这个国庆假期，"本地AI整机"这个圈子集体炸锅了。
先给你看这几天的时间线：9月29日，有UP主把还没开售的Framework Desktop 192GB版和DGX Spark、三张RTX 5090摆在一起算"每GB内存多少钱"，算出一条7050美元的盈亏线。10月1日凌晨，Framework 192GB版正式开启预售。同一天，硬件比价账号甩出"4张RTX 5090对决DGX Spark"，结论是同样128GB，光显卡钱就是整机的4倍多。10月2日，海外博主Alex Ziskind放出M5 Ultra Mac Studio（256GB统一内存）对决两台DGX Spark（各128GB）的实测原片，24小时内B站冒出至少三个中文解说版本。还是10月2日，国内UP主"梅加雨"的双Spark部署DeepSeek v4.1视频收获110赞27评论，评论区直接变成大型"为啥我的双机只有40 token"排查现场。哔哩哔哩哔哩哔哩
再加上8月底雷军那条524条评论的小米AICube原型机微博，评论区的估价大战到现在还没完全冷下来——"本地大模型专用整机"这条赛道的路线之争，从来没有像这个星期这么热闹过。微博
这篇不聊"本地部署是什么"，默认你已经知道Ollama、量化、显存这些词。我们只聊一件事：如果你正打算在这个假期掏两万到六万块买一台"AI专用机"，五条路线怎么选，四笔账怎么算。
一、本周最火对决：两个数字"不能比"，但都很重要
Alex Ziskind这条实测，最值得玩味的是两个数字。
第一个数字：生成速度38.7对34.3。这是两边"写得多快"的成绩，原片自己的说法是——“This is the closest these two are gonna get for the rest of the video”（这是全片两者最接近的一刻）。也就是说，纯吐字速度上，256GB的Mac Studio和两台组集群的DGX Spark基本打平。哔哩哔哩
第二个数字：17秒对50秒。测试场景是约32k token的输入加300 token的输出，模拟"把一个大代码库丢进去问问题"。双DGX Spark 17秒跑完，M5 Ultra用了50秒，差出接近三倍。
原片给的结论很直白：“So big inputs favor the Spark. Big output favors the Mac.”——大输入Spark占优，大输出Mac占优。还有一句更狠的：“Really, the Mac is a machine for one person, maybe two.”——Mac是一个人的机器，最多两个人。哔哩哔哩
B站UP主"锋奈徳"做图解版时特意标注了口径：这组17秒对50秒来自约32k输入、300输出的演示，不能当作纯预填充时间，也不能当通用跑分看。这个提醒是对的，单条实测说明不了所有场景。哔哩哔哩
但方向性的东西值得划重点：本地AI整机的分水岭，已经从"写得多快"变成"读得多快"。两年前大家跑本地模型是聊天，输出几百字，生成速度就是全部体验；现在大家跑的是Agent任务、整库代码问答、百页文档总结——全是"大输入、小输出"的活。这正好踩在统一内存大Mac的短板上，也正好是Spark靠张量并行最能打的地方。
所以别再拿"xx t/s"当唯一指标买机器了，先想想你每天喂给模型的东西有多长。
二、四笔账：买任何一条路线前，都得过一遍
第一笔：容量账——装得下是0和1的问题
大模型本地跑，第一道坎不是快慢，是"装不装得下"。这里有个现成的案例：DeepSeek V4 Flash的Q8版本，媒体口径约162GB。这个数字意味着什么？三张RTX 5090加起来96GB显存，装不下；一台128GB的DGX Spark，理论上装得下但要给KV缓存留余量；256GB的M5 Ultra Mac Studio和192GB的Framework Desktop新版，才是从容的。哔哩哔哩
注意"一整块"和"拼起来"的区别：Mac和Spark的统一内存是一整块，模型多大都能整只吞下；多张显卡的显存是切开的，跨卡切分既有工程门槛也有速度损耗。容量账上，统一内存路线天然占便宜。
第二笔：带宽账——装得下不等于跑得快
这笔账最容易被"192GB！256GB！"的大数字糊弄过去。
DGX Spark和Framework Desktop 192GB版的内存带宽都是273GB/s；RTX 5090单卡是1792GB/s，6.56倍。吐字速度的上限基本由带宽决定——有UP主按70B八位量化稠密模型估算，273GB/s的机器每秒上限约3.9个token，三张5090约76.8个token，差一个数量级。
那多卡拼带宽行不行？难。NVIDIA规格页上RTX 5090的NVLink一栏写的是"No"，卡和卡之间只能走PCIe。PCIe 5.0满速x16单向约64GB/s——从隔壁卡上拿数据，比读自己显存慢约28倍。这就是为什么"4张5090"不等于"4倍速度"，也是为什么Framework新版容量加了50%、带宽只比现款多6.6%时，那期比价视频给出的判断是：它替代的是"装不下"，不是多卡的速度。哔哩哔哩
第三笔：每GB价格账——同样128GB，差价4.26倍
这是本周两条"硬件AI日报"视频算得最细的部分，我把关键数字搬过来（均为9月到10月初口径，美元）：
DGX Spark：今年2月从3999涨到4699美元，128GB统一内存，合每GB约36.7美元；
RTX 5090：首发价1999美元/张，但9月比价网站的最低全新挂牌已到4999.99美元，比首发价高150%；4张凑128GB，合每GB约156美元——光显卡就是Spark的4.26倍，主板电源机箱还没算。哔哩哔哩
Framework Desktop 192GB：官方还没标价，媒体猜价从4500美元到8000美元不等，两个数差1.78倍。那位UP主反推的盈亏线是：低于约7050美元，每GB才比Spark便宜；
国内渠道：小红书上DGX Spark（128G+4T）的现货报价在3万元人民币出头，还有渠道商在传"厂家封仓"，价格波动不小。小红书小红书
一句话总结这笔账：在9月的显卡行情下，"自己拼多卡更省钱"这个直觉已经不成立了。
第四笔：人数与场景账——这台机器给几个人用
Alex Ziskind原片的第三个章节专门对比了八用户总吞吐和首字等待：单人用，Mac很够；小团队并发，Spark集群和GPU阵列的吞吐才拉得开。哔哩哔哩
还有一笔很多人漏算的账：电。单张RTX 5090标称575W，四张就是2300W，是DGX Spark整机电源240W的9.6倍——这还没算CPU和散热。办公室电路扛不扛得住、家里电表转不转得动、夏天空调费谁出，都是真实成本。Spark和Mac这类整机塞在书架上就能用，四卡塔式机得有专门的地方伺候。哔哩哔哩
三、五条路线，各适合谁
路线一：Mac大内存派（M5 Ultra Mac Studio，96/256/512GB）。适合一个人用、输出型任务为主、要求开箱即用不折腾的。生态是真好——B站上M5 Max 64GB跑Qwen3.8-27B的体验视频能有46条评论，玩客笔记拿老款M2 Ultra 64GB配oMLX框架，单人单请求70 TPS、四路并发冲到240 TPS，老设备也没掉队。短板前面说了：大输入场景的完整请求时间明显吃亏，而且内存是焊死的，买的时候一步到位，256GB和512GB的差价就是"装得下162GB模型"和"装不下"的区别。哔哩哔哩哔哩哔哩
路线二：DGX Spark派（单台或双机集群）。适合要跑128GB级单个大模型、输入型任务多、对功耗噪音敏感的。单机3万元人民币出头的渠道价，在五条路线里是"容量/价格比"最省心的。但双机集群别想得太美：那条110赞的DeepSeek v4.1部署视频，UP主说"双机速度经过优化已经很可用，我99%的活都丢给它了"，评论区马上有人回"为啥我双机就只有40的散文（token）"、“我部署的4.0才50几的单流decode”。同一套硬件，优化水平不同，体验能差出一截——这条路对你动手能力有要求。哔哩哔哩
路线三：自组多卡派（双3090、4090D 48G魔改、双2080Ti 22G魔改等）。适合预算敏感、愿意折腾、主要跑27B-48GB级模型的。知乎上一个14.5万浏览的"预算5万配家用AI服务器"问题下，高赞回答给了很实在的口径：27B想在本地当生产力而不是玩具，精度要q6起步、显存要48GB、速度要60 token/s以上，否则Agent多轮任务分分钟爆上下文。方案上，双2080Ti 22G魔改约5000元是穷玩之选，双3090约2万但有矿卡风险，4090D 48G魔改单卡2.6万。这条路的容量每GB最便宜，但你要自己扛调试、驱动、散热和翻车风险，而且前面说过，多卡带宽拼不过单块统一内存。知乎
路线四：新统一内存迷你主机派（Framework Desktop 192GB、各类Ryzen AI Max机器）。本周刚开预售，是标准的"观望中的变量"。192GB统一内存+273GB/s带宽，纸面上"容量比Spark大、价格可能更低"，但带宽决定了它的吐字速度上限和Spark一个量级。买不买，就看最终定价落在7050美元盈亏线的哪一边——落在下面，它就是容量党的新甜点；落在上面，不如直接买Spark。哔哩哔哩
路线五：等等党（小米AICube及同类）。雷军8月底晒的原型机：玄戒O3+O100+D100三芯片，120B+3B双模型快慢切换，航天铝机身镂空33874个蜂窝散热孔。评论区最热闹的其实是估价：“6999起步”“12999以上”“至少3万”，各种猜测都有，还有一条221赞的"本地部署就是不要钱的无限token"和一条138赞的反驳"你要这么说的话，其实各家的大模型对你也没太大用处"。按数码闲聊站的说法，O100这代芯片"明年终量产后大规模运用"，他晒的原型机现场跑端侧模型，屏幕上3B小模型TTFT 0.54秒、生成速度280.6 token/s——小模型的成绩不代表120B的表现，但这个端侧起点已经相当能打。等它的风险很明确：这个假期你没机器玩，而且首发价、软件生态、模型适配全是未知数；等的价值也明确：小米定价从来不讲武德，如果真落在万元级，上面四条路线的账全得重算。微博微博
四、下单前的三盆冷水
第一盆："有这么钱，干嘛不直接用云端？"这话难听但在理。知乎上有个"个人玩AI部署开源模型，性价比最高的是不是租GPU云服务器"的回答把账算得很清楚：偶尔玩、项目制、模型需求经常变的，租——市面上3090 24GB约699元/月、4090 24GB约999元/月，用几百块的月租先试错，比一次性砸几万块买硬件理性得多；只有每天高负载、准备连续跑一两年的，买才划算。判断标准就一条：你的GPU利用率有多高。知乎
第二盆：实测数字因人而异，别拿别人的成绩当自己的预期。本周评论区最常见的冲突就是"UP主双机很可用，我双机只有40 token"。推理框架、量化档位、上下文配置、张量并行方案，每一项都能让同一台机器的成绩差出一大截。看任何实测，先看口径，再想自己的动手能力配不配得上这个口径。
第三盆：这轮所有价格都在动。5090现货比首发价高150%还在涨，Spark官方已经涨过一轮价，Framework定价没出，国内渠道"封仓"传闻和低价现货齐飞，小米AICube连影子价都没有。本文所有账目都是2026年9月底到10月初的口径，你下单那天的价格，以当天为准。
五、最后：先看自己的活，再看机器
Alex Ziskind在实测结尾说了句大实话：“Look at your own work. How big are your prompts? How long are your answers?”——看看你自己的活：你的提示词有多长，你要的回答有多长。哔哩哔哩
落到操作就三个问题：
你要跑的最大模型和精度是多少？——定容量下限（比如DeepSeek V4 Flash Q8就要奔着162GB以上去）；
你的日常任务是大输入还是大输出？——大输入（Agent、代码库、长文档）优先看Spark系和GPU阵列，大输出（写作、对话）Mac不亏；
这台机器给几个人用？——一个人，别为并发付钱；一个团队，别买"一个人的机器"。
三个问题答完，五条路线基本就剩一两条了。
如果你还不着急下单，接下来值得盯的信号有四个：Framework 192GB的实际预售价对7050美元盈亏线的位置；RTX 5090现货价会不会从150%的溢价上回落；小米AICube的量产时间表和定价；以及双Spark社区的优化方案（TensorFold、sglang这些）能不能把单流速度稳定推过100 token——最后这个，直接决定"双机集群"这条路的性价比成色。哔哩哔哩
机器永远买不完，账要算在自己头上。
