本地 AI 智能体硬件怎么选：DGX Spark 对比 Mac mini M6

如果是单人运行 27B 级本地 AI 智能体，选 $1,799 的 Mac mini M6。只有当 128GB、CUDA、Perplexity Portable Computer 或多人共享服务是硬性要求时，才值得为 DGX Spark 支付 $4,699；多出的 $2,900 买到的是容量与软件兼容性，而不是必然更快的响应。

本地 AI 智能体硬件怎么选？

如果由一个人运行本地助手，而且整套负载能装进 32GB，Mac mini M6 更值得买。若要运行更大的模型、依赖 CUDA 的工作负载、提示词密集型共享服务，或 Perplexity 新推出的开箱即用本地智能体，则 DGX Spark 更合适。

对于希望用一台紧凑型桌面电脑运行私有 27B 级模型、通过本地 API 对外提供服务，同时继续处理日常 Mac 工作的独立技术开发者、创始人或资深业务负责人，Apple Mac mini M6 是默认选择。应选 32GB 配置。独立参考测试所用的 Qwen3.8-27B 文件约为 17GB，而 16GB 基础款内存更小，尚未给智能体、上下文缓存和操作系统预留空间。

对于资金充足的创始人，如果目标是部署单个编程智能体、私有文档助手或夜间内部工作流，这台 Mac 是合理的试点设备。它比 Spark 便宜 $2,900，而且在 macOS 上，AI 服务器与日常工作电脑之间的运维隔阂更小。

NVIDIA DGX Spark 适合明确需要 CUDA、预计会突破 Mac 内存上限，或希望立即使用 Perplexity Portable Computer 的中型企业 CTO 与 AI 团队。它拥有对比款 Mac 四倍的统一内存、四倍的存储空间和 NVIDIA 软件栈，并且首发当天就有本地智能体可用，其编排器和工具执行都在设备本地运行。

用于团队共享时，DGX 的采购成本也可能出现交叉点。一台 Spark 由三名用户分摊后，每个席位的成本低于为三人分别购买一台 32GB Mac。前提是一台 Spark 能同时满足三人的延迟与并发需求；硬件价格本身无法证明服务容量。

只看速度的买家应该先等一等。Apple 于 2026 年 8 月 25 日开放 M6 预购，9 月 22 日开始供货，因此目前还没有独立的 M6 本地智能体基准测试。Apple 的首发数据有参考价值，但比较对象是旧款 Mac，而不是 DGX Spark。

价格与性价比胜者：Mac mini M6

Mac mini M6 在价格和单人智能体性价比上遥遥领先。价格已于 2026 年 8 月 25 日对照 Apple 与 NVIDIA 的美国在线页面核实：Mac mini M6 起售价为 $899，32GB 内存与 1TB 存储配置售价 $1,799，DGX Spark 售价 $4,699。核查时，NVIDIA 商城还显示 Spark 缺货。

$899 的 Mac 作为通用电脑很有吸引力，但不应作为这次对比的价格基准。它只有 16GB 统一内存和 256GB 存储。Mert Cobanov 使用的 4-bit Qwen3.8-27B 文件本身约为 17GB。16GB 机器无法把这些权重完整装进统一内存，更不用说还要给模型上下文缓存、本地服务器、工具进程和 macOS 留出空间。

$1,799 配置才是更可比的 Mac 选项：32GB 内存可以容纳该 27B 级模型并留出运行余量，1TB SSD 也能存放模型文件、索引和日志。它仍无法与 Spark 的 128GB 和 4TB 等量齐观，但足以完成单人买家更可能交给它的较小任务。

两者的采购差价由此达到 $2,900。Spark 的价格是 32GB Mac 的 2.61 倍。只有当这笔溢价换来 Mac 无法提供的能力时，才有充分理由支付。若只是供一人使用的 27B 级私有助手，多花的钱买到的是闲置内存和用不上的软件栈。

对于独立技术开发者，Mac 可以通过 LM Studio 的本地 API、OpenAI 兼容 API 或 Anthropic 兼容 API 托管本地模型。现有智能体可直接接入该端点，无需把 Mac 变成专用 Linux 设备。Ollama 支持在 macOS 上调用 Apple M 系列 CPU 与 GPU，而 MLX 是 Apple 面向 Apple silicon 的机器学习框架。即使当前的智能体实验结束，这台机器仍有其他用途。

Mac 的价格优势也有边界。M6 机型最高只支持 32GB 内存。如果创始人预计要运行 70B 模型、多个并发任务，或把大型检索索引放在内存中，就不能把较低的采购价视为节省——那只是买了一台无法完成既定任务的机器。

模型容量胜者：DGX Spark

在两台机器开始生成第一个 token 之前，DGX Spark 就已赢下模型容量。它配备 128GB 一致性统一内存和 4TB 自加密 NVMe 存储，而 Mac mini M6 的统一内存最高为 32GB。

统一内存是 CPU 与 GPU 共享的同一块内存池。运行本地模型时，容量决定了完整权重和工作上下文能否留在高速内存里。装不下，就必须卸载部分数据、缩短上下文、采用更小的量化格式，或换用更小的模型。无论哪种妥协，都会影响速度、质量，或同时影响两者。

容量边界非常明确。一个拥有 700 亿参数的稠密模型，按每个参数恰好 4 bit 存储，仅权重就需要 35GB：

70 billion parameters x 4 bits / 8 = 35GB

这已经超过 M6 mini 的全部内存上限。运行时缓冲区与 KV cache——也就是模型为对话保留的工作记忆——还会进一步扩大差距。Spark 有空间容纳这一量级的模型。NVIDIA 表示，单台设备支持最高 2000 亿参数模型的推理，以及最高 700 亿参数模型的微调。

对于正在评估内部代码或合同智能体的 CTO，这不是纸上谈兵。27B 模型可以在 Mac 上成为实用的私有助手；但 70B 模型、更长的上下文和多个并发会话，可能让同一套服务越过 32GB 上限。到了这一步，价格更低的 Mac 无法提供纯本地方案。回退到云端或许仍合理，但比较对象就不再是两套完全本地的系统。

存储差距还会放大这一问题。不同模型版本、量化文件、嵌入索引、文档语料库和评估集很快就会堆积。1TB Mac 可以借助外接存储管理，但 Spark 自带的 4TB 能减轻压力，也能让整套本地技术栈留在设备上。

还有一个容易被买家忽略的首发细节。Apple 表示 M6 mini 配备三个 Thunderbolt 4 端口。其关于通过 Thunderbolt 5 将多台 Mac mini 集群互联的新表述，针对的是 M5 Pro 配置，而非本文指定的 M6 机型。因此，购买多台基础款 M6 mini 并不是 Apple 已宣布的合并统一内存方案。

本地智能体运行时胜者：DGX Spark

DGX Spark 赢下开箱即用的本地智能体类别，因为 Perplexity 在 Apple 发布 M6 的同一天为它推出了 Portable Computer。Portable Computer 可在本机运行 Perplexity Computer，首发支持 Qwen 3.8 27B 或 PPLX 27B，NVIDIA Nemotron 3.5 Lightning 30B 也将很快加入。

它不只是一个本地聊天模型。据 Perplexity 介绍，编排器、规划器、工具路由器、调度器、持久化任务队列和本地搜索索引全部在设备上运行。智能体可以读取本地文件，搜索文档与代码，在设备上执行操作，并持续运行任务。工具与代码会在隔离沙箱中执行，对文件和已连接应用的访问受到控制。

隐私边界也很清晰。设备端工作不会消耗 credits。只有当任务需要最新网络信息、已连接的云端应用或前沿推理时，Portable Computer 才会在升级到云端前请求授权。这种架构很适合处理私有代码或机密文档：敏感的准备工作可以留在本地，只有经过批准的有限环节才会离开设备。

但限制同样重要。Portable Computer 需要 Perplexity Pro 或 Max 订阅。首个版本仅支持 DGX Spark 上的 Linux，Windows 支持将很快推出。Perplexity 并未宣布 macOS 支持。Apple 在 Mac mini 发布素材中展示 Perplexity，也不能证明 Portable Computer 的本地运行时能够在这台机器上运行。

Mac mini M6 走的是模块化路线。Ollama 可以通过 Apple GPU 运行模型，LM Studio 能在本机或网络中开放本地 API，MLX 则为开发者提供 Apple silicon 原生框架。它们都是实用的基础组件，但无法像一套安装包那样提供 Perplexity 完整的规划器、调度器、沙箱、持久化队列、权限流程与本地索引。

对于已有智能体框架的资深开发者，模块化反而可能是优势。让框架连接兼容 OpenAI 的本地端点，使编排代码保持可移植，并且只在确有需要的步骤调用云端模型。如果目标是日常工作，而不是自托管模型服务，更广泛的 Mac AI 助手工具栈 同样值得考虑。

对于想购买受维护的本地智能体而非一套零件的企业用户，Spark 的路径更明确。NVIDIA 也把 DGX Spark 定位为桌面智能体计算机，并附带其 AI 软件栈；当前的 DGX OS 更新还简化了 NemoClaw 安装。其价格买到的是一套立场明确的部署目标，而不只是更多内存。

性能胜者：提示词密集型智能体循环选 DGX Spark，M6 回复速度尚无定论

从现有证据看，DGX Spark 更适合提示词密集型智能体工作，但目前的证据还不足以判定 M6 的总体速度胜负，因为这款硬件尚未交付用户。

最有参考价值的独立数据来自 Mert Cobanov 的 Qwen3.8-27B 对比测试。他在各台机器上运行同一个 4-bit 量化的稠密 27B 模型，每台机器执行三轮预热后的测试，每轮生成 300 个 token，temperature 设为 0，并读取服务器自身的计数器。NVIDIA 设备通过 Ollama 运行 GGUF 文件，Mac 则使用 MLX。运行时不同仍是测试局限，但方法已公开说明。

Cobanov 测得，24GB Mac mini M4 Pro 的输出速度为每秒 15.1 个 token，提示词处理速度为每秒 50 个 token；DGX Spark 分别为每秒 12.6 个输出 token 和每秒 259 个提示词处理 token。在这项测试中，旧款 Mac 生成回复的速度约快 1.20 倍，而 Spark 处理提示词的速度约快 5.18 倍。

这是推理过程中的两个不同阶段。提示词处理通常称为 prefill，此时模型读取指令、检索到的文档、对话历史和工具结果。decode 则是模型逐个 token 输出答案的阶段。持续运行的智能体会反复把上下文送入模型、调用工具、加入工具结果，再让模型重新规划。与单轮聊天相比，这类负载往往更看重 prefill。

可以看两个例子。单人写作助手接收简短提示词，然后生成长篇初稿，输出速度占主导，因此 Cobanov 对旧款 Mac 的测试结果很有吸引力。合同智能体则会读取大量文件、维护很长的执行轨迹，并频繁作出简短的工具调用决策；提示词处理在等待时间中的占比更高，因此实测中 Spark 的 Blackwell 张量计算更占优势。

Apple 表示，与对比的 M4 系统相比，M6 在 LM Studio 中的 LLM 提示词处理速度最高可提升 4.8 倍。Apple 于 2026 年 7 月完成这项测试。这是厂商针对某款 M4 配置给出的结果，并非与 Spark 对比，而且测试方法也不同于 Cobanov。把一个来源的 M4 数据乘以另一个来源的 M6 提升幅度，只会造出一项从未真正运行过的基准测试。

内存带宽也是应该等待实测的理由。24GB 和 32GB M6 配置标称 170GB/s，DGX Spark 则标称 273GB/s。稠密模型生成输出时，性能通常高度依赖权重在内存中的传输速度。M6 的新加速器可能改善部分负载，但首发规格无法揭示条件一致的端到端结果。

对于调优 kernel、通过 CUDA 原生框架提供服务，或优化多用户推理的团队，Spark 的生态价值可能比单路 token 速率更重要。GPU 优化智能体生态 目前本就主要围绕这种 CUDA 型工作构建。对于单人交互式助手，则应在用户实际采用的模型与上下文上测量延迟。

标准化成本与交叉点

只要两台机器都能完成同一项工作，Mac mini M6 的每 token 硬件成本始终更低。DGX Spark 不会因为生成更多 token 就变得更便宜；在生命周期输出量相同的前提下，其采购价仍高出 2.61 倍。

这里设定一个明确的工作负载：连续 36 个月，每月生成 10 million 个输出 token。计算不含电费、税费、支持、转售价值、外接存储和软件订阅。在这个只计硬件的标准化口径下，$1,799 的 Mac 每 1,000 个输出 token 成本为 $0.005；$4,699 的 Spark 则为 $0.013。

计算公式有意保持简单：

hardware price / 360 million lifetime output tokens x 1,000

它并不声称任一机器都能维持任意吞吐率，也不假设输入处理免费；它只是把设备所有权成本分摊到相同的输出负载上。改变生命周期 token 总量会让两项结果同比例变化，但不会颠倒先后顺序。

按席位月计算也同样清楚。在 36 个月内，一台 32GB Mac 供一个专属席位使用，每月成本为 $49.97；一台 Spark 为每月 $130.53。对于单个使用者，Mac 每月可节省 $80.56 的摊销采购成本，尚未计入能源或订阅费用。

第一个交叉点是容量。一旦工作负载需要超过 32GB、依赖 CUDA，或必须使用 Portable Computer，Mac 就无法交付同样的本地结果。此时，它较低的每 token 成本已失去意义，因为已完成本地工作的分母降为零。这也是为什么应先判断模型是否装得下，再比较基准速度。

第二个交叉点出现在特定的共享部署中。若替代方案是每位用户各配一台 $1,799 的 Mac，三台合计 $5,397。一台 $4,699 的 Spark 便宜 $698，三人分摊后每个席位月为 $43.51。两台专属 Mac 的价格仍低于一台 Spark。因此，仅按采购价计算，交叉点从三个席位开始。

这个结论有前提：一台 Spark 必须能承受三名用户同时发出的提示词、上下文及其延迟目标。若做不到，对比就会变成两台 Spark 对三台 Mac，或者改用本地与云端混合方案。共享是否成立，要靠容量测试而不是采购发票来决定。

没有计入能源成本是有原因的。Apple 公布的最大持续系统功率为 155W。NVIDIA 公布的是 140W GB10 芯片 TDP 与 240W 电源。最大系统功率、芯片 TDP 和电源额定功率不是同一种测量值。把它们当成可直接比较的墙上取电功率，会让总成本计算看似更完整，实则更不准确。

云端升级应放在单独的预算项中。本地智能体通常把常规工作留在设备端，再将高难度推理或最新网络研究交给托管模型。AI 模型网关对比 介绍了这一控制层。拥有硬件可以降低本地推理费用，但并不会消除前沿模型回退方案的价值与成本。

迁移成本：哪些人不该换平台

从 Mac 迁移到 DGX 是一次平台迁移，不是简单复制文件。从 DGX 迁移到 Mac 则意味着容量与软件能力缩水，而不是用更便宜的设备原样替代。

从 Mac mini 迁移到 DGX Spark

数据反而是容易处理的部分。模型文件、文档语料库、评估集和日志都可以搬到 Spark 的 4TB 硬盘上。真正昂贵的是在配备 20 核 Arm CPU 和 CUDA 的 DGX OS 上，重建原先运行于 macOS 与 Apple silicon 的执行路径。

MLX checkpoint 或针对 Metal 的优化不会因为移动了文件夹就变成 CUDA 引擎。团队可能需要换一种量化格式、改用 GGUF 版本，或采用 CUDA 原生运行时。预编译的 x86 依赖项也可能无法运行。NVIDIA 自己的 DGX Spark 移植指南 涵盖依赖项、构建系统、Arm 内存顺序和 CUDA，正说明这次迁移并非小事。

智能体状态需要单独制定迁移计划。应导出提示词、工具 schema、调度计划、持久化队列、本地索引、权限规则、连接器凭据和评估用例。应在目标设备上重建搜索索引，不要假设特定厂商的索引格式可以直接移植。迁移后轮换凭据，并且只重新授权智能体真正需要的文件夹与应用。

如果团队迁移的主要目的就是 Portable Computer，应先试运行其权限提示和云端升级策略，再退役原有 Mac 工作流。本地执行可以留在设备上，但经授权的网络、浏览器或已连接应用任务仍可能离开设备。“本地优先”是一条需要配置的边界，并不等于永久离线。

从 DGX Spark 迁移到 Mac mini M6

从 128GB 缩减到 32GB 是第一道迁移门槛。任何权重、KV cache 与运行时合计超过 Mac 预算的模型，都必须缩小、重新量化、拆分，或转到云端。70B 稠密模型即使采用 4-bit，尚未计入额外开销就已经失败。

依赖 CUDA 的服务、训练或 kernel 工作同样需要替代方案。MLX、Ollama 与 LM Studio 可以覆盖许多本地推理任务，但无法复现每一条 CUDA 工作流。Portable Computer 也是硬性障碍，因为 Perplexity 宣布的是 DGX 上的 Linux 版本，而不是 macOS 版本。

好处是设备整合。独立使用者可以淘汰专用设备，把模型端点与日常工作都放在同一台 Mac 上，并保留熟悉的 macOS 自动化。只有在证明较小模型和本地 API 能通过同一套验收测试后，这项取舍才合理。

哪些人不该换

• 如果现有 32GB Mac 工作流已经达到质量、隐私和延迟目标，不要只为更大的纸面参数量而离开它。
• 如果生产环境依赖 CUDA、超过 32GB 的实时模型状态、Portable Computer 或与 NVIDIA 一致的部署路径，不要离开 DGX。
• 不要为了尚未经过独立测量的速度提升购买 M6。
• 未用团队最长提示词和最繁忙时段完成并发测试前，不要把三名用户整合到一台 Spark 上。

周一就做：下单前先限定工作负载

下一步真正有用的工作，是写一页纸的工作负载约定：明确什么必须装得下、什么必须留在本地，以及怎样的结果才足以证明这笔采购合理。

1. 1

   列出完整内存负载

   记录模型文件大小、量化格式、目标上下文、KV-cache 估算、检索索引和智能体进程。如果峰值无法在保留余量的前提下低于 32GB，就把 Mac mini M6 移出候选清单。

2. 2

   列出运行时依赖

   标记每一个 CUDA 库、MLX 组件、本地 API、沙箱、连接器和定时任务。只要存在必需的 CUDA 路径或 Portable Computer 安装，决策就应转向 DGX Spark。

3. 3

   定义服务水平

   写明同时在线的用户数、可接受的最大首 token 延迟、预期输出速率和最繁忙时段负载。一个用户加一个 27B 模型更偏向 Mac；三名共享用户则值得测试 Spark 的条件性交叉点。

4. 4

   如果核心诉求是速度，就先等

   如果容量与运行时都不能直接决定采购，请等待正式发售的 M6 硬件。下单前，必须用相同模型、量化格式、上下文与并发条件完成对照测试。

停止条件很简单：如果试点始终低于 32GB 且只有一名用户，就不要批准采购 Spark；如果生产模型或必需运行时无法通过适配测试，就不要批准采购 M6。这样，硬件争论就会变成一项有明确退出标准的采用决策。

常见问题

运行本地 LLM，DGX Spark 和 Mac Studio 哪个更好？

如果必须使用 CUDA、与 NVIDIA 保持一致的部署路径或其本地智能体技术栈，DGX Spark 更好。高内存 Mac Studio 与本文比较的 32GB Mac mini M6 并不是同一种采购，因此在把它当作直接替代品之前，应使用相同模型和运行时进行测试。

哪款 Mac 最适合运行本地 AI？

对于单用户的 27B 级本地智能体，32GB Mac mini M6 是合理的入门选择。当模型与上下文需要超过 32GB 时，应考虑文中这款 M6 mini 以外的产品；面对约 17GB 的模型，不要购买 16GB 基础配置。

DGX Spark 值得买吗？

如果 128GB 内存、CUDA、提示词密集型共享服务、本地微调或 Perplexity Portable Computer 是硬性要求，DGX Spark 值得支付 $4,699。若只供一人运行能轻松装进 $1,799 32GB Mac 的模型，它的性价比很差。

DGX Spark 使用什么操作系统？

DGX Spark 在 20 核 Arm 平台上运行 NVIDIA DGX OS，并附带 NVIDIA AI 软件栈。现有仅支持 x86 的二进制文件可能需要重新构建 Arm 版本。

Mac mini M6 能运行 Perplexity Portable Computer 吗？

首发时不能。Perplexity 宣布 Portable Computer 首先支持 DGX Spark 上的 Linux，Windows 版本也将很快推出，但没有公布 macOS 支持。Mac 上的标准 Perplexity 体验，并不等同于 Portable Computer 的设备端智能体运行时。

DGX Spark 和 Mac mini M6 相差多少钱？

DGX Spark 比本文采用的 Mac mini M6 配置贵 $2,900：前者为 $4,699，后者的 32GB 内存与 1TB 存储配置为 $1,799。$899 的 16GB 基础款 Mac 更便宜，但无法把约 17GB 的参考模型完整装进内存。

获取面向企业主的 AI 工具地图

面向企业主的 AI 工具地图把硬件与智能体对比整理成一套可落地的采用方案，明确成本、适用场景，以及每个选项何时真正值得投入。免费订阅，获取下一期内容。