# Beelink GTR9 Pro под локальные нейросети: что показали два юнита за месяц обслуживания > Обзоры гоняют эту коробку неделю. Мы купили две, заморозили ворклоады и с тех пор на них обслуживаем модели: рабочий софтовый стек, измеренные цифры, где два юнита сошлись — и то, за что мы всё ещё не ручаемся. - Published: 2026-08-21 - Evidence level: lab_repeated - Funding: Собственное финансирование, внутреннее исследование - Canonical: https://agmind.ai/ru/reports/beelink-gtr9-pro-local-llm/ Два коммерчески одинаковых Beelink GTR9 Pro — Ryzen AI Max+ 395, 128 ГБ unified-памяти LPDDR5X-8000, Radeon 8060S (gfx1151), два порта 10GbE — это машины, на которых получено большинство цифр в нашем реестре клеймов. Эта страница о том, чему научил месяц настоящего обслуживания на них: какой софтовый стек работает, что коробка измеримо делает, где два юнита сошлись и за что мы по-прежнему не ручаемся. ## Зачем две одинаковые коробки Затем, что по одной коробке не понять, что вы измерили: свойство железа или причуду конкретного экземпляра. Со второй коробкой замер перестаёт быть байкой: один и тот же замороженный ворклоад, тот же запиненный рантайм и артефакт модели, прогнанные на обеих. Клеймы уровня `lab_unit_replicated` в нашем реестре — те, где картина повторилась на обеих машинах; ровно это уровень и означает, и ровно поэтому у нас дубль, а не две разные коробки. ## Софтовый стек, который работает Конфигурация, на которой сегодня работает наша обслуживающая нода, считана с машины, а не с вики: ``` kernel 7.0.0-28-generic Vulkan RADV (GFX1151), Mesa 25.2.8 runtime llama.cpp server, pinned by image digest ``` Обслуживаем мы по Vulkan через RADV. ROCm на этом железе тоже работает, и оба бэкенда прошли все гейты корректности, которые мы перед ними ставили, — разница вышла в темпе декода, а не в качестве, и [сравнение бок о бок лежит на отдельной странице](https://agmind.ai/ru/compare/llamacpp-vulkan-vs-rocm-strix-halo/). По сети: оба интерфейса 10GbE были подняты всё это время; Wi-Fi у нас выключен — обслуживающему узлу радиолинк держать незачем. Единственный пункт конфигурации, который стоит прочитать до покупки: выделение памяти под Linux работает не так, как подсказывает меню BIOS, и загрузятся ли большие модели, решает [параметр ядра](https://agmind.ai/ru/reports/strix-halo-memory-allocation/), а не ползунок в прошивке. Та страница существует потому, что сначала это стоило нам времени. ## Что коробка делает MoE класса 35B на Q4_K_M, повседневные запросы, рассуждения выключены: первый токен ответа за **210 ms** ([strix.qwen36.interactive2.c1.ttfa-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c1.ttfa-nothink/)), декод идёт на **15.9 ms/token** ([strix.qwen36q4.vulkan.c1.itl-nothink](https://agmind.ai/claims/strix.qwen36q4.vulkan.c1.itl-nothink/)). На четырёх одновременных чатах ожидание первого слова становится **338 ms** ([strix.qwen36.interactive2.c4.ttfa-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c4.ttfa-nothink/)), на восьми — **865 ms** ([strix.qwen36.interactive2.c8.ttfa-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c8.ttfa-nothink/)), а завершаемость держится на **100.0 % of requests** ([strix.qwen36.interactive2.c8.completion-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c8.completion-nothink/)). Структурированная автоматизация: задачи со строгим JSON выполнялись на **100.0 % of requests** ([strix.qwen36.structured.c1.task-success-nothink](https://agmind.ai/claims/strix.qwen36.structured.c1.task-success-nothink/)). Поиск по длинному контексту на документах до 32k токенов — **100.0 % of requests** ([strix.qwen36.longctx.c1.needle-success](https://agmind.ai/claims/strix.qwen36.longctx.c1.needle-success/)), а счёт за префилл на таком размере документа — **33965 ms** ([strix.qwen36.longctx.c1.ttft-32k-en](https://agmind.ai/claims/strix.qwen36.longctx.c1.ttft-32k-en/)): именно эту цифру и надо закладывать в документные процессы. Полные измеренные таблицы лежат в [репозитории бенчмарков](https://github.com/botAGI/strix-halo-llm-benchmarks), а у каждой цифры есть постоянная страница в [реестре](https://agmind.ai/ru/claims/). ## Держит ли она как обслуживающий узел Три непрерывных часа на конкурентности четыре сдвинули темп декода на **1.6 %** ([strix.qwen36.endurance.c4.itl-drift-180m](https://agmind.ai/claims/strix.qwen36.endurance.c4.itl-drift-180m/)), при медиане **30.0 ms/token** ([strix.qwen36.endurance.c4.itl-median](https://agmind.ai/claims/strix.qwen36.endurance.c4.itl-median/)) — и так на обоих юнитах, с одинаковой формой кривой. [Отчёт о длительной нагрузке](https://agmind.ai/ru/reports/strix-halo-sustained-load-3-hours/) — это длинная версия ответа на вопрос «уйдёт ли эта штука в троттлинг, если ею действительно пользоваться». Помимо замороженных тестов есть свидетельство помягче: один из юнитов на момент написания держится больше недели непрерывной смешанной работы, обслуживая модели, пока мы заняты другим. Аптайм — не бенчмарк, и мы его за бенчмарк не выдаём, но коробка, которую надо нянчить, тихих недель не набирает. ## За что мы не ручаемся **Два юнита — не партия.** Всё выше описывает наши две машины. Производственный разброс, ревизии и различия прошивок по всему тиражу — ровно то, чего двумя образцами не измерить, и [страница стендов](https://agmind.ai/ru/testbed/) называет этот предел прямо. **Мы не проверяли её как десктоп.** Ни вывода на монитор, ни игр, ни температур под графической нагрузкой на GPU: это обслуживающие узлы, и мерили мы обслуживание. **Никаких сравнений с коробками, которых у нас нет.** Тот же кремний ставят и другие вендоры, а подборки, сравнивающие их между собой, легко писать и невозможно проверить. Эту мы померили потому, что она у нас есть. **Никаких советов по цене.** Цены на железо гуляют; лаборатория их не публикует. ## Если она у вас уже есть Прогоните замороженные ворклоады сами — [харнесс открыт](https://github.com/botAGI/agmind-bench), а [контракт воспроизведения](https://agmind.ai/ru/reproduce/) означает, что подтверждённый независимый прогон поднимает уровень доказательности клейма, а провалившийся тоже публикуется. Второй, третий и четвёртый GTR9 Pro в чужих руках — вот что превратит «два юнита сошлись» во что-то покрепче, чем согласие двух юнитов. --- Machine-readable claim registry: https://agmind.ai/claims.json · llms.txt: https://agmind.ai/llms.txt