極摩客 EVO-X2 mini ：一臺桌面主機(jī)，打通AI本地部署

前言：

在AI全面觸達(dá)各行各業(yè)的今天，從初學(xué)者到開發(fā)者、從極客到內(nèi)容創(chuàng)作者，越來越多的人開始嘗試將大模型部署在本地設(shè)備上，從而擺脫云端服務(wù)的限制，實(shí)現(xiàn)低延遲、更私密、可控的AI應(yīng)用體驗(yàn)。

而在2025年，隨著AMD推出基于Strix Halo架構(gòu)的銳龍 AI Max+ 395平臺，這一目標(biāo)開始走入現(xiàn)實(shí)。這次我們體驗(yàn)的極摩客 EVO-X2 Mini AI主機(jī)，就搭載了這顆旗艦級APU，以及128GB LPDDR5X內(nèi)存和2TB PCIe 4.0 SSD。

當(dāng)然，極摩客 EVO-X2 Mini 的定位不止于普通主機(jī)，它更像是一套完整的本地 AI 實(shí)驗(yàn)平臺。其目標(biāo)用戶涵蓋AI相關(guān)的學(xué)生、初創(chuàng)團(tuán)隊(duì)、獨(dú)立開發(fā)者以及內(nèi)容創(chuàng)作者，旨在讓他們能夠在本地進(jìn)行模型適配、驗(yàn)證和應(yīng)用開發(fā)工作。過去許多必須“上云”才能完成的AI任務(wù)，現(xiàn)在在一臺Windows桌面機(jī)器上就能實(shí)現(xiàn)：

· 本地運(yùn)行大模型：支持在本地跑32B～70B 參數(shù)規(guī)模的語言模型，大幅降低對云端GPU的依賴。

· 多模態(tài)AI推理：不僅可以運(yùn)行文本生成，還能跑圖文生成、圖像識別、語音識別等多模態(tài)模型，滿足文本、圖像、語音多方面的AI創(chuàng)作需求。

· 多模型并行處理：可同時加載多個模型共同運(yùn)行，如同時啟動語言模型+圖像生成+語音轉(zhuǎn)寫，隨時快速切換，響應(yīng)依然流暢。

通過這樣的平臺化設(shè)計，EVO-X2 Mini 解決了過去「只能上云」的痛點(diǎn)，讓開發(fā)者在本地就可完成完整的AI開發(fā)流程：無需擔(dān)心云服務(wù)的計費(fèi)和限流，無需擔(dān)心敏感數(shù)據(jù)上傳云端的風(fēng)險。本地部署意味著沒有 Token 調(diào)用限制，數(shù)據(jù)完全掌握在自己手中，迭代調(diào)試也可以離線完成。這款產(chǎn)品真正實(shí)現(xiàn)了AI開發(fā)從云端回歸本地的一次飛躍。

今天我們就從外觀設(shè)計、基準(zhǔn)性能、本地部署大模型測試、多模態(tài)生成體驗(yàn)幾個維度，全方位評估這臺“桌面AI超算中心”的真正實(shí)力。

1、 設(shè)計語言：極簡科幻，桌面即是工作站

作為一款面向AI開發(fā)的桌面工作站，極摩客 EVO-X2 Mini 在外觀設(shè)計上強(qiáng)調(diào)“小體積，大能量”。整機(jī)采用一體化的鋁合金機(jī)身結(jié)構(gòu)，銀黑配色的極簡工業(yè)風(fēng)，小巧的機(jī)身尺寸約193×186×77 mm，非常適合擺放在工作室、實(shí)驗(yàn)室乃至宿舍的桌面上。

全鋁外殼不僅保證了堅固質(zhì)感，也有助于散熱穩(wěn)定，高負(fù)載運(yùn)行時機(jī)身仍能保持良好溫控。

EVO-X2 Mini 的接口擴(kuò)展也相當(dāng)豐富，方便開發(fā)者搭建本地服務(wù)器或高性能工作流。機(jī)身前面板提供了USB4（40Gbps）高速接口、USB 3.2 Gen2接口×2、SD卡槽和音頻接口等；

背面則配備了2.5G以太網(wǎng)口、更多USB接口（包括另一組USB4和USB-A）、HDMI 2.1、DP 1.4視頻輸出等。

這些接口意味著開發(fā)者可以靈活連接外接顯卡(通過USB4接口的外置GPU塢站)、AI加速模塊、高速存儲陣列甚至多顯示器，擴(kuò)展出媲美服務(wù)器的I/O能力。在如此小巧的機(jī)身中集成全面的功能接口，充分體現(xiàn)了對開發(fā)者使用場景的友好設(shè)計——無需占用機(jī)房空間，在桌面即可搭建屬于自己的AI超級工作站。

二、性能測試：CPU、GPU、存儲全面釋放

極摩客EVO-X2 mini核心搭載了AMD 銳龍 AI Max+ 395 APU，是當(dāng)前AMD面向AI PC推出的最強(qiáng)桌面平臺之一。

它使用16核心32線程的Zen 5 CPU架構(gòu)，主頻高達(dá)5.1GHz，集成40 CU的RDNA 3.5 GPU，型號為Radeon 8060S，配備XDNA 2架構(gòu)的NPU，AI算力達(dá)到50+ TOPS，總算力126 TOPS，支持最大128GB LPDDR5X內(nèi)存，內(nèi)存帶寬高達(dá)256GB/s。接下來我們對這臺機(jī)器進(jìn)行基礎(chǔ)測試。

在CineBench R23的測試中，CPU單核得分為2012分，多核得分為34836分。在CineBench R24的測試中，它拿到了單核得分113分，多核得分1838分，這樣的分?jǐn)?shù)表現(xiàn)證明這塊CPU表現(xiàn)可以穩(wěn)穩(wěn)媲美桌面級旗艦平臺，應(yīng)對大模型加載、多線程推理毫無壓力。

在3Dmark圖形計算任務(wù)中，Radeon 8060S 表現(xiàn)超越傳統(tǒng)核顯甚至追平中端獨(dú)顯，TimeSpy顯卡成績?yōu)?1427，綜合成績11111分。

在Fire Strike測試任務(wù)中，顯卡成績?yōu)?0989分，綜合成績26714分。

而在Solar Bay中，則保持了193FPS流暢輸出，這證明了AMD Radeon 8060S能夠?yàn)閳D像/視頻類AI模型提供了穩(wěn)定基礎(chǔ)。

同時我們還使用 CrystalDiskMark 對它的存儲帶寬進(jìn)行測試，它的順序讀取：7103.90 MB/s順序?qū)懭耄?431.00 MB/s，這樣的超高速SSD讓大模型文件加載、初始化過程幾乎沒有等待時間，大幅提升開發(fā)迭代效率。

三、大模型實(shí)測：從Qwen3-235B到DeepSeek V3，真正可用的“本地AI”

光看跑分還不夠，關(guān)鍵還是得看一臺機(jī)器能不能把真正的大模型跑起來。過去像 70B、32B 這種級別的語言模型，或者像 Flux 這樣的圖像生成模型，基本只能靠動輒幾萬塊的云服務(wù)器來撐起。

但 AMD Ryzen AI Max+ 395，算力強(qiáng)、內(nèi)存大，還能靈活調(diào)度 CPU、GPU 和 NPU，讓很多原本只能云上跑的模型，在本地也能穩(wěn)定運(yùn)行。而且對 AI 初學(xué)者或者入門級開發(fā)者來說，這也意味著門檻一下降下來了——以前不敢想的事，現(xiàn)在一臺小主機(jī)就能干。

首先我們使用LM Studio，部署了來自AMD AI生態(tài)伙伴模優(yōu)優(yōu)團(tuán)隊(duì)優(yōu)化過的最新大模型Qwen3-235B，模型加載后占用了約60GB內(nèi)存。

我們在模型上提問了幾個問題，例如計算地球的質(zhì)量，從回答的過程和結(jié)果來看邏輯縝密，一共輸出了960tokens，速度為12.05 tok/sec，首個token輸出延遲為0.92s。

接下來我們稍微上了點(diǎn)強(qiáng)度，提問了AI測試中的中等難度數(shù)學(xué)題：“1個蘋果=2個梨，3個梨=4個橙子，6個橙子=7個香蕉，56個香蕉等于多少個蘋果？”。這道題是數(shù)量關(guān)系，但是需要做公倍數(shù)的推理。

在經(jīng)過6分40秒后模型給出答案，一共輸出了2526 tokens，速度為10.10 tok/sec，首個token輸出延遲為2.87s。

同時我們觀察在實(shí)際推理時的硬件表現(xiàn)，GPU負(fù)載100%、CPU負(fù)載5%、內(nèi)存負(fù)載37%，所有問題響應(yīng)速度快，運(yùn)行過程穩(wěn)定。能在一臺小型主機(jī)上跑動如此規(guī)模的LLM，充分證明了Strix Halo架構(gòu)強(qiáng)大的內(nèi)存帶寬和異構(gòu)算力。

之后我們重新部署了同樣量級的DeepSeek-V3，來看看它的表現(xiàn)如何。

我們讓DeepSeek來進(jìn)行一場畫展策劃案，能夠看到它的執(zhí)行方案十分清晰，本次回答總計輸出1233 tokens，速度為6.47 tok/s，首個token延遲為1.19s。

之后我們又讓DeepSeek給出一份旅行計劃，它同樣給出了十分不錯的答案。本次回答總計輸出634 tokens，速度為7.75 tok/s，首個token延遲為0.73s。

整體來看，無論是面對參數(shù)體量龐大的 Qwen3-235B，還是處理偏實(shí)用場景導(dǎo)向的 DeepSeek 模型，EVO-X2 Mini 都展現(xiàn)出了穩(wěn)定、流暢的推理表現(xiàn)，關(guān)鍵是還能在桌面端輕松實(shí)現(xiàn)。硬件層面，Strix Halo 架構(gòu)不光是“能跑”，而是跑得住、跑得穩(wěn)，這種來自 AMD 的異構(gòu)算力整合，確實(shí)讓本地 AI 部署這件事，離“普通開發(fā)者”更近了一大步。

四、圖像 & 視頻模型部署：Amuse 本地多模態(tài)體驗(yàn)

除了語言模型，EVO-X2 Mini 在圖像、視頻等創(chuàng)意類模型的應(yīng)用上也非常值得關(guān)注。接下來我們使用Amuse 3.0平臺來進(jìn)行測試，該平臺整合了包括Flux（文生圖）和locomotion（文生視頻）在內(nèi)的一系列生成式模型。

首先我們使用Flux1-Schnell來進(jìn)行文生圖測試，生成 1024×1024 的圖像并超分到 2048×2048，迭代步數(shù)為4步，我們得到了一張非常不錯的圖片。

在生成“姜餅人卡通圖”時，我們觀察硬件表現(xiàn)，GPU占用率會頻繁沖到100%，CPU平均占用率為4%，內(nèi)存平均占用率為22%。在多次生成后，平均單張圖像輸出時間：28.7秒，性能指標(biāo)：0.1 ~ 0.2 it/s

之后我們上一點(diǎn)強(qiáng)度，我們讓Flux1-Schnell進(jìn)行寫實(shí)風(fēng)格“牛仔彈吉他”的照片，均成功生成，畫面雖然有AI的痕跡，但符合我們的正常觀感。

接下來我們更換為locomotion，來進(jìn)行文生視頻的測試，使用提示詞“浣熊在沙灘上彈吉他”，分辨率1152x1152，生成2秒視頻，輸出時間：37.4秒，性能：0.4 it/s

同樣的，我們將視頻生成指標(biāo)調(diào)整為10秒，分辨率1152x1152，關(guān)鍵詞同樣是“浣熊在沙灘上彈吉他”，耗時204.7秒，吉他雖然略有浮動，但浣熊的效果可以接受。

從圖像到視頻，EVO-X2 Mini 在面對這類計算量大、顯存占用高的創(chuàng)意生成任務(wù)時依然保持了不錯的穩(wěn)定性和響應(yīng)速度。無論是 Flux 快速出圖時 GPU 的高效調(diào)用，還是 LOCOmotion 在高分辨率視頻生成中的持續(xù)輸出表現(xiàn)，都離不開 AMD Ryzen AI Max+ 架構(gòu)下 CPU、GPU、NPU 三者的協(xié)同調(diào)度。

總結(jié)：一顆芯片帶來的轉(zhuǎn)變，從云端回到桌面

如果說過去我們總默認(rèn)，大模型、尤其是幾十億甚至上百億參數(shù)級別的 AI 模型，只能在云端大型服務(wù)器上運(yùn)行，那 EVO-X2 Mini 的出現(xiàn)，無疑給出了一個顛覆性的答案。它不僅能把這些“高門檻任務(wù)”拉回到開發(fā)者的桌面，還讓整個 AI 工作流變得更簡單、更可控。

真正讓這種轉(zhuǎn)變成為可能的，是它所搭載的 AMDRyzen AI Max+ 395 APU。這顆芯片并不是單純追求 CPU 或 GPU 性能的堆料式升級，而是通過全新的異構(gòu)設(shè)計，把 Zen 5 高性能核心、RDNA 3.5 圖形架構(gòu)、以及 XDNA 2 NPU 融合為一個真正面向多模態(tài) AI 的算力平臺。它的50+ TOPS AI 推理能力和統(tǒng)一共享的高帶寬內(nèi)存架構(gòu)，讓多模型并行、高負(fù)載任務(wù)不再是“頂配專屬”。

在實(shí)際體驗(yàn)中，這不僅意味著可以運(yùn)行 Qwen3 這樣體量驚人的模型，或部署 DeepSeek、Flux、LOCOmotion 等多模態(tài)生成任務(wù)，更意味著開發(fā)者可以在離線狀態(tài)下完成訓(xùn)練、調(diào)試和原型設(shè)計，徹底擺脫云端限制與 Token 焦慮。這對于教育用戶、小型團(tuán)隊(duì)甚至內(nèi)容創(chuàng)作者來說，幾乎相當(dāng)于多年前“獨(dú)立剪片”從工作站下放到筆記本那種解放感。

更關(guān)鍵的是，這不只是一臺機(jī)器的偶然突破，而是 AMD AI PC 生態(tài)系統(tǒng)的一部分。除了 EVO-X2 Mini，后面我們還能見到更多搭載 Ryzen AI Max+ 395 的設(shè)備，相信它們將會覆蓋從桌面端到移動端的完整本地 AI 應(yīng)用場景。

AMD 正在讓“本地 AI”從概念變成現(xiàn)實(shí)，不只是性能上的領(lǐng)先，更是開發(fā)范式的重構(gòu)。對于那些想真正掌控算力、探索多模態(tài) AI 應(yīng)用的人來說，像 EVO-X2 Mini 這樣的設(shè)備，正是一扇打開未來可能性的門。