联想百应AI300实测：128G统一内存，玩转本地AI Agent

以前聊一台电脑的AI性能，我们更多关注CPU与GPU的跑分，以及它能否更快地完成照片处理、视频剪辑等工作。但随着本地大语言模型逐渐走进日常使用，评价一台PC 的方式也开始发生变化。除了计算速度，模型能不能顺利加载、需要多少内存、是否方便接入其他AI工具，同样影响着实际体验。

这次我们拿到的联想百应AI主机 300（以下简称 AI300），搭载AMD锐龙AI Max+ 395处理器，配备128GB LPDDR5X内存和2TB固态硬盘。它是一台面向高性能办公、AI开发与内容创作的桌面主机，提供了部署本地 AI 的硬件条件。除了常规跑分，我们还用 LM Studio 运行不同规模的大模型，并尝试让本地模型配合 Agent 完成具体任务，看看这套平台能用到什么程度。

先来看外观。AI300 采用黑色机身搭配灰色前面板，没有特别复杂的装饰，整体比较符合办公场景的使用习惯。机身尺寸约 190×97.5×249mm，体积约4.5L，重量约 2.9kg，放在显示器旁边不会占据太多位置。联想还把 350W 电源直接做进了机身，桌面上也不需要额外安置体积较大的电源适配器。

接口方面，前面板提供两个10Gbps USB-A、一个40Gbps USB4 Type-C、SD读卡器和 3.5mm音频接口，并设有性能模式切换按键。背面则有另一个USB4 Type-C、三个 USB-A、HDMI 2.1、DP 1.4、2.5G 有线网口和音频接口，同时支持 Wi-Fi 7。

前后合计七个 USB 接口，常用的键鼠、显示器可以固定连接在后方，临时插移动硬盘、读相机存储卡则可以直接使用前面板，对于经常处理素材的用户来说是非常顺手的。

考虑到现在一个量化大模型的文件就可能占据几十 GB，再加上不同版本、运行环境和创作素材，2TB 存储能提供不错的初始空间，还有额外的硬盘位扩展，后续也可以按需要继续增加。

对于一台需要兼顾传统办公与本地 AI 部署的主机来说，这样的扩展配置还是很有必要的。

CPU解析

联想百应AI主机300 搭载 AMD 锐龙 AI Max+ 395，它在一颗处理器中整合了基于 Zen 5 架构的 16 核心 32 线程 CPU、拥有 40 组计算单元的 RDNA 3.5 Radeon 8060S 集成显卡，以及可达 50 TOPS AI 算力的 XDNA 2 架构NPU。其中 CPU 最高加速频率达到 5.1GHz，Radeon 8060S 的图形频率则为 2900MHz。

从整体配置来看，锐龙 AI Max+ 395 的优势在于将高性能计算、图形处理与 AI 加速能力整合在同一平台中，使其能够覆盖更加丰富的应用场景。无论是常规办公、多任务处理，还是照片与视频编辑、三维渲染等专业工作，都有相应的硬件资源作为支撑。而随着本地 AI 应用逐渐普及，这套平台也具备了运行大语言模型、进行 AI 内容生成以及探索自动化工作流程的硬件基础。

对于本地 AI 来说，这套平台有一项尤为值得关注的设计，就是统一内存架构。锐龙 AI Max+ 395 允许CPU、GPU和NPU等不同计算单元共享物理内存，AI300 的 128GB 版本采用 LPDDR5X-8000 内存与 四通道256-bit 内存接口，在提供大容量内存及带宽的同时，也能够根据不同任务灵活调整资源分配。

通过 AMD软件内置的VGM可变显存技术，用户可以自行设置预留显存的容量，这台 128GB 版本最高能够分配96GB作为显存使用。对于一些需要占用数十GB内存的大参数语言模型，这意味着用户可以根据实际部署需求调整可用空间，不必完全受到固定显存容量的限制，这种分配方式让本地 AI 部署拥有了更多灵活性。

从硬件规格来看，联想百应 AI300 不仅能够满足常规生产力需求，也为专业创作和本地 AI 应用开发和运行提供了比较充足的配置基础。至于这套平台能够发挥出怎样的实际性能，特别是面对大型语言模型时能否兼顾运行效率与资源占用，我们也进行了相应的测试。本次统一采用 64GB 系统内存与 64GB 预留显存的配置，以下成绩均基于这一设置获得。

理论性能测试

我们先从 CPU 的基础计算能力开始。在 Cinebench R23 测试中，AI300 搭载的锐龙 AI Max+ 395 获得单核 1980 分、多核 36036 分；Cinebench 2024 的单核、多核分别为 113 分和 1876 分；Cinebench 2026 则取得单核 617 分、多线程 7704 分。

从三组成绩来看，锐龙 AI Max+ 395 的 16 核心 32 线程配置具备超高的多线程计算基础，面对需要持续调用多个核心的渲染负载，能够提供充足的处理资源。这也为接下来的专业渲染测试提供了参考。

随后是 V-Ray、Corona 以及 Blender 专业渲染测试。V-Ray Benchmark 获得40589 vsamples，Corona 10 Benchmark为12194150 rays/s。

Blender Benchmark的Monster、Junkshop、Classroom 三个场景，则分别取得 239.57、174.40 和 131.13 samples/min。

从这几项成绩可以看到，AI300不仅能够带来出色的常规CPU基准测试成绩，在不同的三维渲染工作负载下也具备相当的性能实力。对于需要进行三维设计、产品建模或场景渲染的用户来说，这意味着它除了日常办公，还可以承担一定的专业创作任务。

图形部分，Radeon 8060S在3DMark Fire Strike中取得总分26535分、显卡分数 31514分；Time Spy总分为11454分、显卡分数11888分。

作为一款集成GPU，Radeon 8060S在传统图形性能测试中交出了相当不错的成绩。尤其是 Time Spy显卡分数达到11888分，说明它已经拥有处理复杂3D图形负载的计算能力，Radeon 8060S也能承担更加重要的图形与计算任务。

在AIDA64内存测试中，AI300的内存读取、写入和复制速度分别为119.88GB/s、211.72GB/s 和 155.99GB/s，内存延迟为135.7ns。

这组成绩也让我们能够进一步了解锐龙 AI Max+ 395 的内存子系统。对于采用统一内存架构的平台来说，容量决定能够容纳多大的工作负载，而带宽和频率则影响数据访问效率。尤其是后续的大模型推理，GPU需要持续读取模型参数，高容量内存与相应的带宽支持，都是这套平台能够运行大型本地模型的重要条件。

存储性能方面，我们使用CrystalDiskMark 9.0对固态硬盘进行了测试。在顺序读写项目中，读取速度达到 7006.41MB/s，写入速度为 6292.07MB/s；在RND4K Q32T16 随机读写测试中，读取和写入速度分别达到3780.09MB/s和3325.89MB/s，对应约92.3 万和81.2 万IOPS。

从测试成绩来看，这块固态硬盘发挥出了不错的PCIe 4.0高速存储性能，无论是日常的大型文件传输，还是照片、视频素材的读写，都能够提供比较充足的带宽。而对于本地 AI 应用来说，考虑到一个大语言模型的文件可能达到几十GB，较高的顺序读取速度也有助于缩短模型文件加载和数据读取过程中的等待时间，让整套AI工作流程更加顺畅。

日常生产力方面，我们使用UL Procyon测试了办公与创作软件，项目取得7338分；

基于Photoshop和Lightroom Classic的照片编辑项目为8405分，其中图像修饰与批处理分别为12022分和5877分；

Premiere Pro GPU加速视频导出成绩为24365分。

相较于前面的理论跑分，Procyon更接近日常软件中的实际工作负载。从测试结果来看，AI300能够覆盖文档处理、照片编辑和视频输出等多种生产力需求，尤其是在照片修饰与视频导出等需要计算资源参与的任务中，CPU与GPU都有各自发挥作用的空间。对于内容创作者来说，这也意味着它在保证具备AI本地部署能力的同时，仍然可以当作内容生产力工具来使用。

AI测试

接下来进入 AI 测试。首先在UL Procyon Stable Diffusion 1.5 FP16 项目中，Radeon 8060S获得 936 分，生成16张512×512图片共耗时106.826秒，平均每张6.677 秒。

文本生成项目则测试了Phi 3.5、Mistral 7B、Llama 3.1 和 Llama 2，平均输出速度分别为 69.28、44.23、37.81 和 25.37 tokens/s。

从标准化测试来看，Radeon 8060S已经能够在图像生成和文本推理两种不同类型的 AI任务中提供相当不错的实际计算性能。

标准化测试之后，我们又用 LM Studio 进一步体验，实际部署了三款不同规模的量化模型。

首先是 Qwen 3.8 27B，采用Q4_K_M量化，模型文件约 16.52GB，实际问答生成速度达到20.78 tokens/s。

第二款是Qwen 35B A3B，同样采用Q4_K_M量化，模型文件约20.55GB，测得68.86 tokens/s。

后者采用MoE混合专家架构，每次推理无需激活全部参数，因此模型总参数量更大，并不代表生成速度一定更慢。当然，两次测试的任务条件并不完全相同，这里的成绩主要用于记录不同模型在AI300上的实际运行表现。

接着，我们又尝试了体量更大的GPT-OSS 120B。MXFP4量化版本的模型文件约为 59.03GB，实际生成速度为48.75 tokens/s。虽然运行时GPU专用内存占用约 62.2GB，已经接近本次分配的 64GB 预留显存，但模型依然可以完成推理并持续输出。

这项测试也比较直观地体现了大容量统一内存的价值。对于本次测试的GPT-OSS 120B 量化版本，64GB GPU预留显存已经足够完成实际推理，而接近49 tokens/s的输出速度，也具备不错的实用性。考虑到锐龙AI Max+ 395还支持更高的显存预留容量，用户后续也可以根据不同模型的内存需求进行调整，为本地 AI 部署提供了更多选择。

我们随后通过LM Studio启动本地API，并使用腾讯WorkBuddy调用Qwen 35B A3B，尝试让它以Agent的方式完成开发任务。

第一个任务是制作数据可视化网页，最终生成了包含文件导入、概览卡片和图表模块的 Data Story 页面；

第二个任务则是开发网页版俄罗斯方块，浏览器中能够打开游戏，并展示方块操作、分数与下一块预览等基本功能。

当然，这次展示的只是两个相对简单的小项目，更多是为了验证本地模型与 Agent 工具协同工作的可行性，而不是展示它们的能力上限。

相比最终生成的网页与游戏，其实更值得关注的是这套平台已经能够让 AI 参与从理解需求到执行任务的过程。如果交给更有经验的开发者或团队，未来还可以进一步探索复杂业务工具、自动化工作流程以及更多定制化 AI 应用。

随着模型能力与软件生态不断完善，本地 AI 的使用方式也有机会从简单的问答，延伸到更加复杂的实际工作中。

除了通过第三方工具部署本地 AI，联想也为AI300提供了相应的软件支持。通过联想百应Claw平台，用户可以根据实际需求选择本地或云端大模型，同时还支持部署近期比较热门的Claw智能体，也就是大家常说的本地“养龙虾”。

相比自行配置环境，联想将模型选择、智能体创建和技能管理等功能整合在统一的图形界面中，让普通用户也能更方便地体验AI Agent。

另外，联想百应Claw还提供了丰富的预设角色和技能，用户可以根据自己的工作需求，创建负责资料整理、内容创作、办公协同等不同任务的AI分身，并通过定时任务或接入常用通讯平台，让它们参与日常工作。

对于不熟悉本地模型部署的用户来说，这种方式省去了不少配置过程；而对于有开发经验的用户，也可以根据实际需求进一步扩展智能体的应用场景。

总结

这次体验联想百应AI主机300之后，我认为它是一台性能扎实、用途也相当全面的高性能桌面主机。无论是日常办公、照片与视频创作，还是计算负载更高的专业渲染，它都展现出了一流的处理能力。而在本地AI场景中，借助锐龙AI Max+395处理器的128GB统一内存和可变显存技术，AI300不仅能够运行大参数语言模型，还可以进一步配合Agent工具完成实际任务。对于既有传统生产力需求，又希望探索本地 AI 的用户来说，这样的综合表现，让它能够适应更加多样化的工作场景。

当然，云端 AI 在模型更新和使用便利性方面依然有优势，对于只是偶尔使用 AI 聊天、处理简单文档的人来说，并不一定都需要专门准备一台高规格主机。但对于需要处理内部资料、经常调用固定模型，Token词元流量预算有限的公司、个人和开发者，或者希望不断尝试新工具的人来说，在自己的电脑上掌握计算资源，就多了一种选择。遇到新的想法，可以先在本地验证，再决定是否投入更多时间和成本。

从这个角度来看，联想百应 AI主机300 提供的不只是一次硬件升级，AMD将不同计算资源与大容量统一内存整合在同一平台上，联想则通过完整的桌面接口和软件入口，让它更容易融入已有工作环境。

对于真正准备把本地AI用进工作的人，这种能够边用边调整、逐渐建立自己工作流程的方式，才是它更长远的意义。