RTX Spark 對 Ryzen AI Max+：本地 AI 快慢之外，記憶體仍定勝負

圖片：TechLab 自製資訊圖

TechLab 編輯部（譯）·2026-10-28

XDA Developers 將配備 RTX Spark N1X、64GB 統一記憶體的 Lenovo Yoga 9n，與配備 Ryzen AI Max+ 395、128GB 統一記憶體的 Asus ROG Flow Z13 比較本地 AI 工作。其測試顯示，當模型可在兩機同樣載入時，RTX Spark 的 LLM prompt 處理快 2.1 至 3.5 倍、文字生成快 1.4 至 1.6 倍；以 ComfyUI 生成 1024×1024 圖像，前者平均需 25.8 秒，後者為 66.3 秒。

不過，這並不代表 RTX Spark 在所有本地 AI 工作流都佔優。XDA 測試的 64GB RTX Spark 無法載入約需 60GB 記憶體的 gpt-oss 120B；128GB 的 ROG Flow Z13 則可把模型全數放進 GPU，錄得每秒 31.7 個 token。對希望離線運行大型模型的用家，可分配給 GPU 的記憶體容量，仍可能比單看速度更先決。

同一模型較快，關鍵或在 CUDA 生態

XDA 以 Ollama 0.40.8 測試相同模型檔、16K context，並各跑三次；RTX Spark 由 Ollama 選用 CUDA，Ryzen AI Max+ 則選用 ROCm。生成圖測試亦使用相同 FLUX.2 Klein 4B 檔案、設定及 seed。這讓結果較能反映兩套 GPU 軟件堆疊在既定工具上的表現，但仍只是兩部特定機款及配置的結果，未足以推論所有 RTX Spark 或 Ryzen AI Max+ 裝置。

兩者標示的記憶體頻寬為 300GB/s 與 256GB/s，差距約 17%；但 XDA 所測到的文字生成差距可達 61%。這是合理但未獲獨立證實的推論：除硬件頻寬外，CUDA 的工具鏈成熟度與各 AI 工具的最佳化，可能是差距的重要來源。

ROCm 並非不能用。XDA 指出，ROCm 版 PyTorch 刻意沿用 torch.cuda 介面，方便原為 Nvidia 撰寫的程式碼較少改動便能運行。從開發角度看，這有助相容；但也反映許多本地 AI 工具的設計和測試仍以 CUDA 為主要基準，AMD 用家較可能遇到版本、安裝或最佳化差異。

大模型工作流，先看可用 GPU 記憶體

統一記憶體的價值，在於系統可為 GPU 劃出較大空間。XDA 的配置中，Rog Flow Z13 設定為 96GB GPU／32GB 系統記憶體；Yoga 9n 為 32GB GPU／32GB 系統記憶體。雖然 XDA 其後嘗試不同分配，CUDA 可見記憶體約為 46GB，仍不足以啟動 gpt-oss 120B 的 KV cache。

因此，選擇本地 AI 裝置可先按工作類型分流：

常用較小至中型 LLM、生成圖，並重視現成工具的速度與 CUDA 相容性，RTX Spark 在這次測試佔優。
需要把更大模型完整放入 GPU，128GB 統一記憶體的 Ryzen AI Max+ 配置有明確容量優勢。
依賴 Windows on Arm 軟件的用家仍要逐一核實工具。XDA 指出，Windows on Arm 版 ComfyUI 屬 beta，且只支援 Nvidia GPU；測試中亦使用 nightly 版 PyTorch，成熟度未必等同一般 Windows x86 軟件環境。

XDA 的其中一項插牆耗電測試亦顯示，RTX Spark 完成一次摘要約用 0.28Wh，對手約為 0.52Wh；但這是單一工作負載，並受機身電源模式和電池策略影響，不宜延伸為所有 AI 任務的能耗結論。

這次比較較有參考價值的地方，是把「能否跑得快」和「能否裝得下」分開看。隨著本地 LLM 的模型體積、context 與圖像工作流持續增加，Windows on Arm 的 app 相容性、CUDA 與 ROCm 的實際支援，以及各機款可交給 GPU 的記憶體，會比規格表上的 AI 算力更直接影響使用體驗。