AMD銳龍AI Max+ 395搭配128GB內存有多強？極摩客EVO-X2實測告訴你AMD銳龍AI Max+ 395搭配128GB內存有多強？極摩客EVO-X2實測告訴你
瀟湘 / 2025-08-07 13:07127108在年初的CES 2025上，AMD首次發布了銳龍AI Max 300系列處理器。彼時對于多數玩家而言，最引人注目的莫過于內置Radeon 8060S顯卡，其圖形性能接近RTX 4060，已成為一大亮點。而這款處理器真正引以為傲的AI算力，卻在當時尚未被廣泛關注。隨著AI Max+系列處理器逐漸被各大OEM廠商采用，加之軟件生態持續完善，其強勁的AI性能也開始逐步顯現。
今天，熱點科技拿到了一臺搭載AMD銳龍 AI Max+ 395處理器的迷你主機——極摩客 EVO-X2桌面Mini AI工作站。接下來，就讓我們看看這款處理器在這臺小鋼炮上的實際表現如何。
外觀設計
極摩客EVO-X2的外觀十分符合極摩客的品牌調性，在簡約的整體設計中加入幾分極客要素。機身采用了鋁合金原色的金屬外殼以及黑色的塑料主體框架。極摩客EVO-X2頂部設置了一枚切換風扇氛圍燈的三角形按鍵，十分微妙地融入“斜切”外觀語言之中。在切角處印有極摩客的品牌Logo“GMKtec”。
在頂蓋（豎直狀態下為右側）后方，還貼上了“RYZEN AI MAX+”字樣的貼紙，暗示整機擁有旗艦級的AI性能，同時也表明，極摩客設計之時默認用戶將該機豎直放置，而并非平躺于桌上。
極摩客EVO-X2底部（豎直狀態下為左側）采用了方格形進氣開窗設計，在其下方為兩枚渦輪風扇，因此大家最好不要將極摩客EVO-X2平放，以免影響進氣效率。
機箱前部IO十分豐富，從左至右依次為1枚開關機按鍵、1枚性能模式切換按鍵（按下可在靜音、平衡以及性能模式之間切換）、1個SD讀卡器插槽（UHS-II）、1個USB-C 40Gbps（USB 4）接口、2個USB-A 10Gbps接口以及1個3.5mm接口。
后置IO從左至右依次為1個DC 5525供電接口、1個3.5mm音頻接口、1個RJ45 2.5G網口、1個USB-A 10Gbps接口、1個USB-C 40Gbps接口（USB 4）、1個DisplayPort 1.4接口、1個HDMI 2.1接口以及2個USB-A 480Mbps接口。
值得一提的是，后置IO下方采用了大面積的散熱開孔鏤空設計，黑化的散熱鰭片直接裸露在外，非常硬核。
在極摩客EVO-X2右側（豎直狀態下為底部），激光雕刻了極摩客EVO-X2的銘牌信息，配置參數和SN編碼則是簡單地打印在一張貼紙上。
簡單拆解
極摩客EVO-X2的拆解十分簡單，首先撕下右側（豎直狀態下為底部）的兩枚腳墊，然后用十字螺絲刀擰開腳墊下方的6枚螺絲即可。外殼與塑料主體的固定采用一側螺絲、一側卡扣的組合固定方式，在拆下螺絲之后，僅需輕輕抬起外殼就可以揭開頂蓋，底殼同理。
打開頂蓋，首先看到就是一枚很少會出現在迷你主機中的12025風扇，右側的開窗則是硬盤位，出廠已經預裝了1塊帶有散熱片的雷克沙固態硬盤，容量為2TB，空余1個2280的硬盤位，速率可支持到PCIe 4.0x4。
其實通過觀察頂蓋可以發現，極摩客EVO-X2為主板倒置設計，背面風扇除了散熱還能提供燈光效果。插上電源，啟動極摩客EVO-X2，頂蓋中的RGB風扇開始發光，邊框以及軸心都采用了“無限鏡”設計，比較炫酷。
看完了頂部，再來看看底部。極摩客EVO-X2底部擁有兩枚渦輪風扇，直接通過底殼的散熱開孔從外吸入冷空氣，然后吹向尾部的鰭片，最后由尾部IO處的開孔排出廢熱。
每枚風扇采用3顆螺絲與散熱器主體進行固定，拆下合計6顆螺絲后，拔出排線即可將風扇與散熱器本體分離。
散熱器本體使用6顆螺絲固定在主板上，分別是CPU核心處的4枚彈簧螺絲以及兩側的2枚小號螺絲。
拆下散熱器可以發現，該散熱器為三熱管設計，但并非銅管直觸也不是均熱板，而是在熱管下方焊接了一塊銅片，從而平攤核心以及內存顆粒的熱量，內存顆粒與銅片直接采用導熱硅膠墊作為介質。
由內存顆粒表面的絲印代碼可知，核心周圍為8顆來自美光的LPDDR5x內存，單顆16GB，合計128GB。核心為AMD銳龍AI Max+ 395，從圖片可以發現，該處理器為3個Die，其中右側兩個小Die為CPU單元的兩枚CCD，采用臺積電4nm工藝制造，每一個CCD擁有8個Zen5核心，兩個CCD合計16個核心。左側較大的Die則為IO Die，之所以如此巨大，是因為其中還加入了目前最強的集成顯卡——Radeon 8060S，畢竟擁有高達40個RDNA 3.5單元，合計多達2560個流處理器，這么強悍的集顯性能，在當前市場里絕無僅有。
性能測試
說完了外觀、拆解，現在是時候聊聊性能了，本次測試全程基于性能模式進行（性能釋放140W）。
CPU以及集顯的具體規格性能就不多做贅述了，大家可以直接查看下方的CPU-Z以及GPU-Z列出的信息。
雖然銳龍AI Max+ 395這個名字令很多老玩家一時搞不清楚，但實際上大家可以將其類比移動端上的銳龍9 9955HX，均采用了16個Zen5核心，僅在具體頻率和性能釋放上有所差別。此外，由于其采用了更高效的硅中介層作為封裝技術，因此IO互聯效率要更高。
在Cinebench R23測試中，銳龍AI MAX+ 395的單核得分為1993，多核得分為36342，整體較之移動端上的銳龍9 9955HX相近，畢竟是同根同源。
在CineBench 2024中，銳龍AI MAX+ 395的單核得分為112，多核得分為1861，在一眾移動端處理器中依然是遙遙領先的水平。
內存方面，銳龍AI MAX+ 395采用了較為獨特的可變顯存架構，系統內存與顯存共用板載的128GB LPDDR5x內存，速率為8000MT/s。用戶可在BIOS或驅動軟件中自定義內存分配，顯卡最多可調用96GB作為顯存。
我們簡單測試了一下它在AIDA64內存與緩存測試中的成績。從結果來看，其寫入帶寬可以達到211.54GB/s，不過受限于移動端設計，內存延遲較高。
再來看看圖形性能。銳龍AI Max+ 395的圖形單元實際上與本世代的RDNA 4有所區別，就技術路線來看，依舊是移動端的AI 9系列處理器的續寫，與Radeon 890M一樣采用了RDNA 3.5架構，臺積電4nm工藝。不過計算單元由16CU暴增至40CU，堪稱是力大磚飛。在命名上，倒是繼承了RDNA 4的策略，叫做“Radeon 8060S”，劍指英偉達的RTX 4060等60系顯卡。
在經典的TimeSpy測試中，銳龍AI MAX+ 395的顯卡得分為11417，超越了移動端的RTX 4060（3DMark數據庫均分為10412），相當于桌面端的RTX 3060 Ti（3DMark數據庫均分為11707）。
在DX11的Fire Strike測試中，銳龍AI MAX+ 395的顯卡得分為30471，大幅超越了移動端的RTX 4060（3DMark數據庫均分為26498）。可見，銳龍AI Max+ 395雖然定位是AI特化型號，但是由于其強大的集顯性能，目前已有大部分輕薄游戲本、桌面Mini AI工作站和掌機產品選用其作為處理器。
AI體驗
銳龍AI MAX+ 395的強大集顯性能，最初的設計目的并非用于游戲。誠然，可變顯存結構巧妙地將相對廉價的系統內存劃作顯存，使得在較低成本下也能運行過去難以承載的大模型。但僅有大容量顯存遠遠不夠，如果集顯計算能力不足，即使模型能跑起來，等待一個答案可能也是遙遙無期。而Radeon 8060S出色的通用計算性能，正好解決了這一關鍵瓶頸。接下來，我們通過實際的AI應用來看看這顆銳龍AI MAX+ 395的表現如何。
Amuse圖片生成
Amuse是AMD與TensorStack合作開發的完全本地運行的生成式AI工具，可進行文生圖、圖生圖、手繪生圖、圖片修復、以及短視頻生成等常見的AI圖片生成任務。
在上個月月底，AMD聯合Stable Diffusion（下稱SD）官方Stability AI，推出了首款基于NPU運算的Stable Diffusion 3.0 Medium模型，在最新版本的Amuse 3.1已經實現對搭載XDNA 2 NPU的銳龍處理器的支持，我們也在極摩客EVO-X2上進行了測試。
受限于網絡環境，我們建議大家在下載模型時采用設置代理，否則可能需要等待很久并且發生中斷。沒有條件設置代理的朋友可以去Hugging Face的鏡像網站魔搭社區下載模型手動部署。
Amuse默認打開為EZ模式，也就是簡單模式。整個界面非常簡單清爽，不過目前尚沒有中文支持，只能期待AMD早點適配了。
想要使用基于NPU運算的SD 3 Medium模型，只需要將“Performance”滑塊選擇為“Balanced”，然后勾選下方的“AMD XDNA2 Stable Diffusion”（不勾選則會使用集顯進行運算），之后輸入提示詞就可以開始生成圖片了。需要注意的是，首次使用需要下載模型，網絡不好的話速度可能有點慢。
我們輸入提示詞“Some men took group photos with their mobile phones”，圖片數量選擇為4張，開啟“AMD XDNA Super Resolution”超分技術。在等待了大約268.5s后，四張圖片全部生成完畢，但從細節來看，“6根手指”這樣的AI困境仍然存在，但整體質量尚可。生圖速度為0.33 it/s，平均一張圖耗時67s左右。對于一個完全基于NPU生成的結果而言是比較出色的。
如果覺得圖片質量還不夠好的話，點擊左下角的“Expert Mode”按鈕可以切換至專家模式，在右上角的“Model Manager”中可以選擇更強大的模型。
我們以FLUX.1-schnell模型為例，再進行一次生圖測試。設置提示詞為“a cheetah running on the grassland”，迭代步數為10步，圖片分辨率為1024x1024，開啟超分，在等待大約3分鐘后，便生成了一張2048x2048的圖片。就圖片來看，符合提示詞要求，但在動作方面略有瑕疵，如果大家追求更快的速度，可以適當調低迭代步數。
在測試過程中，我們也發現了，雖然FLUX.1-schnell已經屬于FLUX.1模型中較小尺寸的版本，但是其實際運行中顯存占用依舊超過了消費級顯卡可以承受的范圍，實測在任務管理器中，顯存占用已達到35.3GB。在這種情況下，即便是RTX 5090來了也難以運行（指模型全部加載到顯存中）。
本地大語言模型部署及RAG知識庫配置
在AI生圖的體驗中，銳龍AI MAX+ 395的可變顯存設計已經小試牛刀，展露出以往消費級PC所無法實現的能力，即部署大尺寸的AI模型。不過FLUX.1-schnell的顯存占用并不能充分顯示出AI MAX+ 395最多96GB顯存的實力，因此我們進一步部署更大尺寸的本地大語言模型來榨干這臺極摩客EVO-X2的性能。
正如上文所提及的SD 3 Medium適配NPU一樣，AMD在軟件適配上十分積極，例如與模優優MoYoYo科技合作，推出了Qwen3-235B-A22B（IQ_2S）以及DeepSeek-V2 236B（IQ_2M）的2bit量化模型。我們也測試了這兩款模型在極摩客EVO-X2上的表現。
為了確保Radeon 8060S能夠分到足夠大的顯存，我們首先需要在BIOS中將“UMA Frame Buffer Size”選項調整為96G，也就是將96GB的內存劃分給顯卡充作顯存。
之后我們使用LM Studio作為框架來部署這兩款模型，或許是ROCm目前兼容性還存在問題，因此我們在Runtime運行環境選擇Vulkan API。
首先是DeepSeek-V2 236B（IQ_2M）模型（格式為GGUF，以下所有測試的模型均為該格式），上下文長度選擇默認的4096，GPU卸載拉滿至60，在等待一段時間過后，模型已經完全被加載到顯存中。雖然是2bit量化，但是滿血版的DeepSeek-V2的體積仍然龐大，此時的顯存占用已經來到了駭人的94GB左右，達到了極摩客EVO-X2的極限。
此時我們讓它幫我們寫一篇短篇小說，體感反應很快，屬于非常可用的狀態。結果顯示，整篇文章吐詞速度為9.14 Token/s，首詞延遲僅為1.02s。很難想象這是在一臺迷你主機中實現的成績。
緊接著測試的是Qwen3-235b-a22b模型，我們同樣使用默認的4096上下文，GPU卸載拉滿。結果顯示，Qwen3-235b-a22b完全部署進顯存后占用為74.9GB左右，這么大的容量同樣并非省油的燈。不過這也正好說明了銳龍AI MAX+ 395的可變顯存技術的優勢所在。
同樣讓Qwen3-235b-a22b寫一篇短篇小說，同樣十分迅速，實測吐詞速度達到了12.24 Token/s，首詞延遲為0.69s。這么快的反應速度一定程度上要歸功于235b是一個MoE模型，激活參數較少，因此效率更高。
除了常規的大模型部署，RAG知識庫也是本地使用AI大語言模型所不可或缺的一環。通過建立專屬的文檔知識庫，大模型可根據知識庫中的數據給出更加精準的回答，從而一定程度上減少“幻覺”胡編亂造的現象，對于特定領域（如AI客服）而言十分重要。
我們依舊使用LM Studio作為框架，采用ROCm API，為了綜合效率，主要模型選擇小尺寸的MoE模型，Qwen3-30b-a3b-instruct-2507（Q4_K_M）4bit量化版，上下文參數提高到50000，GPU卸載拉滿。
嵌入模型選擇目前在中文領域較為強大的Qwen3-embedding-8b，由于我們的顯存還較為寬裕且該嵌入模型體積相對較小，因此我們選擇精度更高的8bit量化版，上下文參數默認，GPU卸載拉滿。此外，阿里巴巴雖然發布了Qwen3-reranker重排模型，不過目前缺乏穩定的GGUF格式模型，因此本次測試并未采用。
在部署主模型以及嵌入模型之后，發現此時的顯存占用已經來到了37.4GB左右，同樣嚴重超出了常規消費級PC的承受水平。因此如果大家硬件性能不夠寬裕的話，最好還是使用常規主流的BGE嵌入及重排模型，不過由于咱們擁有96GB的超大顯存，所以可以隨便搞。
在LM Studio部署完成模型之后，在Cherry Studio中簡單搭建知識庫，首先我們將一百余萬字的《紅樓夢》程高本全文投喂到知識庫中，向量化時間略久，接近1小時。需要注意的是，投喂的txt文件最好先轉為UTF-8編碼，如果采用GB2312編碼等其他編碼格式則大概率導致亂碼。
在嵌入模型處理完文檔后，我們在Cherry Studio中詢問“賈寶玉最后的結局是什么？”Qwen3-30b-a3b很快通過知識庫中的相關段落給出了推斷答案——賈寶玉出家為僧。總體而言還是可圈可點的。
MCP大模型上下文協議
平時我們使用AI模型，無論是云端的還是端側的，一般都只局限在一個聊天框中，很難讓大模型代替我們直接去撰寫Word、Excel表格等任務。而MCP協議的出現正是為了解決這一問題，它就相當于在大模型和各種應用工具之間的一個拓展塢，各種工具可以通過MCP協議和大模型連接起來，從而讓大模型去直接執行對應任務，從而進一步解放我們的雙手。
MCP服務同樣可以分為云端與本地兩種，例如查詢對應服務商提供的信息就必須依賴互聯網，如高德地圖提供的MCP服務，可以讓大模型直接通過高德地圖查詢并設計合適的出行計劃，而通過MCP服務命令大模型修改本地的Word文件等，這完全屬于本地服務。
本次測試中，我們通過Cherry Studio分別部署了1個本地MCP服務word-document-server以及一個云端MCP服務kuaidi100。前者可以實現大模型直接創建編輯Word文檔，后者則可以通過快遞100的API直接查詢快遞價格、時效等。
首先，咱們還是讓Qwen3-30b-a3b-2507模型出場，讓它幫我們寫一篇名為《海闊天空》短篇小說，寫好后直接保存到指定的目錄中。
在我們下達命令之后，大模型成功地運用了對應的MCP工具創建了文檔并添加了內容，打開文檔可以發現，確實是一篇名為《海闊天空》的短篇小說，字數為969字，完全符合我們之前提出的要求。
雖然我們是本地部署大模型，但是在信息時代，人本身就難以脫離互聯網，更何況為人服務的大模型呢，聯網的各種MCP服務同樣十分重要。我們也測試了快遞100提供的MCP服務，需要注意的是，聯網的MCP服務一般都需要使用私有收費API，因此并不是完全免費的。
我們詢問了一個簡單的問題，即“從上海普陀寄一個2kg的順豐快遞到北京大學需要多少錢？”大模型也很快調用了對應的價格工具查詢了價格，并給出了回答，就結果來看，可用度還是非常高的。
寫在最后
整場測試下來，我們發現銳龍AI Max+ 395展現出的不只是性能，更是一種架構層面的能力整合。16超大核32線程的Zen 5 CPU提供了強大的CPU算力，40CU的RDNA 3.5集顯則兼顧圖形與AI計算需求，而XDNA 2 NPU則是其區別于傳統處理器的關鍵所在，真正實現了AI應用的高效能。
我們完整部署了SD 3.0 Medium、FLUX.1-schnell圖像生成模型，并加載運行了Qwen3-235B與DeepSeek-V2 236B等大語言模型，在96GB共享顯存的加持下，模型運行穩定、響應及時，結合RAG知識庫與MCP任務插件，還能輔助用戶進行搜索、摘要、文檔管理等多任務協同操作，已然可以滿足普通AI愛好者甚至是小型企業的本地AI需求。
此外，與以往依賴多卡高性能獨顯才能完成的大模型部署相比，銳龍AI Max+ 395的優勢在于高度整合。在AMD可變顯存的設計下，無需再為中輕度的AI需求額外搭建復雜平臺，通過一枚芯片即可完成AI計算、圖像生成、日常辦公等多種類型的工作負載。并且由于該芯片的高能效比，即便放在僅有一升多的小主機中，仍然能保持良好的功耗表現與運行穩定性。
當然，銳龍AI Max+ 395的潛力遠不止于此，隨著AMD持續推進XDNA 2生態建設，后續肯定還會有更多AI工具、模型與服務對其進行適配。而以極摩客 EVO-X2 桌面Mini AI工作站為代表的一眾迷你主機的涌現也進一步說明了市場對于高性能端側部署的需求。因此，隨著AI時代的進一步深入，端側AI部署將變得更加普遍，也更具性價比，而AMD銳龍AI Max+ 395處理器無疑是一名優秀的先行者。
滬公網安備 31010702005758號
發表評論注冊|登錄