下午的渲染任務跑到第三個小時，桌子底下那台全塔工作站的風扇又一次拉滿了轉速。幾張獨立顯卡同時滿載，機殼不斷往外吐著熱浪，整個試驗室都被持續不斷的風噪填滿。每次它開始幹活，大家說話都得提高音量，冷氣也要再調低幾度。
作為需要長期進行本地大模型部署、代碼開發和影片製作的內容工作者，我離不開這樣的工作站。無論是占用幾十GB顯存的影片渲染任務，還是大模型推理與微調，都需要它幫我扛住。
但另一方面，我也早就受夠了它的缺點：龐大的機殼占據了桌下的大半空間，數百瓦的功耗和持續不斷的噪音、熱量，幾乎成了每天工作的背景音。
其實，我最近一直在找能夠替代它的機器，我需要體積足夠小，運行安靜，還能把一些重負載任務全部接過去，最好還能在本地跑千億參數的大模型。
遺憾的是，在傳統PC架構下，幾乎沒有合適的機器。因為算力越強，需要的功耗和冷卻能力越高，設備體積和噪音也越大。性能、功耗和體積之間，存在難以跨越的「不可能三角」。而且，本地運行大模型也對顯存開銷有非常大需求，進一步抬升功耗和散熱的閾值。
直到最近，別人向我推薦了聯想百應AI主機300（又名：聯想百應NUC AI Max+ 395）。
「128GB統一內存，最高可將 96GB 劃撥給 GPU 作顯存」，看到這一行參數時，我停頓了很久。如果它真能兌現，千億參數的大模型就能完整裝進這台機器里運行。而且，過去只能依賴多卡工作站完成的事情，現在便可以遷移到這台迷你主機上。
而今天，我正好拿到了這台機器。
01 擊碎「不可能三角」，AMD銳龍 AI Max+ 395的硬核「霸權」
我把這台機器擺到桌面上，切面也就是一本精裝書的大小，整機三維是190×97.5×249毫米，內部卻集成了高達350W的獨立電源模組。
坦白說，當時我陷入了瞬間的質疑：一台緊湊型主機，為什麼配上350W的供電？按常規台式機的標準算，它的直流輸出足以點亮一台辦公級塔式主機了。
那麼，多出來的這部分供電餘量，究竟是為誰準備的？
我順著機殼外圍看一圈，找到了一部分線索。
這台聯想百應AI主機300（NUC AI Max+ 395）並沒有因為追求小巧的體積，就在接口上做減法。前面板除了常規的兩個USB 3.2 Gen2、讀卡器和音頻接口，還專門留了一個頻寬高達40Gbps的USB4。為了使用更便捷，在開關鍵下方還有一個專用的性能模式切換按鍵。
轉到機身背面，滿血40Gbps速率支持HBR3的DP 1.4、支持無損4K/120Hz輸出的HDMI 2.1，外加又一個40Gbps USB4、2.5G RJ45和一整排常規接口。桌面級主機該有的擴展能力，它基本配齊了。
把I/O鋪得這麼密，並不只是為了外接設備方便。其實，在本地AI開發場景中，順暢的數據吞吐是重中之重，所以不管是通過USB4外掛高速NAS調取海量訓練數據集，還是靠機身自帶的Wi-Fi 7模組或2.5G有線網口下載動輒上百GB的模型權重，這套配置都能確保龐大的數據在進出機器時，始終有足夠寬的通道可走。
不過，就算接口全部掛滿設備，也吃不滿350W的供電。其實，這份充裕的功耗預算，是為機身內部強大的算力引擎AMD銳龍 AI Max+ 395處理器預留的。同樣一顆晶片，功耗空間給得越寬裕，能穩定跑出的性能就越足。
這顆代號Strix Halo的AMD銳龍 AI Max+ 395處理器，堆料相當有魄力。其CPU部分為16核心32線程，3.0GHz的基礎頻率，能保證 CPU 端側數據預處理與調度不成為瓶頸；5.1GHz的最高加速頻率，則足以應付代碼編譯、拉起AI應用時的瞬時爆發。
GPU部分基於RDNA 3.5架構，集成了40個計算單元（CU），頻率達到2900MHz。要知道，市面上主流移動端處理器的內置顯卡大多只有16個CU上下，40個CU的規模，實際上已經是主流移動端獨立顯卡的體量。再疊加其50 TOPS的XDNA 2 NPU，整個平台的綜合AI算力，達到了相當恐怖的水平。
賬算到這裡，350W的價值一清二楚了。這筆功耗預算，換來的是相當充沛的算力儲備。不過，面對如此龐大的計算規模，大家通常還會多問一句：內存頻寬跟得上嗎？
事實上AMD銳龍 AI Max+ 395支持128GB LPDDR5X的統一內存，和256-bit超寬四通道內存總線，對應256GB/s的內存頻寬，遠超常規消費級處理器普遍採用的128-bit雙通道。
這樣的配置，為本地大模型運行提供了充足的內存容量和頻寬保障。但對於開發者而言，一台機器是否真正好用，除了硬體性能，往往還取決於軟體環境。從Python環境搭建、依賴包安裝，到PyTorch、TensorFlow等框架的版本適配，再到模型運行所需的各類配置，整個流程繁瑣且容易踩坑，很多時候模型還沒開始運行，前期準備就已經花去了不少時間。
也正因為如此，這台聯想百應AI主機300內置的「聯想百應AI平台」，反而成了讓我印象最深的部分。
實際體驗下來，百應AI平台並沒有做成功能龐雜、包辦一切的平台，而是把重點放在最基礎、也最容易影響體驗的環境準備上。該平台預置了優化的模型庫，PyTorch、TensorFlow等主流AI框架，開發者無需再花費大量時間處理Python環境、依賴管理和框架安裝等基礎工作，開機即可一鍵部署模型。
與此同時，聯想並沒有把平台做成封閉生態。環境就緒之後，無論部署什麼模型、選擇什麼推理框架，還是構建自己的Agent，開發者依然擁有完整的自主權。
02 五重基準「火力全開」，16核Zen5突破3.5萬分，40 CU撕裂顯存天花板
配置看完，平台也試過之後，接下來就該把這台機器拉上測試台了。
AMD銳龍AI Max+ 395的基礎參數很有優勢，但規格是一回事，實際能不能穩定釋放出來，又是另一回事。
所以，我並沒有急著嘗試具體應用場景，而是測試了幾組標準的基準，看看AMD銳龍 AI Max+ 395的性能可以達到什麼程度。
在 Cinebench R23 測試中，AMD銳龍AI Max+ 395取得了多核 35346 pts、單核1980 pts 的成績，多核倍率（MP Ratio）17.85x的成績。
Cinebench R23 主要考察CPU在高強度3D 渲染任務中的持續抗壓能力。對於緊湊型設備來說，16 顆物理核心同時滿載，最容易碰到的就是功耗和散熱邊界，導致觸發降頻，多線程性能也會隨之縮水。
而AMD銳龍 AI Max+ 395 在這項測試中的表現極其穩定。一方面，領先的4nm工藝帶來了更好的能效基礎；另一方面，16個完整 Zen 5 核心本身也提供了足夠強的多線程支撐。再加上350W電源預留出的功耗空間，讓其在CPU多核負載下實現了線性釋放。
這一性能放到實際場景里，無論是本地影片編碼，還是模型微調前後的數據處理，都能提供接近大型工作站的持續輸出能力。
相比主要考察CPU持續多核渲染能力的Cinebench，V-Ray Benchmark除了能測試多線程性能之外，還涉及大量浮點運算、光線追蹤計算，以及複雜場景的數據處理，對處理器的計算吞吐率、緩存系統和線程調度效率都有更高要求。
測試過程中，AMD 銳龍 AI Max+ 395 在約1分鐘的持續渲染負載下，全核頻率始終保持在4.51GHz 左右，最終取得了39309 vsamples 的成績。這表明，16個Zen 5 核心在長時間滿載運行下，能夠持續維持較高的計算吞吐能力，多線程性能得到了充分釋放。
這一表現背後的原因是，Zen 5 架構進一步提升了IPC 與多線程執行效率，使浮點運算、光線追蹤等高度並行的渲染任務能夠更充分地利用16個物理核心、32 個邏輯線程。
渲染性能之外，圖形計算能力則是AMD 銳龍 AI Max+ 395更具突破性的部分。在3DMark Time Spy Extreme（DX12 4K）測試中，其取得了5467分的總成績，Radeon 8060S的圖形得分達到了5343 分。根據 3DMark 的預估，《Battlefield V》在1440p Ultra畫質下，其可實現105 FPS以上的運行表現。
對於一顆iGPU而言，這樣的成績已經突破了傳統內置顯卡的性能邊界。過去，iGPU更多承擔桌面顯示、影片解碼,以及輕度圖形加速等任務，而Radeon 8060S 5343分的圖形成績意味著其已經具備當前主流移動獨顯的圖形計算能力，完全能夠勝任大型3D遊戲、實時渲染，以及專業內容創作等更高負載場景。
之所以能達到這樣的性能，在於這顆RDNA 3.5 架構的Radeon 8060S配置了多達40個計算單元（CU）。如此規模的計算資源，已經遠遠超出了傳統 APU 集顯的配置水平，使其擁有更強的並行計算能力，在複雜著色、幾何處理，以及圖形渲染等任務中能夠提供充足的算力支撐。
圖形性能之外，另一項重要的能力是數據吞吐。無論是渲染、壓縮解壓、影片素材處理，還是本地 AI 任務，計算單元都需要持續獲取數據。數據流動速度跟不上，CPU、GPU 和 NPU 的算力再強，也很難完全釋放出來。
在7-Zip 測試中，我將字典大小設為32MB，用32線程，連續進行10輪循環，最終數據表現為：壓縮環節處理5130MB 數據，速度達到145883KB/s，CPU使用率為2768%，評分166.564 GIPS；解壓縮環節處理51300MB數據，速度達到2125769KB/s，CPU使用率2577%，評分189.131GIPS。整體評分為177.847 GIPS。
其中，解壓縮速度超過每秒2GB，是這組成績里最值得關注的部分。其背後的核心能力支撐，來自AMD 銳龍 AI Max+ 395 的統一內存架構和 256-bit超寬內存總線。
在傳統CPU+獨立顯卡架構中，CPU和GPU 通常擁有各自獨立的內存空間。CPU 處理完數據後，很多任務還需要通過主機板上的PCIe總線，把數據從系統內存搬運到顯存中。這一過程會帶來額外的傳輸延遲，且每一次搬運也都會增加功耗。
而AMD 銳龍 AI Max+ 395的CPU、GPU和NPU 共享同一套128GB的LPDDR5X 物理內存池，系統可以根據任務負載需要，在不同計算單元之間靈活分配內存顯存資源。對於圖形和AI負載來說，這意味著GPU與NPU不再被固定顯存容量卡死，可以調用大比例共享內存空間，處理更大的模型、素材，以及數據任務。
再配合256-bit內存總線提供的256GB/s頻寬，這套統一內存架構不僅擁有充足的頻寬，還讓CPU與GPU能夠共享同一片內存空間，減少了數據在不同儲存空間之間來回搬運的開銷。
當面對壓縮解壓、大文件處理、本地AI推理、影片創作等需要持續處理大量數據的工作負載時，統一內存架構能讓數據直接流轉，頻寬利用率更高，同時也有助於降低整台機器的功耗。
Cinebench、3DMark、V-Ray等測試分別驗證了 CPU、GPU 與渲染性能，接下來我要在PCMark 10 Extended測試中考察AMD 銳龍 AI Max+ 395在真實辦公與內容創作場景下的表現。
在PCMark 10 Extended測試中，搭載 AMD 銳龍 AI Max+ 395 的測試機取得了12849 分的總成績。其中，基礎功能（Essentials）為10654分，生產力（Productivity）達到17404分，數位內容創作（Digital Content Creation）達到17100分，遊戲達到了23231分。
這組成績說明，這套平台並不是憑藉某一項能力突出從而拉高總分，而是在不同類型的工作負載之間保持了較好的均衡性。
尤其是在大型表格計算、文檔處理、照片編輯以及影片創作等場景中，系統負載會不斷在輕負載與重負載之間切換，同時還伴隨著瀏覽器、多媒體軟體、雲同步等後台任務持續運行。相比單一的跑分項目，這類真實辦公負載更考驗整個平台的協同能力。CPU、GPU、NPU與內存子系統不僅要各自提供足夠的計算能力，還需要在不同任務之間快速完成資源調度，避免因資源爭用而影響整體響應速度。
其實，前面的測試結果已經解釋了AMD銳龍AI Max+ 395在PCMark測試中表現突出的原因。
基準測試所驗證的CPU多線程計算能力、Radeon 8060S的圖形性能、統一內存架構以及高頻寬數據吞吐，並非獨立發揮作用，而是在真實應用場景中共同參與任務處理。
換句話說，AMD銳龍AI Max+ 395可以在複雜、連續的生產力負載下，始終保持流暢的響應和穩定的性能輸出。
03 硬剛「黑猴」超高畫質，「打瓦」狂飆853 FPS
基準測試已經證明，AMD銳龍AI Max+ 395的性能已經具備應對高強度計算、圖形渲染以及複雜工作流的綜合能力。
但理論分數還需要在場景中驗證，因此我決定先利用以「顯卡殺手」著稱的《黑神話：悟空》來驗證它的圖形渲染能力。
測試過程中，我將解析度設為1080P，畫質、陰影、貼圖、全局光照、反射等選項全部拉至「超高」，超採樣清晰度設置為70，並開啟 FSR3 超解析度採樣。為了驗證晶片最原生的圖形渲染能力，我特意關閉了幀生成，希望看到真實算力，而不是依靠插幀堆出來的數字。
進入遊戲後，精細的全局光照、複雜的植被，以及高質量材質全部加載完成，畫面幀率穩定保持在74 FPS。無論是在複雜場景中高速移動，還是連續戰鬥，整個過程都沒有出現明顯掉幀、拖影或卡頓。
隨後，我又測試了另一款電競遊戲《特戰英豪》。與《黑神話：悟空》不同，這類電競遊戲對GPU的壓力並不算高，卻極度依賴CPU單核性能和內存訪問延遲，任何響應上的遲滯都會直接影響操作手感。
測試得到的數據相當漂亮，客戶端幀率衝到 853 FPS，輕鬆跑滿高刷電競屏的上限；總幀時間僅1.3ms，放到實際操作里意味著，畫面變化、反饋的延遲低到幾乎無法察覺，這種「槍線跟手」，正是專業電競玩家最看重的「手感"。
這一表現主要源自兩方面：
其一，AMD銳龍 AI Max+ 395採用了統一內存架構，共享最高128GB的統一內存池。系統可根據負載動態劃分 32GB、64GB 甚至96GB專供 GPU 使用，所以使顯存容量不再被預先鎖定，再配合256-bit四通道內存位寬，使得大量高精度紋理、複雜場景和大型資源能夠持續高速加載。
其二，銳龍AI Max+395內部集成的80MB（L2+L3）緩存進一步降低了GPU 訪問內存時的延遲，使整體響應更加迅速。
04 本地跑起千億模型，「三重鐵壁」護航Agent，完美接管專屬企業級任務
各項測試已經證明，聯想百應AI主機300是一台擁有強大性能的主機。但這些測試更多體現的是硬體能力，而對於這台AI主機定位的產品來說，更重要的是它能否真正承擔起大模型推理任務。
於是，我利用ollama在本地部署了一個千億參數的MOE模型：GPT-OSS 120B（1200億參數）。其實，在傳統硬體體系里，想本地運行120B的模型，至少得靠多張24GB顯存的頂級GPU組成的集群，硬體成本和功耗都高得嚇人。
而現在，這台書本大小的聯想百應AI主機便能完美運行千億參數的模型。
在本地部署GPT-OSS 120B的AI推理任務中，總耗時約4.28 秒，模型加載254毫秒，生成速度34.31tokens/s。
單看 34.31 tokens/s 這個數字或許並不直觀。換算成實際體驗，相當於每秒連續生成二三十個中文字符，輸出速度已經遠超人類的閱讀速度。實際使用時，可以做到即問即答。
這樣的推理能力，依舊緣於AMD銳龍AI Max+ 395在內存容量與內存訪問路徑上的設計優勢。其128GB統一內存使CPU與iGPU共享同一物理內存池，為大模型提供了充足的內存空間，從而減少額外的數據搬運開銷。同時256-bit的位寬與四通道高頻寬的內存子系統，提供了連續的數據供給，有助於在長時間輸出過程中維持穩定的吞吐。
本地推理能跑通，而且速度足夠快，只是第一步。真正決定一台AI主機生產力的，在於其能不能接管真實的業務流程。
為此，我利用聯想百應一鍵部署了「龍蝦」（OpenClaw 智能體），調用deepseek-R1的API，再藉助模型上下文協議（MCP）接入微信接口（ClawBot）。這樣一來，微信就成了智能體的交互入口。我在手機上發出一句指令，Agent就會接收任務、調用工具並完成執行。
需要說明的是，這裡調用雲端API只是為了驗證流程，並非是必選項。
實際上，本地部署的開源模型已經完全有能力承擔龍蝦的「大腦」角色，GPT-OSS 120B、Qwen 122B，或者更側重代碼與工具調用能力的Coder Next 80B，在AMD銳龍AI Max+ 395的128GB統一內存支撐下都能順利跑起來。也就是說，從模型推理到任務執行，整條鏈路完全可以留在本地，數據不出機器。
不過，在真正把業務交給它之前，我更關心另一個問題：安全。
與普通對話式AI不同，這類Agent不僅能夠讀取數據，還可以調用工具、執行腳本，擁有更高的系統權限。如果缺少安全防護，一次惡意 Prompt攻擊或一次異常工具調用，都會帶來風險。
好在，聯想百應設置了三層安全防護。
從客戶端面板可以看到，聯想百應預置了Prompt安全檢測、Skill安全檢測，以及工具安全檢測三項防護，都會參與任務審核。其中，Prompt 安全檢測負責識別Prompt注入和角色持續攻擊；Skill 安全檢測負責審查Agent調用技能時的權限與漏洞風險；工具安全檢測則持續監控腳本和命令執行過程，避免危險命令真正落地。只有通過這些安全校驗，請求才會被放行並進入執行階段。
確認防護機制正常工作後，我開始給它派發任務。我在微信端發出一句：「幫我寫一個電商網頁」的任務。
幾乎沒有等待，Agent便開始自主執行，並調用聯想百應自帶的skill。十幾秒後，一個名為「悅選·Store」的完整電商首頁已經生成並直接渲染出來。首頁包含大促Banner、商品分類導航，以及布局完整的商品展示區域。
從一句自然語言需求，到一個能夠直接運行的網頁，中間無需手寫任何代碼。
在後台日誌中，我可以實時看到完整的安全記錄：06/26 15:37:58，Prompt 安全檢測首先完成審核並放行，請求隨後才進入實際執行流程。
也就是說，在Agent調用模型和工具之前，安全機制已經先完成了一次「預檢」。
網頁生成驗證的是「聯想百應AI主機」開箱即用能力，通過調用現成的Skill、連接雲端模型，可以快速完成既定任務。
但對於企業內部流程，現成Skill很難覆蓋所有業務需求，雲端模型也可能受到網路環境、調用成本和數據合規要求的限制。所以接下來，我關閉了雲端模型接口，換成本地部署的模型，同時讓「龍蝦」調用我自己編寫的Skill，看看它能否按照預先設定的規則完成一項完整任務。
前面的 GPT-OSS 120B測試，已經證明這台主機具備承載千億參數模型的能力。這一輪更關注Agent的實際響應效率和工具調用鏈路，因此我利用LM Studio在本地加載了Qwen3.6-35B-A3B模型。相比單純追求模型規模，Agent 場景還要考慮響應延遲、上下文處理、工具調用和長時間運行時的資源占用，這款MoE模型很適合用來驗證後續工作流。
我先進行了一次基礎的多模態測試：向模型上傳一張湖泊風景圖片，要求它在50字以內描述畫面。模型準確識別出了湖水、高山、針葉林和岸邊植被，並生成了一段結構完整的中文描述。此次任務輸出速度達到40.17 Token/s，正文生成耗時約15.06秒，說明圖像輸入、視覺理解和中文生成鏈路均已正常運行。
完成基礎能力驗證後，我將本地模型以兼容OpenAI API的方式開放出來，然後以Modelfile方式指向LM Studio已下載的GGUF，並導入ollama，同時把服務地址、模型名稱和訪問參數寫入OpenClaw的配置文件。
這樣一來，OpenClaw便能直接調用在聯想百應AI主機上本地部署Qwen3.6-35B-A3B（ollama 識別），由本地模型完成意圖理解、任務拆解和工具選擇。
隨後，我把自己編寫的 Skill註冊到OpenClaw 中。為了驗證這套本地工作流能否處理真實業務，我挑了一個幾乎所有企業都會涉及的業務場景：簡歷篩選。
過去，很多企業一般是把候選人的簡歷逐份貼進雲端大模型，再按照自己的標準完成篩選。這個辦法雖然可行，但每一次調用都需要消耗Token，涉及真實簡歷時，把數據發送到雲端。
這次，我把這一流程在本地模型上運行。我自己編寫了一套篩選簡歷的Skill，把崗位要求、評分維度和決策邏輯全部固化進去，再讓龍蝦調用本地部署的模型執行任務。
我導入了多份TO B影片剪輯崗位的簡歷。模型很快完成了整份文檔的分析，並按照我設定的規則輸出了綜合評分的各項指標、推薦等級，以及安排面試的建議。
為什麼要用本地模型？有兩個原因：
第一，是成本。過去，每篩一份簡歷，都意味著雲端模型調用Token 開銷；現在，模型部署在本地，同一套 Skill可以反覆調用，不再產生額外推理費用。
第二，是數據安全。簡歷中包含大量候選人的個人資訊，如果依賴雲端服務，這些數據會有泄露的風險；而模型推理、工具調用和業務處理如果全部在本機完成，數據始終留在本地。這種能力對於政企、金融、醫療等重視數據合規的行業而言，意義甚至大於節省Token 成本。
在連續運行 Agent 和大模型推理任務時，我觀察了整機功耗。相比傳統依賴高端獨立顯卡、動輒數百瓦的本地推理平台，這台主機始終保持著更低的功耗水平。
除了統一內存架構減少了數據搬運帶來的額外開銷外，AMD銳龍 AI Max+ 395集成的 XDNA 2 NPU（50+ TOPS）還能承擔系統中的AI 推理任務，例如視覺、語音以及 Windows AI+PC 工作負載，讓 CPU、GPU 各自專注於更適合自己的計算，從而進一步優化整機能效。當系統進入空閒狀態時，整機待機功耗約為2W。
05 產業視角的終極判斷 銳龍AI Max+395價值顯現
一整天的時間，一系列測試終於結束了。我刻意停下手裡的鍵盤，聽了聽實驗室里的聲音。
沒有了全塔機殼風扇撕裂空氣的轟鳴，也沒有了不斷往腿上撲來的熱浪。冷氣終於被調回了26℃，同事們隔著桌子交流，也不用再刻意提高音量。桌子底下，久違地空出了一大塊可以伸腿的空間；而那台只有精裝書大小的聯想百應AI主機300，正安靜地立在桌面上，待機功耗穩定停留在2W。
螢幕上的120B參數大模型已經加載完成，後台的Agent還在繼續工作。我沒有關掉它們。我只是坐在那裡，聽著實驗室安靜下來。很難相信，過去只有多卡工作站才能承擔的高強度計算，如今已經能夠在這樣一台書本大小的設備上完成。
回過頭來看，這種變化並非來自單一性能指標的提升，而是底層硬體架構的重構。AMD銳龍 AI Max+ 395將16核Zen 5 CPU、40CU RDNA 3.5 GPU、最高128GB的統一內存以及專用於AI計算的50 TOPS算力的NPU集成到同一顆處理器中，讓過去必須在性能、顯存容量、設備體積、噪音和功耗之間反覆取捨的矛盾，均得到了解決。
這種變化帶來的，還有本地AI應用的改變。120B級模型能夠完整駐留本地，Agent可以持續運行內容生成、代碼開發、多模型協同等任務，不再頻繁受限於顯存容量和硬體資源。
而當這些原本相互制約的條件能夠同時成立，本地AI的使用方式也隨之發生了變化。本地AI部署開始從「能不能跑」，變成「能不能長期穩定地工作」。
這就是搭載AMD銳龍 AI Max+ 395的聯想百應AI主機300真正的價值所在。
過去，能夠承載大模型持續運行的AI超算，更多屬於機房、實驗室和大型企業；而今天，它以輕巧便攜的桌面設備形態，走進了中小企業和開發者的日常工作場景。從部署本地模型到運行AI Agent、支撐長時間推理，這些原本需要專業算力環境才能完成的任務，如今在搭載AMD銳龍 AI Max+ 395的聯想百應AI主機300上就能穩定高效運轉。不再需要購買長期使用成本高昂的Tokens流量，還能方便在本地快捷部署，也不用擔心數據隱私泄露，可謂一舉三得。
而未來，或許每一家中小企業，都需要這樣一台屬於自己的AI主機。
更多詳情：https://item.jd.com/100364802274.html
