AMD Ryzen AI Halo 深度解析：一款“开箱即用”的 AI 开发利器

本文深度评测 AMD 专为 AI 开发者打造的迷你工作站 Ryzen AI Halo，搭载顶级 APU 与 128GB 统一内存，强调开箱即用的软件生态，并对比主要竞品（如 Mac Studio、DGX Spark）的性能与适用场景。

一、产品定位：AI 开发者的“电池全包”方案

AMD Ryzen AI Halo 并非一款普通迷你 PC，而是一台面向 AI 开发者的专用开发套件。其核心理念是“Batteries Included”——即硬件与软件深度整合，用户开箱即可在 AMD ROCm 生态下进行机器学习模型训练与推理，无需繁琐的环境配置。

设备基于 AMD 最新旗舰级移动 APU Ryzen AI Max+ 395（代号 Strix Halo），该处理器于 2025 年春季发布，采用 Zen 5 架构，拥有 16 核心 32 线程。其最大亮点在于集成了 Radeon 8060S 显卡（40 个 RDNA 3.5 计算单元）和 XDNA 2 NPU。在 AI 工作负载中，GPU 承担绝大部分计算任务，而 NPU 终于在此代中实现了可用性突破。

二、硬件规格：紧凑机身内的顶级配置

2.1 核心配置

• CPU：AMD Ryzen AI Max+ 395（16C/32T，Zen 5）
• GPU：AMD Radeon 8060S（40 CU，RDNA 3.5）
• NPU：AMD XDNA 2（第 2 代 AI 引擎）
• 内存：128 GB LPDDR5x-8000 统一内存（带宽 256 GB/s）
• 存储：2 TB M.2 2280 SSD（可拆卸更换）
• 网络：10 GbE 有线 + Wi-Fi 7 + 蓝牙 5.4
• 接口：4×USB 3.2 Type-C（其中 1 个专用于 PD 电源输入）、1×HDMI 2.1
• 尺寸：15 cm × 15 cm（约 6 英寸见方），高度不到 5 cm，重 1.2 kg
• 电源：240 W 外置电源砖

2.2 散热与设计

• 采用双离心风扇，从顶部和侧面进风，通过散热器从背部排出。
• TDP 为 120 W，日常运行安静，高负载时风扇可明显加速。
• 底部配有可拆卸磁吸脚垫，机身四周均有进气口，支持堆叠多个设备以组建集群。
• 底部环绕式白色灯带（待机时呈蓝色呼吸），可关闭，设计简洁而不浮夸。

2.3 可维护性

• 仅需卸下底部 4 颗螺栓即可取下底盖，M.2 SSD 可直接更换。
• 卸下顶部外壳后可抽出计算核心，但内部高度集成，用户可操作空间有限。
• 底部的金属板（覆盖散热膏）不建议用户自行拆卸。

三、软件生态：专为 ROCm 优化的 Linux 发行版

3.1 出厂系统

• 提供 Windows 11 Pro 和 Linux 两个版本，售价均为 3999.99 美元。
• 本次评测的 Linux 版本运行 AMD 定制版 Debian 13.4，内核版本为 6.18.35。
• 用户可自行安装其他操作系统，但 AMD 目前不提供出厂镜像中的专有驱动、工具和预装模型的单独下载。

3.2 核心软件栈

• 预装 ROCm（AMD 的 GPU 计算平台）及针对 Radeon 8060S 优化的驱动。
• 包含 llama.cpp 及 llama-bench 等主流推理工具，开箱即可运行 GGUF 格式的大模型。
• 系统已集成多个常用模型（如 Qwen、Gemma、GLM 系列），降低入门门槛。

四、性能实测：聚焦 LLM 推理

4.1 测试方法

• 使用 llama-bench（llama.cpp 的基准测试工具）进行测试。
• 测试分为两个阶段：
  • Prompt Processing（pp）：模型读取用户输入（预填充阶段）
  • Token Generation（tg）：模型生成输出（解码阶段）
• 默认测试配置为 pp512/tg128（用户输入 512 个 token，模型生成 128 个 token）。

4.2 测试模型

• Qwen 3.6 35B A3B（Q4_K_M）：约 17-32 GB 模型，量化后适合单机运行。
• Gemma 4 31B IT（IQ4_XS）：Google 最新开源模型，注重指令跟踪。
• GLM 4.7 Flash（Q8_0）：智谱开源模型，强调推理速度。

4.3 对比平台

• AMD Ryzen AI Halo（AI Max+ 395，128 GB）
• Framework Desktop（同样搭载 AI Max+ 395，128 GB）
• M2 Ultra Mac Studio（76 核 GPU，128 GB 统一内存）
• M3 Ultra Mac Studio（80 核 GPU，512 GB 统一内存）

4.4 关键发现

• 内存带宽：Halo 的 256 GB/s 与 M2 Ultra 的 273 GB/s 接近，但远低于 M3 Ultra 的 819 GB/s。
• 大模型加载：128 GB 内存足以加载 70B 参数以内的大部分量化模型，并保留系统运行空间。
• Token 生成速度：Radeon 8060S 在 ROCm 优化下表现稳定，但在未充分优化的模型中可能低于 Apple Silicon 的 Metal 后端。
• 兼容性：llama.cpp 对 AMD GPU 的支持已大幅改善，但部分模型仍存在驱动层面的差异，导致性能波动。

五、竞品对比

特性	AMD Ryzen AI Halo	DGX Spark	Mac Studio (M3 Ultra)	Framework Desktop
CPU	16C Zen 5	20C Arm (10P+10E)	32C (24P+8E)	16C Zen 5
GPU	40 CU RDNA 3.5	6144 CUDA	80 核 M3 GPU	40 CU RDNA 3.5
NPU	XDNA 2	第 5 代 Tensor Core	32 核 Neural Engine	XDNA 2
内存	128 GB LPDDR5x-8000	128 GB LPDDR5x	512 GB 统一内存	128 GB LPDDR5x-8000
带宽	256 GB/s	273 GB/s	819 GB/s	256 GB/s
存储	2 TB	4 TB	16 TB	16 TB
价格	$3,999	更高（未公布）	显著更高	$1,999（准系统）

优势总结：

• Halo 在 性价比 上突出，同等内存容量下价格远低于 Mac Studio。
• 软件生态 专为 ROCm 优化，对 AMD 开发者友好。
• 可扩展性 不如 Framework Desktop 灵活，但开箱即用体验更佳。
• Mac Studio 在内存带宽和峰值性能上仍占优，尤其适合 Apple 生态用户。

六、适用场景与局限

6.1 适合谁？

• AI 初学者：无需配置环境，开箱运行主流 LLM。
• AMD 生态开发者：需要 ROCm 原生支持，进行模型微调或推理部署。
• 本地模型爱好者：128 GB 内存可同时加载多个 7B-13B 模型，或单个 70B 量化模型。
• 教育/研究机构：作为低成本、易维护的 AI 实验平台。

6.2 不适合谁？

• 追求极致性能者：M3 Ultra 的 819 GB/s 带宽在超大模型推理上优势明显。
• NVIDIA CUDA 生态依赖者：DGX Spark 或传统 NVIDIA 工作站更合适。
• 需要超高存储容量者：2 TB 对于存储大量模型可能不够，需外接存储。

七、总结

AMD Ryzen AI Halo 是一台 定位精准、完成度极高的 AI 开发迷你工作站。它没有追求在所有维度上击败竞品，而是通过“硬件 + 软件 + 价格”的三角平衡，为 AMD 生态的 AI 开发者提供了一个 真正开箱即用 的解决方案。其 128 GB 统一内存与 256 GB/s 带宽足以应对当前主流 LLM 的本地运行需求，而 3999 美元的价格在同类产品中极具竞争力。

如果你正在寻找一台 无需折腾 的 AMD AI 开发机器，Halo 是目前最值得考虑的选择之一。

---

原文链接：https://www.lttlabs.com/articles/2026/07/06/amd-ryzen-ai-halo