想在家跑200B大模型？AMD Halo 3999 美元 vs DGX Spark 4699 美元，别光看价签

想在家跑大模型，被价格吓退的人很多

本地跑大模型的念头，基本都死在同一个问题上：硬件多少钱。随便一看，英伟达的小主机标价四五千美元，加上散热、电源、机箱，整机下来三四万人民币，直接劝退。但你可能没注意到，AMD 在 10 月把对手的价格体系撕开了一个口子：官方零售价 $3999 对 $4699，而且同样能跑 120B-200B 参数的模型。

这篇把两台机器的真实对比、每块钱能买到什么、谁适合买哪台，讲清楚。

两台机器是什么

NVIDIA DGX Spark：基于 Grace Blackwell 架构的桌面 AI 超级计算机，集成 GPU、CPU、网络、CUDA 库和全套 NVIDIA AI 软件，官方零售价 4699 美元，宏碁、华硕、戴尔、技嘉、HPI、联想、微星都有整机方案。

AMD Ryzen AI Halo：Ryzen AI Max+ 平台，128GB 统一内存，支持本地运行最高 200B 参数模型，官方零售价 3999 美元。AMD 官方页面直接拿它和 DGX Spark 对标：测试在 GPT OSS 120B、Qwen 3.5 122B、Qwen 3.5 6B 三个模型上各跑 3 次取平均。

两个数字先记住：价差 700 美元（3999.99 vs 4699），带宽差 6.6%。

带宽这个数字得放回场景里看：单用户、单条长对话，256 GB/s 和 273 GB/s 的体感差距就在个位数百分比；可一旦并发上去、上下文拉长，差距会被放大。所以「差 6.6%」既不能忽略，也不是决定性因素——关键看你是不是经常几个任务一起跑。网上传的「AMD 便宜一大截、1 万块以内」说的不是这台 Halo，是更入门的型号，别被标题带偏。

每块钱能装下多少模型

这是本地跑模型最该算的账：不是「谁便宜」，是「每块钱能跑多大的模型」。

• AMD Halo：$3999 跑 200B 以内模型（官方口径），128GB 统一内存是核心优势——大模型吃的是显存/内存，不是算力标称值
• DGX Spark：$4699 跑 120B 级别模型为主，CUDA 生态和软件栈是它的护城河

粗算一下：Halo 每 1000 美元对应约 32GB 可用内存（128/4），Spark 的性价比口径则主要靠软件生态而非纯内存。对「想把模型装进自己电脑、不依赖云端」的人，内存大小往往比算力大小更决定体验。

为什么「别光看价签」

价格只回答「买得起吗」，回答不了「跑得动吗」和「用着顺吗」。三个维度必须一起看：

1. 生态：DGX Spark 有 CUDA、NVIDIA AI 软件栈、成熟的推理框架支持；AMD 这边生态在快速追赶，但「开箱即用」的成熟度仍有差距

2. 功耗与噪音：两者都是小主机形态，功耗和噪音远低于服务器，但具体数字要实测——别被「紧凑」迷惑

3. 你的场景：纯跑开源模型推理（Qwen、DeepSeek 本地版），内存优先选 Halo；要跑 CUDA 依赖的框架、要无缝接现有 NVIDIA 工作流，Spark 更省心

AMD 官方那组对比测试（GPT OSS 120B / Qwen 3.5 122B / Qwen 3.5 6B 各 3 次取平均）是 2026 年 5 月跑的，作为参考可以，下单前建议拿你自己要跑的模型实测一次。

三种人分别怎么选

AI 研究者 / 极客：经常跑大模型推理实验，预算敏感——Halo 的 128GB 统一内存 + 低 700 美元，性价比更高，但先确认你的框架支持 AMD。

开发者 / 创作者：日常写代码、做视频、跑小模型，两块都够用——按「你现有的开发环境是谁家生态」选，别为省 700 美元换一整套工具链。

想省钱但不想折腾的人：先把「你真需要本地跑吗」想清楚——如果只是偶尔用，云端按量付费一个月几十块，比买一台 3 万人民币的小主机划算得多。

四个坑，下单前必看

1. 价差是官方零售价：整机价格各家渠道不同，实际到手价差可能小于或大于 700 美元，货比三家

2. 内存 ≠ 可用显存：128GB 是统一内存，跑 200B 模型要看量化精度和上下文长度，标称支持 ≠ 体验流畅

3. 生态差异是隐藏成本：AMD 上跑不动的框架，省下的 700 美元会从折腾时间上还回去

4. 别为了「本地」而本地：算清楚使用频率，低频用户云端更省

国内入手：多少钱、怎么买

官方价是美元零售价，国内到手价要叠加三笔账：

1. 税率：进口硬件通常有增值税和可能的关税，按 13% 增值税粗算，3999 美元 ≈ 2.85 万人民币（按 7.1 汇率），4699 美元 ≈ 3.34 万人民币

2. 渠道溢价：首批/整机方案通常比官方价贵 5%-15%，急用就多花，能等就等

3. 国行/水货差异：国行有保修但可能绑定整机方案，水货便宜但售后靠人品

结论：两台的国内到手价差，大概率在 5000-8000 元人民币之间。这个数字对个人用户不小，对团队则是「要不要为生态多付这笔钱」的决策题。

除了这两台，还有谁

本地跑大模型的硬件不只有这两家，三条路线一起看：

• Mac Studio（M3 Ultra）：统一内存路线，生态成熟、功耗低、安静，性价比和 Halo 在一个档位，适合 macOS 工作流用户
• RTX 3090 三卡 DIY 装机：二手 3090 单卡约 5000-6000 元，三卡总成本 2 万以内，显存 72GB，适合愿意折腾的玩家，但功耗和机箱散热是硬伤
• 云按量付费：偶尔用的场景，GPU 实例按小时租，一个月几十块到几百块，彻底绕开硬件折旧

把四张路线放一起看：预算 2 万内选 DIY，2-3 万选 Halo/Mac，3 万以上看 Spark 生态，低频用户直接上云。没有「最好」，只有「最适合」。

最后给个最省事的判断法：如果你现在的模型工作流已经跑在 NVIDIA 上、而且没什么痛点，就别为省 700 美元换平台；如果你是从零开始、主要跑开源模型和 ComfyUI 这类工具，Halo 的内存和价格更对路。真拿不准，就按你最常用的那个模型去搜实测数据——别人的结论只能参考，你的模型跑在你自己的任务上，才是唯一算数的 benchmark。省钱的终点不是买便宜的，是买完不后悔。

现在可以动手的三件事

1. 列出你准备本地跑的 3 个模型（含参数规模和量化精度），算一下各自需要多少内存

2. 拿你的模型分别查两台机器的实测数据（Reddit、B 站评测、官方 benchmark），别只看发布会

3. 把「整机到手价 + 生态迁移成本 + 电费噪音」算成一张总成本表，再决定

本地跑大模型是件好事，但好的定义是「适合你的场景 + 算得清的总成本」。价格只是第一关，过了这一关，后面还有生态、功耗、体验三关等着你。