ARTICLE · 1179140
毕业前最后买的一台电脑,192GB 显存,迷你主机TXA2-495
大四，计算机，最近天天跟大模型打交道。毕设选题跟本地部署沾边，跑实验得自己出机器。我那台 32GB 内存的笔记本，跑个 7B 都得靠量化，70B 想都别想。云 API 用着方便，账单也感人，一个月大几十块是常态，真要反复调 prompt、跑结构化输出，钱花得跟流水一样。租云卡？按小时计费，跑着跑着就想掐表。秋招也投了一圈，光靠嘴说会部署没用，手里得真有一台能当场跑模型的东西。
所以今年选生产力工具，我不看笔记本了，往台式机上想。可宿舍桌面就那么点地方，大机箱一摆，显示器都没处放。迷你主机就成了那个折中的答案，往桌面角落一塞，不占地方。
先说我为什么在意内存。跑本地模型，参数、上下文缓存、中间数据全压在内存里。显存不够，模型要么加载不进去，要么上下文被砍得没法看。他们公布的测试记录里，GPT-OSS 120B 跑起来专用显存占用 65GB，也就是说这种大家伙装得下，还留一大截余量给系统和其他任务；另一组 27B 的模型连续输出一万四千多 token，显存占用 37GB。这种装得下还带余量的感觉，用 32GB 笔记本的人很难体会。
性能上也不虚。Cinebench R23 多核 40743 分，Time Spy 图形分 12097。对我这种要编译、跑测试、偶尔渲染点东西的人来说，16 核 32 线程基本是毕业设计随便造的水准。图形部分是 Radeon 8065S，40 个计算单元，玩游戏不是它的主业，但集显能到这分数，日常带带 4K 屏、剪个视频都够用。更贴近开发场景的一条测试记录我也看了：Ubuntu 下用 35B 级别的 MoE 模型（Q8_0 量化）跑结构化输出，生成速度稳定在每秒 54 到 55 token，返回结果两次都过了 JSON 解析。对写代码的人来说，输出能被程序直接读取，比单纯聊天快那么一点更重要。可惜具体生成速度还是得看任务和模型，不能只看这一张表。
存储也是戳我的点。模型文件越攒越大，一个量化版就几十 GB，多个版本、数据集、实验记录，2TB 没几天就见底。TXA2-495 给四个 M.2 接口，系统盘、模型库、工作资料分开摆，后面不够再加，不用拆机换盘。这比只看出厂配多大硬盘实在，反正我是受够了天天腾硬盘空间的日子。
TOPC 是自研主板和迷你主机的厂子，之前 i9-13980HX 的 MODT 板子拿过 HWBOT R23 第一，调校上不算没底。这台机器淡金配色加拉丝前面板，方方正正，蜂窝开孔，摆在桌上挺有设备感。外形见仁见智，但至少不是实验室那种黑铁疙瘩，放宿舍里不算突兀。前置 USB 和读卡器在正面，拷数据集不用绕到机箱后面；背面给了万兆和 2.5G 两个网口，接 NAS、内网传文件都顺，还带 USB4。
价格嘛，45999 元起（2TB 版）。学生党看到这个数肯定得犹豫。但换个算法：云 API 月月烧、租卡按小时烧，还要忍受排队和传数据的折腾，长期用下来，这笔账未必省。而且这机器从内存到存储都给你留了余量，等毕业进了公司，接着当生产力主力也不至于很快过时。
明天发布，等实测数据出来我再细看。就目前放出来的这些配置，这应该是今年迷你主机里对本地 AI 最对症的一台。我的毕设机器，大概率就是它了。
