 395在真实办公与内容创作场景下的表现。

在PCMark 10 Extended测试中，搭载 AMD 锐龙 AI Max+ 395 的测试机取得了12849 分的总成绩。其中，基础功能（Essentials）为10654分，生产力（Productivity）达到17404分，数字内容创作（Digital Content Creation）达到17100分，游戏达到了23231分。

这组成绩说明，这套平台并不是凭借某一项能力突出从而拉高总分，而是在不同类型的工作负载之间保持了较好的均衡性。

尤其是在大型表格计算、文档处理、照片编辑以及视频创作等场景中，系统负载会不断在轻负载与重负载之间切换，同时还伴随着浏览器、多媒体软件、云同步等后台任务持续运行。相比单一的跑分项目，这类真实办公负载更考验整个平台的协同能力。CPU、GPU、NPU与内存子系统不仅要各自提供足够的计算能力，还需要在不同任务之间快速完成资源调度，避免因资源争用而影响整体响应速度。

其实，前面的测试结果已经解释了AMD锐龙AI Max+ 395在PCMark测试中表现突出的原因。

基准测试所验证的CPU多线程计算能力、Radeon 8060S的图形性能、统一内存架构以及高带宽数据吞吐，并非独立发挥作用，而是在真实应用场景中共同参与任务处理。

换句话说，AMD锐龙AI Max+ 395可以在复杂、连续的生产力负载下，始终保持流畅的响应和稳定的性能输出。

03 硬刚“黑猴”超高画质，“打瓦”狂飙853 FPS

基准测试已经证明，AMD锐龙AI Max+ 395的性能已经具备应对高强度计算、图形渲染以及复杂工作流的综合能力。

但理论分数还需要在场景中验证，因此我决定先利用以“显卡杀手”著称的《黑神话：悟空》来验证它的图形渲染能力。

测试过程中，我将分辨率设为1080P，画质、阴影、贴图、全局光照、反射等选项全部拉至“超高”，超采样清晰度设置为70，并开启 FSR3 超分辨率采样。为了验证芯片最原生的图形渲染能力，我特意关闭了帧生成，希望看到真实算力，而不是依靠插帧堆出来的数字。

进入游戏后，精细的全局光照、复杂的植被，以及高质量材质全部加载完成，画面帧率稳定保持在74 FPS。无论是在复杂场景中高速移动，还是连续战斗，整个过程都没有出现明显掉帧、拖影或卡顿。

随后，我又测试了另一款电竞游戏《无畏契约》。与《黑神话悟空》不同，这类电竞游戏对GPU的压力并不算高，却极度依赖CPU单核性能和内存访问延迟，任何响应上的迟滞都会直接影响操作手感。

测试得到的数据相当漂亮，客户端帧率冲到 853 FPS，轻松跑满高刷电竞屏的上限；总帧时间仅1.3ms，放到实际操作里意味着，画面变化、反馈的延迟低到几乎无法察觉，这种“枪线跟手”，正是专业电竞玩家最看重的“手感"。

这一表现主要源自两方面：

其一，AMD锐龙 AI Max+ 395采用了统一内存架构，共享最高128GB的统一内存池。系统可根据负载动态划分 32GB、64GB 甚至96GB专供 GPU 使用，所以使显存容量不再被预先锁定，再配合256-bit四通道内存位宽，使得大量高精度纹理、复杂场景和大型资源能够持续高速加载。

其二，锐龙AI Max+395内部集成的80MB（L2+L3）缓存进一步降低了GPU 访问内存时的延迟，使整体响应更加迅速。

04 本地跑起千亿模型，“三重铁壁”护航Agent，完美接管专属企业级任务

各项测试已经证明，联想百应AI主机300是一台拥有强大性能的主机。但这些测试更多体现的是硬件能力，而对于这台AI主机定位的产品来说，更重要的是它能否真正承担起大模型推理任务。

于是，我利用ollama在本地部署了一个千亿参数的MOE模型：GPT-OSS 120B（1200亿参数）。其实，在传统硬件体系里，想本地运行120B的模型，至少得靠多张24GB显存的顶级GPU组成的集群，硬件成本和功耗都高得吓人。

而现在，这台书本大小的联想百应AI主机便能完美运行千亿参数的模型。

在本地部署GPT-OSS 120B的AI推理任务中，总耗时约4.28 秒，模型加载254毫秒，生成速度34.31tokens/s。

单看 34.31 tokens/s 这个数字或许并不直观。换算成实际体验，相当于每秒连续生成二三十个中文字符，输出速度已经远超人类的阅读速度。实际使用时，可以做到即问即答。

这样的推理能力，依旧缘于AMD锐龙AI Max+ 395在内存容量与内存访问路径上的设计优势。其128GB统一内存使CPU与iGPU共享同一物理内存池，为大模型提供了充足的内存空间，从而减少额外的数据搬运开销。同时256-bit的位宽与四通道高带宽的内存子系统，提供了连续的数据供给，有助于在长时间输出过程中维持稳定的吞吐。

本地推理能跑通，而且速度足够快，只是第一步。真正决定一台AI主机生产力的，在于其能不能接管真实的业务流程。

为此，我利用联想百应一键部署了“龙虾”（OpenClaw 智能体），调用deepseek-R1的API，再借助模型上下文协议（MCP）接入微信接口（ClawBot）。这样一来，微信就成了智能体的交互入口。我在手机上发出一句指令，Agent就会接收任务、调用工具并完成执行。

需要说明的是，这里调用云端API只是为了验证流程，并非是必选项。

实际上，本地部署的开源模型已经完全有能力承担龙虾的“大脑”角色，GPT-OSS 120B、Qwen 122B，或者更侧重代码与工具调用能力的Coder Next 80B，在AMD锐龙AI Max+ 395的128GB统一内存支撑下都能顺利跑起来。也就是说，从模型推理到任务执行，整条链路完全可以留在本地，数据不出机器。

不过，在真正把业务交给它之前，我更关心另一个问题：安全。

与普通对话式AI不同，这类Agent不仅能够读取数据，还可以调用工具、执行脚本，拥有更高的系统权限。如果缺少安全防护，一次恶意 Prompt攻击或一次异常工具调用，都会带来风险。

好在，联想百应设置了三层安全防护。

从客户端面板可以看到，联想百应预置了Prompt安全检测、Skill安全检测，以及工具安全检测三项防护，都会参与任务审核。其中，Prompt 安全检测负责识别Prompt注入和角色持续攻击；Skill 安全检测负责审查Agent调用技能时的权限与漏洞风险；工具安全检测则持续监控脚本和命令执行过程，避免危险命令真正落地。只有通过这些安全校验，请求才会被放行并进入执行阶段。

确认防护机制正常工作后，我开始给它派发任务。我在微信端发出一句：“帮我写一个电商网页”的任务。

几乎没有等待，Agent便开始自主执行，并调用联想百应自带的skill。十几秒后，一个名为“悦选·Store”的完整电商首页已经生成并直接渲染出来。首页包含大促Banner、商品分类导航，以及布局完整的商品展示区域。

从一句自然语言需求，到一个能够直接运行的网页，中间无需手写任何代码。

在后台日志中，我可以实时看到完整的安全记录：06/26 15:37:58，Prompt 安全检测首先完成审核并放行，请求随后才进入实际执行流程。

也就是说，在Agent调用模型和工具之前，安全机制已经先完成了一次“预检”。

网页生成验证的是“联想百应AI主机”开箱即用能力，通过调用现成的Skill、连接云端模型，可以快速完成既定任务。

但对于企业内部流程，现成Skill很难覆盖所有业务需求，云端模型也可能受到网络环境、调用成本和数据合规要求的限制。所以接下来，我关闭了云端模型接口，换成本地部署的模型，同时让“龙虾”调用我自己编写的Skill，看看它能否按照预先设定的规则完成一项完整任务。

前面的 GPT-OSS 120B测试，已经证明这台主机具备承载千亿参数模型的能力。这一轮更关注Agent的实际响应效率和工具调用链路，因此我利用LM Studio在本地加载了Qwen3.6-35B-A3B模型。相比单纯追求模型规模，Agent 场景还要考虑响应延迟、上下文处理、工具调用和长时间运行时的资源占用，这款MoE模型很适合用来验证后续工作流。

我先进行了一次基础的多模态测试：向模型上传一张湖泊风景图片，要求它在50字以内描述画面。模型准确识别出了湖水、高山、针叶林和岸边植被，并生成了一段结构完整的中文描述。此次任务输出速度达到40.17 Token/s，正文生成耗时约15.06秒，说明图像输入、视觉理解和中文生成链路均已正常运行。

完成基础能力验证后，我将本地模型以兼容OpenAI API的方式开放出来，然后以Modelfile方式指向LM Studio已下载的GGUF，并导入ollama，同时把服务地址、模型名称和访问参数写入OpenClaw的配置文件。

这样一来，OpenClaw便能直接调用在联想百应AI主机上本地部署Qwen3.6-35B-A3B（ollama 识别），由本地模型完成意图理解、任务拆解和工具选择。

随后，我把自己编写的 Skill注册到OpenClaw 中。为了验证这套本地工作流能否处理真实业务，我挑了一个几乎所有企业都会涉及的业务场景：简历筛选。

过去，很多企业一般是把候选人的简历逐份贴进云端大模型，再按照自己的标准完成筛选。这个办法虽然可行，但每一次调用都需要消耗Token，涉及真实简历时，把数据发送到云端。

这次，我把这一流程在本地模型上运行。我自己编写了一套筛选简历的Skill，把岗位要求、评分维度和决策逻辑全部固化进去，再让龙虾调用本地部署的模型执行任务。

我导入了多份TO B视频剪辑岗位的简历。模型很快完成了整份文档的分析，并按照我设定的规则输出了综合评分的各项指标、推荐等级，以及安排面试的建议。

为什么要用本地模型？有两个原因：

第一，是成本。过去，每筛一份简历，都意味着云端模型调用Token 开销；现在，模型部署在本地，同一套 Skill可以反复调用，不再产生额外推理费用。

第二，是数据安全。简历中包含大量候选人的个人信息，如果依赖云端服务，这些数据会有泄露的风险；而模型推理、工具调用和业务处理如果全部在本机完成，数据始终留在本地。这种能力对于政企、金融、医疗等重视数据合规的行业而言，意义甚至大于节省Token 成本。

在连续运行 Agent 和大模型推理任务时，我观察了整机功耗。相比传统依赖高端独立显卡、动辄数百瓦的本地推理平台，这台主机始终保持着更低的功耗水平。

除了统一内存架构减少了数据搬运带来的额外开销外，AMD锐龙 AI Max+ 395集成的 XDNA 2 NPU（50+ TOPS）还能承担系统中的AI 推理任务，例如视觉、语音以及 Windows AI+PC 工作负载，让 CPU、GPU 各自专注于更适合自己的计算，从而进一步优化整机能效。当系统进入空闲状态时，整机待机功耗约为2W。

05 产业视角的终极判断 锐龙AI Max+395价值显现

一整天的时间，一系列测试终于结束了。我刻意停下手里的键盘，听了听实验室里的声音。

没有了全塔机箱风扇撕裂空气的轰鸣，也没有了不断往腿上扑来的热浪。空调终于被调回了26℃，同事们隔着桌子交流，也不用再刻意提高音量。桌子底下，久违地空出了一大块可以伸腿的空间；而那台只有精装书大小的联想百应AI主机300，正安静地立在桌面上，待机功耗稳定停留在2W。

屏幕上的120B参数大模型已经加载完成，后台的Agent还在继续工作。我没有关掉它们。我只是坐在那里，听着实验室安静下来。很难相信，过去只有多卡工作站才能承担的高强度计算，如今已经能够在这样一台书本大小的设备上完成。

回过头来看，这种变化并非来自单一性能指标的提升，而是底层硬件架构的重构。AMD锐龙 AI Max+ 395将16核Zen 5 CPU、40CU RDNA 3.5 GPU、最高128GB的统一内存以及专用于AI计算的50 TOPS算力的NPU集成到同一颗处理器中，让过去必须在性能、显存容量、设备体积、噪音和功耗之间反复取舍的矛盾，均得到了解决。

这种变化带来的，还有本地AI应用的改变。120B级模型能够完整驻留本地，Agent可以持续运行内容生成、代码开发、多模型协同等任务，不再频繁受限于显存容量和硬件资源。

而当这些原本相互制约的条件能够同时成立，本地AI的使用方式也随之发生了变化。本地AI部署开始从“能不能跑”，变成“能不能长期稳定地工作”。

这就是搭载AMD锐龙 AI Max+ 395的联想百应AI主机300真正的价值所在。

过去，能够承载大模型持续运行的AI超算，更多属于机房、实验室和大型企业；而今天，它以轻巧便携的桌面设备形态，走进了中小企业和开发者的日常工作场景。从部署本地模型到运行AI Agent、支撑长时间推理，这些原本需要专业算力环境才能完成的任务，如今在搭载AMD锐龙 AI Max+ 395的联想百应AI主机300上就能稳定高效运转。不再需要购买长期使用成本高昂的Tokens流量，还能方便在本地快捷部署，也不用担心数据隐私泄露，可谓一举三得。

而未来，或许每一家中小企业，都需要这样一台属于自己的AI主机。

更多详情：https://item.jd.com/100364802274.html