معیار: نوت بوک RTX Spark انویدیا محاسبات محلی هوش مصنوعی جدی را با قیمتی ارائه می کند

سیستم‌های شریک RTX Spark انویدیا اینجا هستند، و مشخصات برای مشخصات آن‌ها همه مواد لازم را برای موفقیت در اختیار دارند: یک CPU قوی، گرافیک یکپارچه فوق‌العاده سریع، و حداکثر ۱۲۸ گیگابایت حافظه یکپارچه در یک بسته سبک وزن و فوق‌العاده که آماده اجرای مدل‌های درخواستی به صورت محلی است. اما با توجه به اینکه قیمت این سیستم‌ها از حدود 2600 دلار شروع می‌شود و برای تریم‌های با مشخصات بالا از 6000 دلار می‌گذرد، تنها چیزی که RTX Spark نیست، معامله خوبی است.

با این حال، برای شخص مناسب، که منظور ما بیشتر مشتاقان هوش مصنوعی، محققان و/یا متخصصان خلاق است که به هزاران حافظه ویدیویی نیاز دارند و نمی‌خواهند در باغ دیواری اپل گم شوند یا اکوسیستم CUDA انویدیا را به ROCm AMD ترجیح می‌دهند، RTX Spark هنوز چیزهای زیادی برای ارائه دارد. به این ترتیب، ما تا حد زیادی بر موارد استفاده از هوش مصنوعی عامل محلی تمرکز خواهیم کرد.

ثبت این هفته این فرصت را داشت که OmniBook Ultra، چرخش منحصر به فرد HP را روی پلتفرم RTX Spark، از طریق یک سری معیارهای هوش مصنوعی قرار دهد تا ببیند چقدر خوب عمل می کند. و هشدار اسپویلر: به سختی می توانید یک نوت بوک ویندوزی سریعتر برای هوش مصنوعی محلی پیدا کنید. اما قبل از پرداختن به عملکرد، بیایید نگاهی دقیق‌تر به خود سخت‌افزار بیندازیم. کیفیت بدون افت کیفیت با برداشتن درب OmniBook Ultra 16، اولین چیزی که توجه شما را جلب می کند صفحه نمایش لمسی OLED با رزولوشن 2880x1800 پیکسل با نسبت تصویر 16:10 است. صفحه نمایش لمسی در نوت بوک های حرفه ای می تواند یک موضوع بحث برانگیز باشد.

شما یا آنها را دوست دارید یا از آنها متنفر هستید، اما در نهایت، اگر تصور اثرانگشت مبهم کردن کار شما باعث توقف شما شود، هیچ کس شما را مجبور به استفاده از آن نمی کند و ما از دیدن آن در اینجا خوشحالیم. صفحه نمایش OmniBook Ultra بر روی یک مکانیزم لولای سخت و شگفت آور نصب شده است که در بالای شاسی نصب شده است. این مزیت این است که لولا را از خروجی اگزوز نوت بوک دور نگه می دارد، که به نوعی مهم است زیرا سیستم روی تراشه 20 هسته ای N1X که واحد بررسی ما را تغذیه می کند داغ است.

تهویه کافی سیستم، بیشتر گرما را در اطراف پایه نمایشگر متمرکز می کند و در بیشتر موارد، از صفحه کلید دور نگه می دارد. وقتی صحبت از صفحه کلید شد، فیجت های رقمی OmniBook Ultra کمی عقبگرد هستند. به جای کلیدهای چیکلتی که اکنون در همه جا وجود دارد و اپل در اوایل دهه 10 محبوبیت خود را به دست آورد، HP به سراغ یک صفحه کلید نوت بوک سنتی تر رفته است که به نظر ما تایپ کردن با آن بسیار آسان است.

البته صفحه‌کلیدها ذهنی هستند، بنابراین اگر سؤالی در مورد اینکه آیا این صفحه‌کلید برای شما مناسب است وجود دارد، ممکن است ارزش آن را داشته باشد که به فروشگاه بزرگ محلی خود سفر کنید تا قبل از اینکه متعهد شوید، یک نوک زدن خوب به او بدهید. قاب صفحه کلید یک جفت مشبک بلندگو است که توسط چهار تقویت کننده Cirrus Logic پشتیبانی می شود که برای یک نوت بوک ویندوز عالی به نظر می رسد، اما نمی تواند کاملا با وضوح و باس مک بوک پروهای اپل مطابقت داشته باشد. با این گفته، ما انتظار نداریم که کسی از بلندگوهای OmniBook Ultra ناامید شود. درست در زیر صفحه کلید یک پد لمسی وجود دارد که به همان اندازه دقیق است.

هیچ محصولی در این کلاس قیمتی نباید با مکانیزم تخته غواصی در سال 2026 ارسال شود، بنابراین خوشحالیم که می بینیم HP برای ما ارزانی نداشته است. با حرکت به کناره‌های نوت‌بوک، مجموعه‌ای از پورت‌های با طراوت را خواهید یافت که شامل: پورت ترکیبی میکروفون هدفون 3.5 میلی‌متری است. 2 پورت USB-4 نوع C (40 گیگابیت در ثانیه) HDMI 2x USB-A (10 گیگابیت در ثانیه). MicroSD تنها انتقاد واقعی ما در اینجا این است که OmniBook Ultra مانند سایر لپ تاپ ها فاقد اسلات کارت SD با اندازه کامل است.

کارت‌های MicroSD راحت هستند، اما به طور گسترده در محیط‌های حرفه‌ای مورد استفاده قرار نمی‌گیرند و ما ترجیح می‌دهیم یک کارت‌خوان SD با اندازه کامل یا بهتر از آن یک کارت‌خوان CFexpress ببینیم. با این حال، اگر نگوییم غیرممکن است، به ندرت می توان این موارد را در نوت بوک ها مشاهده کرد. وزن این شاسی 4.89 پوند است و از آلومینیوم آسیاب شده است و در قسمت کف دست، درب و پانل‌های زیرین، ظاهر فوق‌العاده‌ای دارد. HP کار خوبی را در ساخت نوت بوکی انجام داده است که به همان اندازه قدرتمند است.

در شکم هیولا در حالی که OmniBook Ultra یک ماشین کاملا خوب است، جذابیت اصلی هر یک از سیستم‌های RTX Spark تراشه N1X است که به آنها انرژی می‌دهد. SoC دارای یک چیپلت CPU مشتق شده از MediaTek است که با استفاده از بسته بندی پیشرفته و اتصال NVLink Fusion تراشه به تراشه Nvidia به یک GPU Blackwell ترکیب شده است. N1X در دو نوع ارائه می شود: یک نسخه سطح اولیه با 18 هسته CPU و یک GPU با 5120 CUDA. در همین حال، SKU بالاترین سطح - همان موردی که در واحد بررسی ما یافت می شود - دارای حداکثر 20 هسته CPU و یک GPU با 6144 هسته CUDA است.

اگر تعجب می کنید، این دقیقا همان عددی است که در RTX 5070 انویدیا با دسترسی به حافظه بسیار بیشتر یافت می شود. توجه داشته باشیم که همه آن هسته‌های CPU یکسان ساخته نمی‌شوند. مانند اکثر SoC های مبتنی بر Arm، N1X حاوی ترکیبی از هسته های بزرگ و کوچک است. به طور خاص، مکملی برابر از هسته های Arm X925 و Cortex A725 دارد. در حالی که همه اینها چشمگیر به نظر می رسد، شایان ذکر است که این تراشه واقعا جدید نیست. N1X به شدت بر اساس GB10 است که بیش از یک سال پیش در DGX Spark مبتنی بر لینوکس راه اندازی شد. با این اوصاف، بهبودهایی صورت گرفته است.

در Hot Chips 2025، ما یاد گرفتیم که GB10 از حافظه تا 9400 MT/s پشتیبانی می کند. اما، زمانی که DGX Spark بالاخره در پاییز آن سال وارد بازار شد، تنها دارای حافظه 8533 MT/s بود. N1X با افزایش پهنای باند حافظه تا حدود 300 گیگابایت بر ثانیه این مشکل را برطرف می کند. پهنای باند حافظه بالاتر معمولا به تولید توکن سریعتر در استنتاج هوش مصنوعی و بارهای کاری عامل ترجمه می شود. بنابراین، در حالی که افزایش نسبتا متوسطی در پهنای باند نسبت به 273 گیگابایت بر ثانیه DGX Spark دارد، اما همچنان یک افزایش معنادار است. و این ما را به عملکرد می رساند.

دستیار هوش مصنوعی شخصی شما حجم کاری مدرن زیادی وجود ندارد که واقعا به ۱۲۸ گیگابایت حافظه یکپارچه نیاز داشته باشد، اما هوش مصنوعی محلی مطمئنا یکی از آنهاست. در حالی که مطمئنا می‌توانید با کمتری از آن فرار کنید، درها را به روی مدل‌هایی باز می‌کند که شات مناسبی برای جایگزینی چیزی مانند Claude Code یا Codex دارند. در واقع، مایکروسافت بر این باور است که آینده ویندوز مربوط به رایانه‌های شخصی Copilot+ خواهد بود که می‌توانند ترکیبی از مدل‌های محلی و راه دور را با اعلان‌هایی که بر اساس مواردی مانند پیچیدگی یا حریم خصوصی بین آنها مسیریابی می‌شوند، اجرا کنند. ردموند این تکنیک را هوش ترکیبی می نامد.

اما حتی با وجود 128 گیگابایت حافظه مشترک، شما هنوز در مورد مدل هایی که واقعا می توانند جا شوند تا حدودی محدود هستید. دلیلش این است که برخلاف لینوکس که حافظه را در صورت نیاز به صورت پویا به GPU DGX Spark اختصاص می‌دهد، ویندوز کاملا هوشمند نیست. HP OmniBook Ultra با تقسیم 50:50 با 64 گیگابایت به ترتیب به CPU و GPU عرضه شد. این را می توان در صورت نیاز پیکربندی مجدد کرد، اما دقیقا ایده آل نیست. خبر خوب این است که با نرم افزار مناسب، می توانید این مشکل را حل کنید.

Llama.cpp، یکی از محبوب‌ترین چارچوب‌های استنتاج محلی LLM، امکان سرریز شدن به حافظه CPU را در صورت نیاز فراهم می‌کند و از آنجایی که CPU و GPU حافظه یکسانی دارند، جریمه عملکرد تقریبا به اندازه زمانی که از یک GPU اختصاصی استفاده می‌شود شدید نیست. با این حال، شما باید چیزهای بیشتری از وزن مدل را در حافظه جا دهید. برای مهارهای AI عاملی مانند Claude Code، مدل‌ها باید از پنجره‌های زمینه بزرگ با 128000 توکن پشتیبانی کنند. بسته به مدل، می‌تواند حافظه زیادی را از بین ببرد. بحث مدل های موجود هم هست.

در حالی که از نظر تئوری می‌توانید یک مدل پارامتری 200 میلیاردی را با استفاده از Llama.cpp روی یک RTX Spark قرار دهید، واقعا مدل‌های زیادی با این اندازه وجود ندارد. عملکرد دسته 1 از آنجایی که پلتفرم RTX Spark انویدیا با ویندوز عرضه می شود، ما تمام آزمایش های خود را با استفاده از نسخه v0.6.0 Llama.cpp در پنج مدل توسعه یافته توسط متا، گوگل و علی بابا در اندازه های حدود 26 تا 122 میلیارد پارامتر انجام دادیم. اولین آزمایش ما محیطی شبیه ربات چت را شبیه سازی می کند که هر سیستم و مدل را وظیفه پردازش و تولید یک ورودی و خروجی 256 توکن می دهد.

در اینجا دو معیار وجود دارد که ارزش توجه به آن‌ها را دارد: Time to first token (TTFT) زمان مورد نیاز برای پردازش اعلان توسط GPU را بر حسب میلی‌ثانیه اندازه‌گیری می‌کند و به طور کلی عملکرد محاسباتی GPU را منعکس می‌کند. توکن در ثانیه (Tok/s) کمی واضح‌تر است و نشان می‌دهد که سیستم با چه سرعتی می‌تواند پس از پردازش درخواست، توکن‌ها را تولید کند. به نام رمزگشایی، تولید توکن معمولا به پهنای باند حافظه بستگی دارد، بنابراین حافظه سریعتر در اینجا عملکرد بهتری دارد. در سراسر مجموعه آزمایشی ما، مقیاس‌های عملکرد را با اندازه مدل و تعداد پارامترهای فعال می‌بینیم.

HP OmniBook Ultra در مقابل سیستم‌های Strix Halo AMD و سیستم‌های DGX Spark قبلی انویدیا، که باز هم نقاط مقایسه ایده‌آلی نیستند، زیرا رایانه‌های شخصی کوچک با سیستم‌های خنک‌کننده قوی‌تر هستند، HP OmniBook Ultra عملکرد بسیار خوبی دارد. در Qwen3.6-35B-A3B - سریع‌ترین مدلی که روی هر یک از سیستم‌ها آزمایش کردیم - حافظه سریع‌تر N1X به آن برتری نسبت به DGX Spark در تولید توکن داد. به نظر می رسد GB10 عملکرد محاسباتی کمی بالاتری ارائه می دهد، شاید به دلیل حرارت بهتر.

هر دو سیستم مبتنی بر انویدیا عملکرد بهتری نسبت به پلتفرم Strix Halo AMD در آزمایش‌های ما ارائه می‌کنند، اگرچه این نباید تعجب‌آور باشد. بر روی کاغذ، Strix Halo عملکرد و پهنای باند حافظه کمتری را نسبت به هر یک از تراشه‌های انویدیا ارائه می‌دهد و ما بارها این را در آزمایش‌های سال گذشته نشان داده‌ایم. امتیاز صرفه جویی AMD این است که به طور مداوم ارزش بهتری ارائه می دهد. عوامل هوش مصنوعی محلی در حالی که معیارهای مقیاس بندی دسته ای و زمینه ما برای کمی کردن عملکرد سیستم در بین مدل ها مفید هستند، آنها لزوما نشان دهنده نحوه استفاده از مدل های محلی امروزی نیستند.

اگر اعداد ما در مقایسه با سایر معیارهای N1X و GB10 کمی پایین به نظر می‌رسند، به این دلیل است که نتایج تک دسته‌ای ما از ذخیره‌سازی پیش‌پر یا رمزگشایی گمانه‌زنی استفاده نمی‌کنند. اگر آشنا نیستید، ذخیره‌سازی پیش‌پر به سرعت پردازش سریع اطلاعاتی که مدل قبلا دیده است کمک می‌کند. در عین حال، رمزگشایی گمانه‌زنی شامل استفاده از یک مدل پیش‌نویس کوچک برای پیش‌بینی خروجی‌های یک مدل بزرگتر است. در بارهای کاری بسیار تکراری، مانند کدگذاری عاملی، رمزگشایی سوداگرانه سرعت تولید توکن را 2 تا 3 برابر بدون افت کیفیت می‌دهد.

عوامل هوش مصنوعی، مانند دستیاران کد، از همان اعلان‌ها، مبانی کد و منابع به صورت بازگشتی عبور می‌کنند، که آنها را کاندیدهای اصلی برای هر دو تکنیک می‌کند. در معیارهای دنیای واقعی، خط کلی بدون تغییر باقی می ماند تا عملکرد کلی بالای این سیستم ها مشاهده شود. این تست عملکرد سیستم را هنگام اجرای یک گردش کار کدگذاری عاملی با استفاده از مهار کد Qwen Alibaba (که نباید با مدل‌های خانواده Qwen-Coder اشتباه گرفته شود) اندازه‌گیری می‌کند و اندازه می‌گیرد که هر سیستم و مدل با چه سرعتی می‌توانند مشکل بسته‌بندی bin را حل کنند.

این به یکی از پدیده‌های جالب‌تر می‌پردازد که در اطراف هوش مصنوعی عاملی رخ داده است. تولید توکن سریع‌تر لزوما به معنای زمان سریع‌تر برای حل نیست. مدل‌های هوشمندتر اما کندتر اگر از نشانه‌های کمتری برای رسیدن به پاسخ صحیح استفاده کنند، همچنان می‌توانند سریع‌تر باشند. و ما آن را در اینجا می بینیم. مدل‌های بزرگی مانند Qwen3.5-122B-A10B در سیستم‌های آزمایشی ما کندتر کار می‌کردند و توکن‌ها را تقریبا نصف سرعت مدل کوچک‌تر پارامتر 35B تولید می‌کردند. با این حال، زمان متوسط ​​برای حل تقریبا 40 ثانیه سریعتر در مدل بزرگتر بود زیرا تنها به کسری از توکن ها نیاز داشت.

با این اوصاف، با توجه به هزینه شدید حافظه در حال حاضر، ما معتقدیم نقطه شیرین دستیاران کد هوش مصنوعی محلی چیزی در محدوده 20 تا 60 میلیارد پارامتر است، که به اندازه کافی کوچک است تا در نسخه های ارزان تر 64 گیگابایتی سیستم های RTX Spark انویدیا اجرا شود. مشکلات دندان درآوردن همانطور که ممکن است انتظار داشته باشید، هر پلتفرم جدیدی در زمان راه‌اندازی چند مشکل رو به رشد خواهد داشت. زمانی که اینتل هسته های کارایی و کارایی خود را معرفی کرد و زمانی که کوالکام تراشه های اسنپدراگون X Elite مبتنی بر Arm خود را به رایانه شخصی آورد، مطمئنا درست بود. پلتفرم RTX Spark انویدیا نیز تفاوتی ندارد.

در طول آزمایش، ما مشکلاتی را در مورد دریچه گاز حرارتی یا بهتر بگوییم کمبود آشکار آن مشاهده کردیم. تحت یک بار استنتاج ثابت هوش مصنوعی، گاه به گاه قفل شدن و در یک مورد، مصنوعات گرافیکی را تجربه کردیم زیرا GPU از 90 درجه سانتیگراد فراتر رفت. استنتاج و آموزش هوش مصنوعی برخی از منابع فشرده‌ترین حجم کاری هستند که تا به حال توسعه یافته‌اند و نامیدن آن‌ها به عنوان ویروس‌های منبع نادرست نیست. بنابراین جای تعجب نیست که یک بار استنتاج پایدار در طول چندین ساعت ممکن است سیستم مدیریت حرارتی نازک و سبک را تحت تأثیر قرار دهد.

در شرایط واقعی دنیای واقعی، ما انتظار نداریم که این یک مشکل باشد. حتی چند ثانیه بین اعلان‌ها برای ثابت ماندن نوت‌بوک و بدون آثار هنری کافی بود. با این اوصاف، اگر امیدوار بودید LLM ها را تنظیم کنید، ممکن است بخواهید به DGX Spark انویدیا یا هر یک از ایستگاه های کاری هوش مصنوعی مبتنی بر GB10 از HP، Dell، Lenovo و دیگران نگاه کنید. شاسی بزرگتر و سیستم های مدیریت حرارتی آنها آنها را کاندیدای بسیار بهتری برای فرآیند اغلب چند ساعته مدل های تنظیم دقیق می کند. پشتیبانی نرم افزاری از PyTorch نیز در لینوکس کمی بهتر از ویندوز است.

فراتر از سیستم خنک‌کننده‌ای که شاید برای چیزی که قرار است یک SoC 140 واتی باشد، کمی خوش‌بینانه است، تنها مشکلی که با آن مواجه شدیم خروجی‌های صوتی Cirrus Logic بود که خود را به‌طور واضح غیرفعال می‌کردند. خوشبختانه تنها کاری که برای اجرای دوباره آنها لازم بود حذف نصب آنها در مدیر دستگاه و راه اندازی مجدد بود. خلاصه OmniBook Ultra 16 و بقیه سری RTX Spark در سال 2026 بخش نسبتا ویژه ای را به خود اختصاص داده اند. با قیمت حافظه در بالاترین سطح، این سیستم در پیکربندی پایه خود و ایستگاه کاری تلفن همراه در انتهای طیف گسترده ای را در بر می گیرد.

OmniBook Ultra 16 یک عملکرد عینی قوی و در عین حال بسیار خوب است. اما در حدود 3200 دلار برای مدل پایه OmniBook Ultra 16 با N1X و 6229 دلار همانطور که در اینجا تست شده است، هیچ یک از این سیستم ها ارزان نیستند. اگر انویدیا و شرکای آن یک سال پیش این نوت‌بوک‌ها را با قیمتی بین 2000 تا 4000 دلار عرضه می‌کردند، داستان ممکن بود متفاوت باشد.

مگر اینکه از AI Kool-Aid استفاده کرده باشید و یک سیستم RTX Spark برای توسعه هوش مصنوعی محلی بخرید یا اتفاقا حجم کاری شدید VRAM داشته باشید که برای شما پول ایجاد کند، این سیستم ها فروش سختی خواهند داشت به همان دلیل که توصیه کردن اجزای ایستگاه کاری به مصرف کننده عادی دشوار است. اکثر مردم نمی توانند از آنها استفاده کامل کنند و پول آنها معمولا بهتر است در جای دیگری خرج شود. و اگر می‌توانید و می‌خواهید کمی از عملکرد خود چشم پوشی کنید، نوت‌بوک‌های مبتنی بر Strix و Gorgon Halo AMD و مینی رایانه‌های شخصی قطعا ارزش خرید متقابل را دارند.

با عادی شدن قیمت حافظه، انتظار داریم نسل بعدی سیستم‌های RTX Spark انویدیا هم سریع‌تر و هم قیمت جذاب‌تری داشته باشد. متأسفانه مدتی صبر می کنیم تا این اتفاق بیفتد. متخصصان حافظه انتظار دارند که منابع DRAM حداقل تا سال 2028 محدود باقی بماند. ما آزمایشات بسیار بیشتری را برای RTX Spark و OmniBook Ultra HP برنامه ریزی کرده ایم، از جمله مجموعه ای جامع از معیارهای CPU و بازی، همراه با بررسی عمیق تر در عملکرد هوش مصنوعی عامل، زیرا ما به دنبال پاسخ به این سوال هستیم که آیا این سیستم ها واقعا می توانند در هزینه شما صرفه جویی کنند. تا اینجا این استدلال خوب به نظر نمی رسد. ®