48GB 显存塞进一张双槽卡，Intel B60 值得买吗？

准备在本地运行 27B、32B 甚至更大模型的人，最近可能越来越容易碰到一个问题：GPU 的算力看起来够用，模型却因为显存差几GB，连加载都完成不了。

这也是铭瑄 Intel Arc Pro B60 Dual 48G Turbo 这款显卡最近引起热议的原因。它把两颗 Arc Pro B60 GPU 做在一张双槽显卡上，每颗 GPU 配备 24GB GDDR6 显存。对于主板插槽有限、又想提高显存密度的用户，这种形态确实少见。

本文依据YouTube 科技博主 Alex Ziskind的评测内容，集中比较一张 Arc Pro B70、单张 B60、两张独立 B60，以及一张铭瑄 B60 Dual。视频中能够确认的硬件平台包括 Fractal 机箱、华硕专业级主板和 Intel Xeon 处理器，推理软件使用 LLM Scaler，也就是基于 vLLM 开发的一个分支。

一张 48GB 显卡，系统里其实是两颗 24GB GPU

先把最容易产生误会的地方讲清楚。

B60 Dual 标称拥有 48GB GDDR6 显存，系统实际识别到的是两颗独立 GPU，每颗 GPU 各有 24GB 显存。两部分显存没有组成一个能够被所有软件直接调用的统一 48GB 地址空间。

铭瑄公布的规格显示，两颗 GPU 分别拥有 20 个 Xe 核心、192-bit 显存位宽和 456GB/s 显存带宽，各通过 PCIe 5.0 x8 连接系统。整张显卡使用一个 12V-2×6 供电接口，标称总板功耗为 400W，尺寸为 300×110×40mm。

当模型占用超过单颗 GPU 的 24GB 显存时，推理框架需要通过张量并行等方式，把权重和计算任务切分到两颗 GPU 上。框架能不能识别两颗 Intel GPU，模型结构适不适合切分，跨卡通信开销有多大，都会影响最终结果。

视频中使用的又是一张无板载 PCIe 交换芯片的双 GPU 卡。两颗 GPU 不能经由卡内高速互联直接交换数据，通信需要经过 CPU 和主板的 PCIe 通道。

第一次开机时，测试平台甚至完全识别不到这张显卡。

测试者进入主板 BIOS，将原本的 PCIe x16 插槽设置为 x8+x8 通道拆分，重启后才识别出两颗 B60。视频显示，两颗 GPU 此后分别工作在 PCIe 5.0 x8 模式，每颗拥有 24GB 显存。

这意味着 B60 Dual 并不适合“买回来直接插上就用”的思路。主板需要支持 PCIe Bifurcation，CPU 也要提供合适的通道配置。消费级主板即便提供一个物理 x16 插槽，也未必能把它拆分成两组 x8。

小模型测试里，B70 更快，但完整比较数据并没有披露

视频首先测试了 Qwen3 4B FP8。

其中唯一明确说出的完整数字，是 Arc Pro B70 达到约 92 Token/s。测试者表示，两张 B60 通过张量并行运行时没有超过 B70，单张 B60 又略慢于两张 B60。

由于转写没有记录 B60 和双 B60 的具体速度，也缺少输入长度、输出长度、批量大小和重复次数，我们只能得到一个方向性判断：在这个能够轻松装入单卡的小模型上，B70 表现更好。

这个结果也符合两款产品的硬件定位。B70 是单 GPU 设计，拥有 32GB GDDR6 显存和 608GB/s 显存带宽；B60 Dual 的单颗 GPU 带宽为 456GB/s。面对不需要跨 GPU 切分的小模型，更强的单 GPU 通常更容易发挥性能。

原稿中“小模型看算力，大模型先看容量”的表达可以保留，但要加上适用范围。这是对视频结果的解释，无法替代严格的变量控制实验。

尤其不能据此推导出“双 B60 跑所有小模型都不划算”。不同框架、量化格式、批处理规模和并发数，都可能改变结果。

27B 模型跨过了容量门槛，性能结论仍需收紧

更有代表性的一项测试使用了 Qwen3.5 27B 的 INT4 量化版本。

视频作者称，该模型文件“接近 30GB”，还需要额外显存承担运行开销，所以单张 24GB B60 无法加载。B70 可以运行，生成速度约为 28.3 Token/s；两张 B60 的结果高于 B70，但转写没有保留下具体数字。

这里的“接近 30GB”不能简单理解为 270 亿参数乘以 4bit 后的纯权重体积。

模型实际占用还会受到量化格式、分组参数、元数据、嵌入层处理方式、框架加载方式和运行时缓冲区影响。推理过程中还需要为 KV Cache、计算中间量及框架自身预留空间。由于视频没有公布这些构成，也没有显示加载完成后的逐卡显存占用，我们只能确认单张 24GB B60 在该次测试条件下无法运行。

“双 B60 超过 B70”的说法也需要限定在这一个模型和这套未完全披露的测试环境中。

容量确实让两张 B60 获得了参赛资格，但视频没有提供足够数据证明，双 B60 在所有 27B 模型、所有上下文长度下都能超过 B70。张量并行还会引入跨卡通信，模型结构和并行策略不同，结果可能完全改变。

视频随后还测试了一个 30B 级 MoE 模型的 INT4 版本。B70 约为 45 Token/s，单张 B60 约为 44.5 Token/s，两张 B60 的速度反而有所下降，但作者没有说出具体数字。

这组结果恰好说明，增加第二颗 GPU 不会自动带来性能增长。有些模型受益于并行，有些模型会被通信和调度开销拖慢。

因此，这一部分更准确的结论应该是：两颗 24GB GPU 可以让部分超过 24GB 显存门槛的模型运行起来，速度表现取决于模型和软件实现。

双芯卡和两张独立 B60

B60 Dual 最值得验证的问题，是两颗 GPU 共用一个物理插槽后，性能是否会明显低于两张分别安装的 B60。

视频展示的一组 27B 模型数据中，画面出现了约 26.7 Token/s 的平均生成速度，另外两次读数约为 25.3 和 26.6 Token/s。Prompt Processing 速度则在约 1789至2200 Token/s 之间变化。

不过，转写没有完整标明每一个数字分别对应 B60 Dual 还是两张独立 B60，也没有给出相同提示词下的逐轮对照表。作者最终用“pretty much identical”形容两种配置，认为差异很小。

原稿把它写成“差异处于测试误差范围”，这个表述过强。

视频没有说明误差计算方法、重复次数和标准差，自然无法建立统计意义上的误差范围。更稳妥的说法是：在视频展示的几项模型测试中，B60 Dual 与两张独立 B60 的结果接近，没有观察到明显的性能损失。

这项观察仍然有价值。

它至少说明，在支持 PCIe x8+x8 拆分的测试平台上，把两颗 B60 放进一个物理插槽，没有立即出现严重的带宽瓶颈。至于长上下文、大批量推理、高并发请求和持续满负载场景是否同样如此，视频没有覆盖。

48GB 对视频生成没带来帮助

大显存最容易产生的另一个误解，是认为所有生成式 AI 任务都会变快。

视频使用 ComfyUI 运行 LTX-2 文生视频工作流时，B70 的生成时间约为 167 秒。两张独立 B60 中实际参与计算的一颗 GPU 用时约 224.6 秒，B60 Dual 中的一颗 GPU 用时约 226.7 秒。

这里的关键在于，测试中的 LTX-2 工作流只调用了一颗 GPU。

B60 Dual 虽然安装了两颗 GPU，第二颗 GPU 没有参与这一段视频的生成。48GB 总显存也没有被当成一个统一内存池使用。

所以，这组测试能够支持的判断很直接：当工作流只能调用单颗 GPU 时，B60 Dual 的第二颗 GPU 对单任务速度没有帮助，B70 凭借更强的单 GPU 性能完成得更快。

B60 Dual 仍然可以让两颗 GPU 分别处理不同任务。例如，一颗运行语言模型，另一颗运行图像或视频模型；也可以同时为两组用户提供服务。视频没有进一步测试这些并发场景，因此文章不对吞吐提升作量化推断。

LTT Labs 在 2026 年 5 月发布的评测也遇到了类似的软件限制。其部分 Blender 和 DaVinci Resolve 测试无法稳定调用两颗 B60，AI 基准中的多个项目也只运行在单颗 GPU 上。评测团队最后认为，这张卡更适合高密度计算或虚拟化环境，普通创作者工作站未必能充分利用它。

129W 是一次负载读数

视频还比较了某项相同工作负载下的功耗。

B60 Dual 约为 129W，两张独立 B60 合计约为 134W。两者只相差约 5W，作者也认为这个差别不大。

这个数字必须和产品规格分开理解。

129W 是视频中某一项特定负载下的观测值。视频没有说明它来自驱动软件、插座功率计还是其他测量方式，也没有交代是否包含整机功耗。

铭瑄为 B60 Dual 标注的总板功耗是 400W，并配备一个 12V-2×6 供电接口。这个规格更接近装机时需要考虑的上限，包括电源容量、线材规格、机箱风道和持续散热能力。

因此，不能根据 129W 的单次负载读数，推导这是一张低功耗双 GPU 卡。更不能按照四张卡都只消耗约 129W 来设计多卡系统。

如果安装四张 B60 Dual，仅显卡的标称总板功耗上限就达到 1600W。再加上 Xeon 处理器、主板、内存、存储、风扇和电源转换损耗，整机供电与散热已经进入专业工作站甚至服务器的设计范围。

7000 美元对应四张卡的乘法，还不等于一台 192GB 工作站

视频中最抓眼球的一笔账，是四张 B60 Dual 可以提供 192GB 总显存。

按照作者当时引用的每张 1750 美元计算，四张卡的采购价约为 7000 美元。若用四张售价约 6000 美元的 48GB RTX Pro 5000 达到相同标称显存容量，显卡价格约为 24000 美元。

这只是显卡数量与价格的算术推演。

视频作者手中只有一张 B60 Dual。他没有实际安装四张卡，也没有运行一个由八颗 GPU 组成的 192GB 推理系统。视频后段还专门询问 Level1Techs 的 Wendell，主板能否对多个插槽进行通道拆分；对话给出的建议依然是查看主板手册并逐槽测试。

四卡方案至少还要解决几项问题：

主板需要提供四个位置合适的双槽空间，每个插槽都要支持 x8+x8 拆分；CPU 和芯片组需要提供足够的 PCIe 通道；操作系统和驱动要稳定识别八颗 GPU；推理框架需要支持八卡调度；电源和供电线路要覆盖最高 1600W 的显卡板卡功耗；机箱还要把四张涡轮卡持续排出的热量送出去。

此外，192GB 是八颗 GPU 显存容量的总和，不代表任意一个模型都能无损使用全部容量。模型能否拆到八颗 GPU 上，通信开销是否能够接受，都需要实际测试。

铭瑄已经把 B60 Dual 定位于高密度部署，并表示其 W790 工作站平台可以支持最多四张该卡。厂商资料证明这种硬件组合有明确的设计方向，却不能代替具体模型、具体框架下的四卡实测。

所以，更准确的价格表述是：

按照视频引用的单卡价格，四张 B60 Dual 的显卡采购成本约为 7000 美元，理论总显存为 192GB。整机成本、八 GPU 扩展效率与稳定性没有在视频中得到验证。

8. 真正需要判断的，是你缺容量、缺速度，还是缺插槽

看完这些限制，B60 Dual 的适用人群反而更清楚了。

如果主要运行能够装进 32GB 显存的小型或中型模型，希望单次对话响应更快，同时不想处理 PCIe 通道拆分和多 GPU 配置，B70 通常更容易使用。视频中的 Qwen3 4B 和 LTX-2 测试也显示，B70 在依赖单 GPU 性能的任务里更占优势。

如果模型在当前运行条件下超过 24GB、又可以由框架拆分到两颗 GPU 上，两张 B60 或一张 B60 Dual 才开始体现容量价值。

两张普通 B60 占用更多主板空间，但价格可能更低，主板部署方式也更灵活。B60 Dual 的优势集中在插槽密度：用一个物理 x16 插槽和两个槽位，容纳两颗 GPU 与总计 48GB 显存。

当一台机器准备安装多组 B60 时，这项优势会逐渐放大。可一旦进入四卡八 GPU 规模，项目就已经超出普通桌面装机范畴，需要按照完整的工作站方案评估。

至于软件，视频只能反映录制时所使用的 LLM Scaler 环境。Intel、铭瑄和相关开源项目仍在更新驱动及多 GPU 推理能力，购买前应重新核对准备使用的模型、量化格式和框架版本。厂商目前列出的支持范围包括 PyTorch、IPEX-LLM 和基于 vLLM 的相关方案，但“框架支持”不代表所有模型和所有多卡组合都能获得理想扩展。

这张卡最有价值的地方，依然是它提供了一种少见的硬件形态。

两颗 GPU 装进一张双槽卡，在视频覆盖的几项测试中，没有看到相对于两张独立 B60 的明显异常。它能否成为高性价比的本地 AI 方案，还要看用户能不能解决主板、供电、散热和软件适配这些问题。

显存价格只是第一笔账。能不能把这些显存稳定用起来，才是购买前最该算清楚的部分。

END本文来自至顶AI实验室，一个专注于对AI计算机、工作站及各类AI相关硬件设备，开展基于真实使用场景评测的研究机构。