Enligt GEEKOMs demonstration fördelas den optimerade modellen över de fyra noderna. Det innebär dock inte att klustret automatiskt får samma egenskaper som en traditionell server med en gemensam höghastighetsaccelerator. Hur väl lösningen fungerar beror bland annat på modellens precision och kvantisering, hur arbetet delas upp samt hur snabbt noderna kan kommunicera med varandra.

Så ser den samlade hårdvaran ut

Varje A9 Mega bygger på AMD Ryzen AI Max+ 395, en processor med 16 kärnor och 32 trådar, tillsammans med Radeon 8060S-grafik. Fyra identiska system ger på pappret följande sammanlagda specifikationer:

• 64 CPU-kärnor och 128 trådar
• 160 Radeon 8060S Compute Units, baserade på RDNA 3.5
• 512 GB LPDDR5X-8000-minne, alltså 128 GB per dator
• Fyra separata mini-pc:er som arbetar som en distribuerad inferensplattform

Det delade minnet mellan CPU och grafikdel är centralt för upplägget. I stället för att försöka få plats med hela den distribuerade modellen i ett enda grafikkort använder klustret minnes- och grafikresurserna i flera system.

512 GB är däremot inte samma sak som 512 GB tillgängligt för modellvikter. Operativsystem, körmiljö, cacheminne och annan overhead tar också plats. Den faktiska kapaciteten påverkas av bland annat precision, kvantisering och programvarukonfiguration.

USB4 i stället för en serveranslutning

GEEKOM uppger att de fyra maskinerna kommunicerar över USB4 och använder Ubuntu, ROCm och DwarfStar för den lokala driftsättningen. A9 Mega har USB4-portar som anges klara upp till 40 Gbit/s.

Det är viktigt att skilja på den nominella gränssnittshastigheten och den prestanda som faktiskt är tillgänglig för modellkörning. Protokollkostnader, topologi, latens och hur ofta noderna måste utbyta data påverkar den effektiva bandbredden. GEEKOM har inte offentliggjort uppgifter om klustrets exakta nätverkstopologi, uppmätta latens eller orkestreringsinställningar.

Det saknas också detaljer om modellens exakta precision, kvantiseringsformat, shardingstrategi och hur systemet hanterar en nod som fallerar. Sådana uppgifter är avgörande om lösningen ska bedömas som en produktionsplattform och inte bara som en teknisk demonstration.

Lagring: upp till 32 TB i teorin

Varje A9 Mega har två M.2-platser för PCIe 4.0-SSD och anges stödja upp till 8 TB lagring. Om alla fyra datorer utrustas till den maximala kapaciteten blir den teoretiska totalsiffran därför 32 TB.

Detta är separat från de 512 GB systemminne som delas mellan CPU och grafikdel. Lagringssiffran säger inte heller hur mycket utrymme just DeepSeek-installationen kräver, eftersom det beror på modellfiler, format, kvantisering och övrig programvara.

Affärsidén: privat AI på plats

GEEKOM positionerar lösningen som en lokal och privat AI-plattform. Ett företag skulle i princip kunna låta interna system, dokument och AI-agenter använda modellen via det OpenAI-kompatibla API:t, samtidigt som data stannar inom den egna nätverksmiljön. ROCm står för AMD:s programvarustack för grafikberäkningar, vilket innebär att just denna konstruktion inte kräver en NVIDIA-baserad CUDA-plattform.

Det kan vara intressant för verksamheter med krav på datasekretess, nätverksisolering eller kontroll över var information behandlas. Men ansvaret flyttas samtidigt från molnleverantören till organisationen själv. Den som driver klustret måste hantera tillgänglighet, uppdateringar, åtkomstkontroller, övervakning, modellfiler, kylning, energiförbrukning och felsökning.

Vad kostar klustret?

GEEKOM listar A9 Mega till 3 999 dollar. Fyra datorer kostar därmed cirka 15 996 dollar innan man räknar in eventuella lagringsuppgraderingar, kablage, nätverksutrustning, installation, el, underhåll och support.

Det är en betydande investering för en plattform vars produktionsprestanda ännu inte har verifierats oberoende. Den relevanta kostnaden är därför inte bara inköpspriset, utan även vad det kostar att driva en distribuerad inferenstjänst och vilka arbetslaster den klarar på ett stabilt sätt.

Den stora luckan: inga oberoende benchmarkresultat

GEEKOMs tillkännagivande visar att DeepSeek V4 Flash har distribuerats över fyra A9 Mega-system. Däremot innehåller det inga oberoende eller standardiserade mätningar för just denna konfiguration.

Det saknas bland annat siffror för:

• uthållig tokens-per-sekund-prestanda,
• tid till första token,
• antal samtidiga användare,
• latens vid mycket långa kontextfönster,
• energiförbrukning,
• stabilitet över tid och hantering av nodfel.

Stödet räcker därför till att kalla lösningen ett bevis på att driftsättningen är genomförbar – inte till att dra slutsatser om hastighet, effektivitet eller produktionsmognad. Att modellen har stöd för upp till en miljon tokens betyder inte att klustret kan bearbeta miljon-token-frågor snabbt eller kostnadseffektivt.

Den verkliga prestandan påverkas av modellversion, precision, minnesfördelning, promptens längd, antalet samtidiga förfrågningar och kommunikationskostnaden mellan noderna.

GEEKOM är inte ensamt om hårdvaran

Ryzen AI Max+ 395-plattformen är inte unik för GEEKOM. Flera tillverkare säljer mini-pc:er med samma processor och i vissa fall 128 GB enhetligt minne. Minisforums N5 Max är ett jämförbart alternativ, även om den kommersiella versionen enligt ServeTheHome levererades med 64 GB fastlödd LPDDR5X i stället för de 128 GB som fanns i en tidigare prototyp.

GEEKOMs mer intressanta särdrag är därför inte processorn i sig, utan den påstådda demonstrationen med fyra sammankopplade noder. För att visa att upplägget är mer än ett teknikexperiment behövs reproducerbara installationsinstruktioner, standardiserade benchmarkresultat, mätningar av nätverksprestanda, energidata och dokumentation av stabil drift under realistiska arbetslaster.

Slutsats

GEEKOM visar ett kompakt sätt att bygga en AMD-baserad AI-plattform med stort sammanlagt minne. Fyra A9 Mega ger totalt 64 CPU-kärnor, 128 trådar, 160 Radeon 8060S Compute Units och 512 GB enhetligt LPDDR5X-8000-minne. Systemen kopplas samman via USB4 och hanteras med Ubuntu, ROCm och DwarfStar.

Den praktiska lockelsen är tydlig: lokal och potentiellt privat åtkomst till en mycket stor mixture-of-experts-modell via ett välkänt API. Men dagens underlag styrker främst att GEEKOM har fått demonstrationen att fungera – inte att lösningen är snabb, energisnål eller redo att ersätta dedikerad AI-infrastruktur.

Tills företaget publicerar reproducerbara benchmarkresultat och fler tekniska detaljer bör fyrklustret därför ses som en intressant lokal AI-demonstration, snarare än som en bevisad produktionsplattform.

Enligt GEEKOMs demonstration fördelas den optimerade modellen över de fyra noderna. Det innebär dock inte att klustret automatiskt får samma egenskaper som en traditionell server med en gemensam höghastighetsaccelerator. Hur väl lösningen fungerar beror bland annat på modellens precision och kvantisering, hur arbetet delas upp samt hur snabbt noderna kan kommunicera med varandra.

Så ser den samlade hårdvaran ut

Varje A9 Mega bygger på AMD Ryzen AI Max+ 395, en processor med 16 kärnor och 32 trådar, tillsammans med Radeon 8060S-grafik. Fyra identiska system ger på pappret följande sammanlagda specifikationer:

• 64 CPU-kärnor och 128 trådar
• 160 Radeon 8060S Compute Units, baserade på RDNA 3.5
• 512 GB LPDDR5X-8000-minne, alltså 128 GB per dator
• Fyra separata mini-pc:er som arbetar som en distribuerad inferensplattform

Det delade minnet mellan CPU och grafikdel är centralt för upplägget. I stället för att försöka få plats med hela den distribuerade modellen i ett enda grafikkort använder klustret minnes- och grafikresurserna i flera system.

512 GB är däremot inte samma sak som 512 GB tillgängligt för modellvikter. Operativsystem, körmiljö, cacheminne och annan overhead tar också plats. Den faktiska kapaciteten påverkas av bland annat precision, kvantisering och programvarukonfiguration.

USB4 i stället för en serveranslutning

GEEKOM uppger att de fyra maskinerna kommunicerar över USB4 och använder Ubuntu, ROCm och DwarfStar för den lokala driftsättningen. A9 Mega har USB4-portar som anges klara upp till 40 Gbit/s.

Det är viktigt att skilja på den nominella gränssnittshastigheten och den prestanda som faktiskt är tillgänglig för modellkörning. Protokollkostnader, topologi, latens och hur ofta noderna måste utbyta data påverkar den effektiva bandbredden. GEEKOM har inte offentliggjort uppgifter om klustrets exakta nätverkstopologi, uppmätta latens eller orkestreringsinställningar.

Det saknas också detaljer om modellens exakta precision, kvantiseringsformat, shardingstrategi och hur systemet hanterar en nod som fallerar. Sådana uppgifter är avgörande om lösningen ska bedömas som en produktionsplattform och inte bara som en teknisk demonstration.

Lagring: upp till 32 TB i teorin

Varje A9 Mega har två M.2-platser för PCIe 4.0-SSD och anges stödja upp till 8 TB lagring. Om alla fyra datorer utrustas till den maximala kapaciteten blir den teoretiska totalsiffran därför 32 TB.

Detta är separat från de 512 GB systemminne som delas mellan CPU och grafikdel. Lagringssiffran säger inte heller hur mycket utrymme just DeepSeek-installationen kräver, eftersom det beror på modellfiler, format, kvantisering och övrig programvara.

Affärsidén: privat AI på plats

GEEKOM positionerar lösningen som en lokal och privat AI-plattform. Ett företag skulle i princip kunna låta interna system, dokument och AI-agenter använda modellen via det OpenAI-kompatibla API:t, samtidigt som data stannar inom den egna nätverksmiljön. ROCm står för AMD:s programvarustack för grafikberäkningar, vilket innebär att just denna konstruktion inte kräver en NVIDIA-baserad CUDA-plattform.

Det kan vara intressant för verksamheter med krav på datasekretess, nätverksisolering eller kontroll över var information behandlas. Men ansvaret flyttas samtidigt från molnleverantören till organisationen själv. Den som driver klustret måste hantera tillgänglighet, uppdateringar, åtkomstkontroller, övervakning, modellfiler, kylning, energiförbrukning och felsökning.

Vad kostar klustret?

GEEKOM listar A9 Mega till 3 999 dollar. Fyra datorer kostar därmed cirka 15 996 dollar innan man räknar in eventuella lagringsuppgraderingar, kablage, nätverksutrustning, installation, el, underhåll och support.

Det är en betydande investering för en plattform vars produktionsprestanda ännu inte har verifierats oberoende. Den relevanta kostnaden är därför inte bara inköpspriset, utan även vad det kostar att driva en distribuerad inferenstjänst och vilka arbetslaster den klarar på ett stabilt sätt.

Den stora luckan: inga oberoende benchmarkresultat

GEEKOMs tillkännagivande visar att DeepSeek V4 Flash har distribuerats över fyra A9 Mega-system. Däremot innehåller det inga oberoende eller standardiserade mätningar för just denna konfiguration.

Det saknas bland annat siffror för:

• uthållig tokens-per-sekund-prestanda,
• tid till första token,
• antal samtidiga användare,
• latens vid mycket långa kontextfönster,
• energiförbrukning,
• stabilitet över tid och hantering av nodfel.

Stödet räcker därför till att kalla lösningen ett bevis på att driftsättningen är genomförbar – inte till att dra slutsatser om hastighet, effektivitet eller produktionsmognad. Att modellen har stöd för upp till en miljon tokens betyder inte att klustret kan bearbeta miljon-token-frågor snabbt eller kostnadseffektivt.

Den verkliga prestandan påverkas av modellversion, precision, minnesfördelning, promptens längd, antalet samtidiga förfrågningar och kommunikationskostnaden mellan noderna.

GEEKOM är inte ensamt om hårdvaran

Ryzen AI Max+ 395-plattformen är inte unik för GEEKOM. Flera tillverkare säljer mini-pc:er med samma processor och i vissa fall 128 GB enhetligt minne. Minisforums N5 Max är ett jämförbart alternativ, även om den kommersiella versionen enligt ServeTheHome levererades med 64 GB fastlödd LPDDR5X i stället för de 128 GB som fanns i en tidigare prototyp.

GEEKOMs mer intressanta särdrag är därför inte processorn i sig, utan den påstådda demonstrationen med fyra sammankopplade noder. För att visa att upplägget är mer än ett teknikexperiment behövs reproducerbara installationsinstruktioner, standardiserade benchmarkresultat, mätningar av nätverksprestanda, energidata och dokumentation av stabil drift under realistiska arbetslaster.

Slutsats

GEEKOM visar ett kompakt sätt att bygga en AMD-baserad AI-plattform med stort sammanlagt minne. Fyra A9 Mega ger totalt 64 CPU-kärnor, 128 trådar, 160 Radeon 8060S Compute Units och 512 GB enhetligt LPDDR5X-8000-minne. Systemen kopplas samman via USB4 och hanteras med Ubuntu, ROCm och DwarfStar.

Den praktiska lockelsen är tydlig: lokal och potentiellt privat åtkomst till en mycket stor mixture-of-experts-modell via ett välkänt API. Men dagens underlag styrker främst att GEEKOM har fått demonstrationen att fungera – inte att lösningen är snabb, energisnål eller redo att ersätta dedikerad AI-infrastruktur.

Tills företaget publicerar reproducerbara benchmarkresultat och fler tekniska detaljer bör fyrklustret därför ses som en intressant lokal AI-demonstration, snarare än som en bevisad produktionsplattform.