迷你主机本地也能畅玩AI？零刻GTi15 Ultra本地部署体验

说到AI，很多人的第一反应就是使用在线的大语言问答助手，现在的Deepseek能帮我们完成很多工作了。但在线AI相比于本地部署来说，安全性要大打折扣，对于一些比较敏感的资料、话题，在线AI就不能胜任了。

那本地部署又需要付出比较高的成本，这也是劝退不少用户的一点。

近期搭载intel Ultra9 285H的产品也是大量上市了，这一代核显升级到了intel Arc 140T，算是目前intel方面最强核显，性能也终于是快追上隔壁的780m了。就AI方面来说，intel的生态相较于AMD来说要丰富不少，本篇内容咱们就一起来看看如何在这台搭载了intel Ultra9 285H处理器的零刻GTi15 Ultra上畅玩AI吧！

285H理论性能测试

在开始折腾AI之前，咱们先来简单过一下这颗处理器的性能。零刻这台机器一共有两种功耗模式，54w平衡模式和65w性能模式。出厂默认是平衡模式，如果想要更强一点的性能，建议在bios中切换成65w模式。

CPUZ测试中，54w默认功耗下单线程成绩826.98分，多线程成绩8229.9分；而在65w性能模式下，单线程838.7分，多线程9041.3分，可以看到在开启性能模式后，多线程成绩提升比较大。

默认模式下内存频率表现如图，延迟132ns，稍微有点高。

R23测试中，默认功耗下，单核心1996分，多核心17046分。65w功耗下，单核2028分，多核17184分。

R24测试中，默认54w功耗下，单核119分，多核946分；在65w功耗下，单核127分，多核1039分。

单从CPU跑分性能上来说，单核性能已经非常接近14代i9的水平了，多核也更接近AMD R7 7700X的水平了。

这代Ultra处理器提升比较大的还是单核方面，相较于上一代的185H有25%的提升；多核方面也能做到10%的提升。

咱们再来看到核显方面。

在Time Spy中，默认54w模式下，显卡得分3051分，CPU得分10636分；切换到65w模式下，显卡得分3820分，CPU得分11417分。

Time Spy Extreme 中，默认54w模式下，CPU得分1480分，显卡得分5958分；65w性能模式下，显卡得分1821分，CPU得分6148分。

在代表DX11游戏性能的Fire Strike中，65w模式下，显卡得分8506分。

Fire Strike Extreme中，显卡得分3726分。

Fire Strike Ultra中，显卡得分1958分。

以上是理论跑分，咱们再来看到实际游戏方面。

实际游戏表现

游戏方面咱们就直接在65w模式下进行测试

首先是地平线5，1080P高预设模式下，可以做到57帧。

黑神话悟空在1080P低画质，开启Xess，超采样清晰度设置为25情况下测试，帧数也能做到44帧。

在赛博朋克2077，1080P中预设下，也能做到平均帧40.92帧的表现。

从上面几款游戏的测试不难发现，intel这一代核显的游戏表现已经非常不错的，在1080P低画质下，玩一些3A也不在话下。

除了核显之外，这颗285H还内置了一颗NPU，CPU+GPU+NPU总共算力可以做到99TOPS，可以说为本地运行大模型提供了很好的支撑。那下面咱们进入正题，本地部署大语言模型，看看这台小主机能有怎样的表现！

Ollama 英特尔专属优化版

想要充分利用上这颗285H的算力，那当然不能只用CPU来跑AI，也要充分用上GPU的算力。什么？你问我为什么不用NPU？

那还是算了吧

本地大语言模型的部署上，我这里用的是Ollama 英特尔专属优化版，使用这个版本可以轻松利用上GPU的性能。那目前这个优化版也已经上线了魔塔社区，用户可以直接在魔塔社区内搜索下载使用。

这个安装使用还是比较简单的，在详情页都介绍的非常详细了，缺什么就安装什么就行。但需要注意，这是intel优化版，amd用户不要用哦~

进入到下载页面，下载这个zip压缩包，解压后打开。

双击这个start-ollama文件打开，就能进入cmd页面。

下面就要加载模型，这里咱们就以Deepseek模型为例。

进入ollama官网，进入model页面，找到Deepseek。

Deepseek这里提供了多种规格的模型，这里咱们先来试试7b这个规格。

点击进入7b页面，注意这里就是拉取Deepseek-r1:7b模型的代码

回到终端页面，新建一个终端窗口，注意之前那个窗口不要关闭。输入“cd 刚刚下载解压的文件夹路径”后敲击回车，就进入到这个文件夹中。

再输入刚刚咱们在ollama官网看到的7b这个规格的代码，敲击回车。

那需要注意，这里还需要额外再次输入一遍，在命令前面加上.后，敲击回车。下面就是等待拉取完成了。

完成后，输入相关问题就能获取回答啦。

那可以看到，在跑大语言模型时GPU是已经完全吃满了。

咱们再来看下，7b模型下的生成速度。

在cmd窗口输入“ollama run --verbose 模型名称”这个命令，就能获取到生成速度了。这里可以看到生成速度也有15.38tokens/s，在这样的速度下满足日常需求肯定是没有问题的啦。

那有的小伙伴可能会说，你这个GPU内存这么大，只是跑个7b模型是不是有点太小菜一碟了？那下面咱们来看到14b模型下的表现。如果选择更高规格的模型，就会因为显存不够提示报错了。

拉取方式跟7b一样，只是把命令中的7b改成14b。

在14b模型中，输出速度也有7.81tokens/s。虽然相比于7b的生成速度慢了不少，但在日常的使用上，需要等待的时间也不是很长。

除了可以直接在cmd窗口直接使用ollama之外，咱们也能在浏览器中使用插件来调用ollama。

在edge扩展插件市场搜索page assist这个插件并安装。

在浏览器中打开，这里可以看到已经连接上ollama了（使用这个插件，必须先打开ollama文件夹中的start文件，并保持cmd窗口不关闭）

在上方这里选择模型，如果之前没有拉取过模型的，也要先拉取哦。

选择了模型之后，就能正常开始问答了。

那从部署ollama的使用体验中，可以看到目前intel的核显在部署14b规格的模型中表现还是很不错的，日常满足需求肯定是没有什么问题了。

那这只是大语言模型，我想肯定很多小伙伴想玩的是文生图，目前intel的核显能支持本地文生图么？下面咱们也来部署下试试。

本地部署文生图

在Intel平台中想要部署文生图，并且能够正常调用GPU、NPU算力。这里就不得不提到Intel目前大力推广的openvino了，这是一套开源工具套件，可以加速AI推理过程，同时保持精度、优化硬件使用。

先来到GitHub上的openvino页面，这是intel存放的一个库。（为什么打不开GitHub？这个就不用我教了吧）

往下翻，找到这个“User guide for Windows”，点击跳转。

先要安装python环境。注意一定要严格按照页面指示安装，一定要勾选Add Python 3.9 to PATH，不然后面配置环境非常麻烦。

接下来安装Git，按照页面上指示一步一步安装

注意这里的view release notes要取消勾选

Microsoft Visual C++ 和GIMP也是按照页面一步一步安装好，这里我就不多赘述了。

win+r输入powershell，打开cmd窗口

输入“cd C:UsersPublic”

输入“mkdir GIMP”，一定要等待进程走完在进行下一步！

输入“openvino-ai-plugins-gimpinstall.bat”

注意，这里一定要等待出现这行提示，才是真的完成安装，中间可能会出现十多分钟的静默，并不是已经完成！一定要等待出现这行代码！

那这样我们就已经安装好了openvino。

打开GIMP，点击上方的图层，这里就出现了OpenVINO-AI-Plugins的选项卡，点击Stable Diffusion。

点击model，下载使用的模型。这里需要注意由于模型都是从hugging face下载的，目前这个网站已经是被墙的状态，建议上点稳定的工具才能下载。而且需要注意如果工具不是很稳定，也是没有断点续下的功能的，一旦中断就得从0开始了。

模型下载完成之后，选择需要使用的模型，点击这个load Models，会弹出cmd窗口加载模型。出现这个模式则代表模型已经加载到GPU上。

我这里简单试了下，可以看到在基础的文生图需求上，intel这颗核显的生成速度还是非常快的！

（这是其它模型生成的）

这里还有其它的模型，可以根据自己的需求安装使用。不同的模型生成的速度也不同，风格也不同，还是很好玩的。

NPU我也试了下，加载没问题，NPU只有刚开始动了下，后面基本上没动过，体验上还是不如GPU。

本地部署是未来

从上面的本地部署其实不难发现，随着现在生态的不断完善，硬件性能的不断增强，14b大语言模型已经能够在核显上流畅运行了，如果后续能够给核显分配更多的显存，我想更大规格的模型本地部署流畅运行也不是难事了。文生图方面，对于性能要求更高，但同时别忘了零刻GTi15 Ultra还拥有PCIe槽位，搭配上显卡坞几乎也能做到无损使用。

OK，以上就是本篇文章的全部内容~

希望对你有所帮助

关于这台零刻GTi15 Ultra更详细的评测内容下篇文章我们再见~