锐龙AI Max+ 395开启全能桌面AI主机“王炸”时刻

作者毛烁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300NUC 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 Ratio17.85x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CinebenchV-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 ExtremeDX12 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/sCPU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/sCPU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 Max395内部集成的80MBL2L3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 120B1200亿参数。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 15:37:58Prompt 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-A3Bollama 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 NPU50 TOPS还能承担系统中的AI 推理任务例如视觉、语音以及 Windows AIPC 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 Max395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