Frameworks 192 GB-PC viser hvorfor fellesminne er viktig for lokal AI

Frameworks kommende Desktop-konfigurasjon er rettet mot en konkret utfordring ved lokal AI: Hvordan får man store språkmodeller inn i minnet uten et separat grafikkort? Løsningen kombinerer AMDs 16-kjerners Ryzen AI Max+ PRO 495 med opptil 192 GB felles LPDDR5X-8533-minne og en minnebåndbredde på 273 GB/s. Et separat Windows 11-eksperiment fra Microsoft kan gjøre slike systemer enklere å styre, men funksjonen er fortsatt uferdig og ikke offisielt lansert.

Til sammen peker utviklingen mot en bredere endring i PC-markedet. Når språkmodeller skal kjøres lokalt, blir minnekapasitet og båndbredde nesten like viktig som selve prosessoren. Det betyr likevel ikke at skybasert AI er på vei bort.

Dette får du i Frameworks 192 GB-variant

Toppmodellen skal bruke AMD Ryzen AI Max+ PRO 495, en Zen 5-prosessor med 16 kjerner og 32 tråder, integrert Radeon-grafikk og en XDNA 2-NPU. Framework oppgir 192 GB samlet LPDDR5X-minne med 273 GB/s båndbredde. Det er 50 prosent mer kapasitet enn den tidligere Ryzen AI Max+ 395-konfigurasjonen med 128 GB, og 6,6 prosent høyere båndbredde enn plattformens 256 GB/s. 12316

Siden prosessoren og den integrerte grafikken bruker samme fysiske minne, oppgir Framework at opptil 160 GB kan settes av til iGPU-en. Det er hovedattraksjonen for brukere som vil kjøre lokale språkmodeller: En større del av modellens vekter kan ligge på én maskin, i stedet for å fordeles mellom begrenset VRAM i et separat grafikkort og tregere systemminne. 110

Ulempen er at 273 GB/s er mye for en kompakt PC, men fortsatt langt mindre enn båndbredden i enkelte avanserte systemer med fellesminne. At en modell får plass, betyr derfor ikke nødvendigvis at den kjører raskt. Lang kontekst, vanlige skrivebordsprogrammer og flere samtidige brukere kan også konkurrere om den samme båndbredden.

Hvilke modeller kan den kjøre?

Framework har demonstrert systemet med en Q8-kvantisert versjon av DeepSeek V4-Flash lokalt, med plass til overs for kontekst, ifølge omtalen av forhåndsvisningen. 714 En annen rapport beskriver 192 GB-konfigurasjonen som i stand til å holde en modell med rundt 284 milliarder parametere i minnet. Dette bør imidlertid forstås som en påstand om minnekapasitet – ikke som en uavhengig test av hvor raskt modellen faktisk genererer tekst. 4

Kvantisering er avgjørende. Representasjoner med færre bit reduserer minnebehovet for modellens vekter, men det endelige kravet avhenger også av modellarkitektur, kjøretidskostnader, kontekstvindu og andre programmer som kjører samtidig.

Minnekapasiteten avgjør hva som potensielt kan lastes inn. Båndbredde, programvare og beregningskraft avgjør hvor praktisk det er å bruke modellen.

Hva kan Microsofts Windows 11-eksperiment bety?

Microsoft skal teste en intern Windows 11-funksjon kalt «IntelligentCarveout» i den eksperimentelle versjonen 29648.1000. Tekststrenger i operativsystemet viser blant annet til «Reserved memory for accelerators» og «Memory for graphics and AI acceleration». Målet ser ut til å være at Windows skal kunne reservere en bestemt del av fellesminnet til grafikk- og AI-tunge programmer, i stedet for å la hele minnepoolen styres dynamisk. 333435

Dette kan være nyttig på systemer der Windows-programmer og en AI-kjøretidsplattform konkurrerer om det samme minnet. En reservert region kan gi modellkjøring mer forutsigbar tilgang og redusere risikoen for at andre programmer fører til minneallokeringsfeil.

Men «IntelligentCarveout» er ikke ekstra RAM, en raskere minnebuss eller en ny AI-akselerator. Reservert minne blir samtidig utilgjengelig for vanlige programmer. Setter du av mer til AI, blir det altså mindre igjen til Windows og resten av skrivebordet. Microsoft har heller ikke bekreftet endelig brukergrensesnitt, støttet maskinvare, lanseringstidspunkt eller at funksjonen faktisk vil bli lansert. 364044

Oppgraderbar, men ikke med vanlig RAM

Framework posisjonerer Desktop som en mer modulær og reparerbar kompakt-PC enn mange konkurrenter. Den kommende konfigurasjonen ventes også å beholde et åpent PCIe x4-utvidelsesspor, slik at eiere kan koble til kompatibel utvidelsesmaskinvare. 13

Selve minnet er derimot loddet på hovedkortet og ikke bygget opp av utskiftbare DIMM-moduler. Kjøpere bør derfor regne 192 GB som en fast kapasitet. Skal maskinen en gang få mer minne, vil det normalt kreve et nytt hovedkort – ikke en vanlig RAM-oppgradering. 13

Framework oppgir bruksområder for både Windows og Linux, og tilbyr også Linux-forhåndsinstallasjon. 2 Om lokal AI fungerer godt, avhenger likevel av valgt kjøretidsplattform og akselerasjonsvei. AMD-baserte systemer kan bruke programvarestakker som ROCm eller Vulkan, mens andre kompakte plattformer med fellesminne ofte satser på Apples Metal/MLX eller Nvidias CUDA.

Disse økosystemene kan ikke uten videre byttes om. En modell som fungerer godt på én plattform, kan kreve en annen kjøretidsplattform – eller mangle tilsvarende optimalisering – på en annen. 1924

Pris og tilgjengelighet er fortsatt ukjent

Per 31. august 2026 sto Frameworks Desktop med Ryzen AI Max+ PRO 495 og 192 GB minne oppført som «kommer snart». Selskapet hadde ikke publisert pris, dato for forhåndsbestilling, leveringsdato eller en forpliktelse om bred tilgjengelighet. 21011

Det er dermed for tidlig å konkludere om ytelse eller verdi for pengene. 192 GB-modellen er fortsatt en forhåndsvisning, og demonstrasjoner fra produsenten kan ikke erstatte uavhengige tester av genereringshastighet, temperaturer, strømforbruk, modellstøtte og ytelse over tid. 6

Slik skiller den seg fra konkurrentene

Framework har ikke funnet opp fellesminne. Apple har brukt samme grunnidé i Apple Silicon-systemer i flere år. Enkelte konfigurasjoner omtales med betydelig høyere båndbredde, blant annet 128 GB ved 546 GB/s i en M4 Max-konfigurasjon. 1720

Kompakte AMD Ryzen AI Max+ 395-systemer fra produsenter som GMKtec og Beelink tilbyr alternativer med 128 GB delt minne. Nvidias DGX Spark-klassesystemer satser på sin side på CUDA-kompatibilitet i en tilsvarende kompakt kategori med mye minne. 1924

For kjøpere er de viktigste forskjellene:

• Kapasitet: avgjør om en kvantisert modell får plass uten omfattende avlasting til tregere minne.
• Båndbredde: påvirker hvor raskt systemet kan flytte modellens data under kjøring.
• Programvare: bestemmer hvilke kjøretidsplattformer, kjerner og verktøy for modellservering som fungerer godt.
• Oppgraderbarhet: er viktig fordi felles LPDDR5X-minne vanligvis er fastsatt ved kjøp.
• Pris og tilgjengelighet: avgjør om en forhåndsvist konfigurasjon faktisk er et realistisk kjøp.

Den større betydningen for lokal AI

Den mest interessante spesifikasjonen i Framework Desktop er ikke NPU-ens TOPS-tall, men den uvanlig store, delte minnepoolen. Microsofts mulige minnekontroll i Windows 11 peker i samme retning: Når PC-er skal kjøre stadig større modeller lokalt, blir operativsystemets minnehåndtering en del av selve AI-opplevelsen.

Det betyr ikke at lokale PC-er vil erstatte skybasert inferens. Kompakte systemer med fellesminne er attraktive når brukeren vil kjøre en modell på én maskin, men skyinfrastruktur passer fortsatt bedre for de største modellene, fleksibel kapasitet, samarbeid og arbeidslaster som krever langt høyere gjennomstrømming fra flere GPU-er.

Den mer realistiske konklusjonen er at «AI-PC-en» er i ferd med å bli noe mer enn en maskin med en NPU-drevet assistent. Med nok fellesminne kan en liten stasjonær PC bli en lokal modellserver – men før du lar deg rive med, bør du undersøke båndbredde, programvarestøtte, fast minne, reelle tester og bekreftet tilgjengelighet.