# Strix Halo թե՞ DGX Spark լոկալ AI-ի համար։ Ինչ չափեցինք երկու տուփի վրա էլ

> Լոկալ AI մինի-տուփերի դասի ամենաորոնվող համեմատությանն ամենուր պատասխանում են սպեկ-թերթիկները, ոչ թե երկուսն էլ չափող լաբորատորիան։ Երկու պլատֆորմն էլ մերն են։ Ահա ինչ արեց ամեն մեկը չափելիորեն, որ workload-ը որ տուփին է պատկանում, և համեմատությունը, որ հրաժարվում ենք կեղծել։

- Published: 2026-08-20
- Evidence level: lab_repeated
- Funding: Սեփական ֆինանսավորում, ներքին հետազոտություն
- Canonical: https://agmind.ai/hy/reports/strix-halo-vs-dgx-spark/

Նախ ազնիվ վերնագիրը. սրանք տարբեր գործիքներ են, որոնց շուկան համառորեն
համեմատում է ճակատով։ Մի տուփը չափված, ձանձրալի աշխատանքային ձի է
մոդելների այն դասի համար, որ մարդկանց մեծ մասն իրապես քշում է։ Մյուսի
զույգը մեզ հայտնի միակ սեղանային ձևաչափն է բաց MoE-ների ամենամեծ դասը
սպասարկելու — իրական օպերացիոն սուր եզրերով։ Մենք ունենք և չափել ենք
երկուսն էլ; այս համեմատության որոնման արդյունքներում ոչ ոք դա չի արել։

## Ինչո՞ւ է այս համեմատությունն այդքան դժվար գտնել չափված

Որովհետև այն ազնվորեն անելն իսկապես անհարմար է։ Երկու պլատֆորմներն
ուզում են տարբեր runtime-ներ, նախընտրում են տարբեր մոդելային դասեր, և
ամեն հրապարակված դեմ առ դեմ, որ գտանք, կամ վերարտադրում է վենդորի
թվերը, կամ կողք կողքի մեջբերում է համայնքի երկու անհամատեղելի թիվ —
[ահա այսպես է ծնվում բենչմարքային ֆոլկլորը](https://agmind.ai/hy/essays/benchmark-number-config-in-disguise/)։
Ստորև երկու տուփերը պահվում են առանձին, հստակ շրջանակված սյունակներում,
իսկ վերջին բաժինն անվանում է չափումը, որը դրանք կմիավորեր ինչպես հարկն
է։

## Ինչ արեց Strix Halo տուփն իրապես

Մեկ Ryzen AI Max+ 395 միավոր 128 ԳԲ unified հիշողությամբ, llama.cpp-ն
ամրագրված digest-ով, սպասարկում է 35B դասի MoE։ Առօրյա հարցումներ.
առաջին պատասխան-թոքենը
**210 ms** ([strix.qwen36.interactive2.c1.ttfa-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c1.ttfa-nothink/))-ում։ Չորս
միաժամանակյա չաթ.
**338 ms** ([strix.qwen36.interactive2.c4.ttfa-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c4.ttfa-nothink/)) մինչև
առաջին բառը, ավարտվածությունը պահվում է
**100.0 % of requests** ([strix.qwen36.interactive2.c8.completion-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c8.completion-nothink/))-ի
վրա նույնիսկ ութ հոսքի դեպքում։ 32k թոքենանոց փաստաթուղթը նախապես արժե
**33965 ms** ([strix.qwen36.longctx.c1.ttft-32k-en](https://agmind.ai/claims/strix.qwen36.longctx.c1.ttft-32k-en/)), իսկ երեք ժամ
շարունակական սպասարկումը տեմպը պահեց
**30.0 ms/token** ([strix.qwen36.endurance.c4.itl-median](https://agmind.ai/claims/strix.qwen36.endurance.c4.itl-median/))-ի վրա։
Ամբողջական աղյուսակները
[բենչմարքների պահոցում են](https://github.com/botAGI/strix-halo-llm-benchmarks)
և [128 ԳԲ հաշվետվության մեջ](https://agmind.ai/hy/reports/what-128gb-unified-memory-runs/)։

## Ինչ արեց DGX Spark զույգն իրապես

Երկու GB10 միավոր 200G կապի վրայով vLLM-ի միջոցով սպասարկեցին
DeepSeek-V4-Flash-ը — 284B պարամետրանոց MoE — բավական կայուն, որ
հրապարակվեն [հում գործարկումները](https://github.com/botAGI/dspark-0731-gb10)
և [բաղադրատոմսը՝ նշված թակարդներով](https://agmind.ai/hy/reports/deepseek-v4-flash-0731-dgx-spark-recipe/)։
Զույգն անցավ կոնտեքստի կորը մինչև միլիոն թոքեն և
[ասաց ճշմարտությունը հաշվի մասին](https://agmind.ai/hy/reports/dspark-speculative-1m-dgx-spark/).
դեկոդը խորության վրա հարթակվում է, բայց միլիոն թոքենանոց պատուհանի
առաջին լցնումը իրադարձություն է, որ պլանավորում ես, ոչ թե հարցում, որ
պարզապես ուղարկում ես։ Գործարկումը հասցնելը իրական աշխատանք էր —
[միջուկի ընտրության դրոշը](https://agmind.ai/hy/reports/dsv4-flash-moe-backend-dgx-spark/),
որն ավտոմատ ռեժիմը բաց է թողնում, արագ կոնֆիգուրացիան բաժանում է
նրանից, որ մարդկանց մեծ մասը չափում է, իսկ ստանդարտ GPU մոնիտորինգը
[լավագույն դեպքում կիսով չափ է աշխատում](https://agmind.ai/hy/reports/dgx-spark-gpu-monitoring/)։
Գնորդի պատասխանը, ներառյալ՝ ով չպիտի գնի,
[առանձին էջ է](https://agmind.ai/hy/reports/dgx-spark-worth-it/)։

## Ո՞ր տուփը որ workload-ի համար

Չափվածից ելնելով, ոչ սպեկ-թերթիկներից։ Անձնական օգնական, փոքր թիմի
չաթ-տուփ, փաստաթղթերի Q&A տասնյակ հազարավոր թոքենների միջակայքում,
JSON-ավտոմատացում. Strix Halo տուփն այս ամենն անում է այսօր, հանգիստ,
վերևի թվերով։ Բաց MoE-ների ամենամեծ դասը սեփական տանիքի տակ
սպասարկելը, կամ երկար կոնտեքստի հետազոտություն, որտեղ միլիոն թոքենանոց
պատուհանն արդարանում է. ահա ինչ արեց Spark զույգը չափելիորեն, և մեր
ստենդներում այս չափի ոչինչ դրան չհավասարվեց։ Եթե ձեր հարցը «որը՝
տնային օգնականի համար» է, ընտրում եք չափված այո-ի և գերորակավորված
գուցե-ի միջև։ Եթե ձեր հարցը «կարո՞ղ եմ ֆրոնտիր բաց մոդելները սպասարկել
լոկալ» է, այս պլատֆորմներից միայն մեկը դա արեց մեր լաբորատորիայում —
որպես զույգ, կարաններով։

## Ինչո՞ւ մեր թվերը չեն համընկնում ձեր կարդացած ակնարկների հետ

Որովհետև երկու պլատֆորմների հրապարակված թվերի մեծ մասը քողարկված
կոնֆիգներ են. չնշված workload-պրոֆիլներ, տեղաշարժված դեֆոլտներ,
թարմացումից առաջվա firmware։ Եվս մեկ որբ թիվ ավելացնելու փոխարեն
գրեցինք
[իրար հակասող Spark թվերի հաշտեցումը](https://agmind.ai/hy/reports/dspark-speed-numbers-disagree/)
և [արձանագրություն](https://agmind.ai/hy/reports/how-to-benchmark-local-llm/)՝ այնպիսի
թվեր հրապարակելու, որոնց հետ հնարավոր է վիճել։ Երկուսն էլ վերաբերում են
այս էջի ցանկացած թվին։

## Ինչ մենք ՉԵՆՔ չափել

Մաքուր համեմատությունը — նույն մոդելը, նույն runtime-ը, նույն
workload-ը, երկու տուփն էլ, մեկ harness — դեռ գոյություն չունի, ոչ
այստեղ, ոչ որևէ տեղ, որ կարողացանք գտնել։ Մեր Strix ուղին Qwen3.6-ն ու
gemma-4-ը քշեց llama.cpp-ի տակ; մեր Spark ուղին DeepSeek-V4-Flash-ը՝
vLLM-ի տակ։ Ցանկացած աղյուսակ, որ այդ թվերը կդներ հարևան սյունակներում,
կարտադրեր ճիշտ այն ֆոլկլորը, որը հերքելու համար մենք գոյություն ունենք,
ուստի այս էջում այդպիսի աղյուսակ չկա։ Նույն harness-ով միջսարքային
բջիջը պլանավորված է; երբ այն հասնի, նրա claim-երը կկրեն համակարգային
մակարդակի համեմատության շրջանակ, և այս էջը կփոխարինվի ավելի լավով։
Մինչ այդ. երկու ազնիվ սյունակ ավելի լավ են, քան մեկ կեղծ աղյուսակ։

Վերևի ամեն Strix թիվ ունի մշտական էջ՝ հում գործարկումներով,
[claim-երի ռեեստրում](https://agmind.ai/hy/claims/); ամեն Spark պնդում հղում է իր
հրապարակված գործարկումների պահոցին։

---

Machine-readable claim registry: https://agmind.ai/claims.json · llms.txt: https://agmind.ai/llms.txt