單部 A9 Mega 採用 AMD Ryzen AI Max+ 395，配備 16 核心、32 條執行緒，以及基於 RDNA 3.5 的 Radeon 8060S 圖像處理器。四部機合計規格如下：

• 64 個 CPU 核心、128 條執行緒
• 160 個 Radeon 8060S RDNA 3.5 Compute Units
• 512GB LPDDR5X-8000 統一記憶體，每部 128GB
• 4 部獨立迷你電腦，共同組成分散式推理平台

這套設計的重點在於統一記憶體。模型不需要完全塞入一張擁有超大顯存的獨立 GPU，而是可以分散使用多部電腦的記憶體及圖像運算資源。不過，512GB 是總記憶體數字，並不等於全部都可以用來存放模型；實際可用容量還要視乎精度、量化方式、runtime overhead、cache 及作業系統佔用而定。

本地部署實際點運作？

按照 GEEKOM 的說法，四部機以 USB4 互聯，軟件層則由 Ubuntu、AMD ROCm 及 DwarfStar 組成。優化後的 DeepSeek V4 Flash 會分配到不同節點，再由叢集提供 OpenAI-compatible endpoint。

這種 API 相容性對企業部署有一定實際價值。現有支援 OpenAI 風格 API 的內部應用程式、agent 及開發工具，理論上毋須大幅重寫整個整合層，就可以改為連接本地模型。重點因此不是「一部桌面電腦跑 chatbot」，而是用四部迷你電腦砌出一個留在企業自身環境內的 AI 服務。

但示範成功，並不代表它等同於傳統數據中心伺服器。現有公告沒有交代網絡拓撲、有效頻寬、節點間延遲、模型精度、量化格式、sharding 策略、orchestration 設定或故障恢復方式。 對分散式推理而言，這些細節相當關鍵，因為模型平行運算往往需要節點之間頻繁交換數據。

儲存空間及連接規格

每部 A9 Mega 設有兩個 PCIe 4.0 M.2 插槽，規格上最多支援 8TB SSD。 如果四部機都裝到標稱上限，整個安裝的理論儲存容量可達 32TB。不過，這個數字與 512GB 系統統一記憶體是兩回事，也不能直接推斷 DeepSeek V4 Flash 部署本身需要多少磁碟空間。

GEEKOM 表示節點之間使用 USB4 連接；產品資料亦列出最高 40Gbps 的 USB4 介面。 但介面標稱速度不等於實際叢集效能。協議開銷、連接拓撲，以及軟件的通信模式，都會影響分散式推理時真正得到的頻寬及延遲。

對企業而言，賣點係私有 AI

GEEKOM 的主要定位，是一套 on-premises private-AI 方案。理論上，企業可以將提示詞、內部文件及模型輸出留在自己的網絡內，同時讓業務系統及 agent 透過本地 API 使用大型模型。這套設計使用 ROCm 作為 AMD 圖像硬件的軟件層，並非以 NVIDIA CUDA 系統為必要前提。

對有數據留存、私隱或網絡隔離要求的團隊來說，這可能比把資料送上公有雲更吸引。不過，代價是營運責任轉移到企業自己身上：硬件可用性、系統更新、模型檔案、權限控制、監控、散熱、電力消耗及軟件穩定性，都要由營運方自行管理。

四部機要幾多錢？

GEEKOM 目前列出的 A9 Mega 價格為 3,999 美元。 因此四部機合共約 15,996 美元。這個估算尚未包括額外 SSD、線材、網絡設備、安裝、人手、電費、維護及技術支援。

所以真正需要比較的，不只是四部迷你電腦的入場價，而是整套分散式推理服務的總擁有成本，以及它可以長期穩定支援的工作量。

最大疑問：到底有幾快？

GEEKOM 的公告證明公司曾經在四部 A9 Mega 上部署 DeepSeek V4 Flash，但沒有提供這個確切配置的獨立、標準化測試結果。目前未見持續輸出速度、首 token 延遲、同時連線數、長 context 延遲、耗電量或節點故障行為等數據。

因此，這次示範較適合視為「部署得到」的 proof of concept，而不是已驗證的生產級 benchmark。DeepSeek V4 Flash 支援 100 萬 token context，固然是一項重要規格，但不代表四節點 A9 Mega 叢集可以快速或低成本處理 100 萬 token 請求。實際表現會取決於模型版本、精度、記憶體分配、提示長度、同時請求數量，以及節點間通信開銷。

GEEKOM 的硬件有幾獨特？

Ryzen AI Max+ 395 並非 GEEKOM 獨有。市場上亦有其他採用同一處理器的迷你電腦，部分更提供 128GB 統一記憶體。 Minisforum N5 Max 是其中一款相近設計，但 ServeTheHome 報道，零售版配備的是 64GB 焊接式 LPDDR5X 統一記憶體，而不是較早期原型機展示的 128GB。

因此，GEEKOM 真正較有特色的地方，並不是處理器本身，而是聲稱完成了四節點軟件部署示範。至於方案能否由技術展示走到實際業務環境，仍要看公司會否公開可重現的安裝方法、標準化 benchmark、網絡測試、耗電數據，以及長時間高負載下的穩定性證據。

總結

GEEKOM 示範了一種以四部迷你電腦組成大型 AMD 本地推理平台的方法：合計 64 個 CPU 核心、128 條執行緒、160 個 Radeon 8060S 計算單元及 512GB 統一記憶體，透過 USB4 連接，並由 Ubuntu、ROCm 及 DwarfStar 管理。

它的吸引力在於，企業或許可以透過熟悉的 API，在自己的網絡內使用一個超大型 MoE 模型，同時減少把敏感資料交予雲端的需要。但目前證據只足以確認這套部署曾經存在，未足以證明它的速度、能源效率或生產環境可靠性。

在 GEEKOM 公開可重現的 benchmark 及更多實作細節之前，這個四部 A9 Mega 叢集比較適合被視為一個幾有趣的本地 AI 示範，而不是已證實可以取代專用 AI 基礎設施的方案。

單部 A9 Mega 採用 AMD Ryzen AI Max+ 395，配備 16 核心、32 條執行緒，以及基於 RDNA 3.5 的 Radeon 8060S 圖像處理器。四部機合計規格如下：

• 64 個 CPU 核心、128 條執行緒
• 160 個 Radeon 8060S RDNA 3.5 Compute Units
• 512GB LPDDR5X-8000 統一記憶體，每部 128GB
• 4 部獨立迷你電腦，共同組成分散式推理平台

這套設計的重點在於統一記憶體。模型不需要完全塞入一張擁有超大顯存的獨立 GPU，而是可以分散使用多部電腦的記憶體及圖像運算資源。不過，512GB 是總記憶體數字，並不等於全部都可以用來存放模型；實際可用容量還要視乎精度、量化方式、runtime overhead、cache 及作業系統佔用而定。

本地部署實際點運作？

按照 GEEKOM 的說法，四部機以 USB4 互聯，軟件層則由 Ubuntu、AMD ROCm 及 DwarfStar 組成。優化後的 DeepSeek V4 Flash 會分配到不同節點，再由叢集提供 OpenAI-compatible endpoint。

這種 API 相容性對企業部署有一定實際價值。現有支援 OpenAI 風格 API 的內部應用程式、agent 及開發工具，理論上毋須大幅重寫整個整合層，就可以改為連接本地模型。重點因此不是「一部桌面電腦跑 chatbot」，而是用四部迷你電腦砌出一個留在企業自身環境內的 AI 服務。

但示範成功，並不代表它等同於傳統數據中心伺服器。現有公告沒有交代網絡拓撲、有效頻寬、節點間延遲、模型精度、量化格式、sharding 策略、orchestration 設定或故障恢復方式。 對分散式推理而言，這些細節相當關鍵，因為模型平行運算往往需要節點之間頻繁交換數據。

儲存空間及連接規格

每部 A9 Mega 設有兩個 PCIe 4.0 M.2 插槽，規格上最多支援 8TB SSD。 如果四部機都裝到標稱上限，整個安裝的理論儲存容量可達 32TB。不過，這個數字與 512GB 系統統一記憶體是兩回事，也不能直接推斷 DeepSeek V4 Flash 部署本身需要多少磁碟空間。

GEEKOM 表示節點之間使用 USB4 連接；產品資料亦列出最高 40Gbps 的 USB4 介面。 但介面標稱速度不等於實際叢集效能。協議開銷、連接拓撲，以及軟件的通信模式，都會影響分散式推理時真正得到的頻寬及延遲。

對企業而言，賣點係私有 AI

GEEKOM 的主要定位，是一套 on-premises private-AI 方案。理論上，企業可以將提示詞、內部文件及模型輸出留在自己的網絡內，同時讓業務系統及 agent 透過本地 API 使用大型模型。這套設計使用 ROCm 作為 AMD 圖像硬件的軟件層，並非以 NVIDIA CUDA 系統為必要前提。

對有數據留存、私隱或網絡隔離要求的團隊來說，這可能比把資料送上公有雲更吸引。不過，代價是營運責任轉移到企業自己身上：硬件可用性、系統更新、模型檔案、權限控制、監控、散熱、電力消耗及軟件穩定性，都要由營運方自行管理。

四部機要幾多錢？

GEEKOM 目前列出的 A9 Mega 價格為 3,999 美元。 因此四部機合共約 15,996 美元。這個估算尚未包括額外 SSD、線材、網絡設備、安裝、人手、電費、維護及技術支援。

所以真正需要比較的，不只是四部迷你電腦的入場價，而是整套分散式推理服務的總擁有成本，以及它可以長期穩定支援的工作量。

最大疑問：到底有幾快？

GEEKOM 的公告證明公司曾經在四部 A9 Mega 上部署 DeepSeek V4 Flash，但沒有提供這個確切配置的獨立、標準化測試結果。目前未見持續輸出速度、首 token 延遲、同時連線數、長 context 延遲、耗電量或節點故障行為等數據。

因此，這次示範較適合視為「部署得到」的 proof of concept，而不是已驗證的生產級 benchmark。DeepSeek V4 Flash 支援 100 萬 token context，固然是一項重要規格，但不代表四節點 A9 Mega 叢集可以快速或低成本處理 100 萬 token 請求。實際表現會取決於模型版本、精度、記憶體分配、提示長度、同時請求數量，以及節點間通信開銷。

GEEKOM 的硬件有幾獨特？

Ryzen AI Max+ 395 並非 GEEKOM 獨有。市場上亦有其他採用同一處理器的迷你電腦，部分更提供 128GB 統一記憶體。 Minisforum N5 Max 是其中一款相近設計，但 ServeTheHome 報道，零售版配備的是 64GB 焊接式 LPDDR5X 統一記憶體，而不是較早期原型機展示的 128GB。

因此，GEEKOM 真正較有特色的地方，並不是處理器本身，而是聲稱完成了四節點軟件部署示範。至於方案能否由技術展示走到實際業務環境，仍要看公司會否公開可重現的安裝方法、標準化 benchmark、網絡測試、耗電數據，以及長時間高負載下的穩定性證據。

總結

GEEKOM 示範了一種以四部迷你電腦組成大型 AMD 本地推理平台的方法：合計 64 個 CPU 核心、128 條執行緒、160 個 Radeon 8060S 計算單元及 512GB 統一記憶體，透過 USB4 連接，並由 Ubuntu、ROCm 及 DwarfStar 管理。

它的吸引力在於，企業或許可以透過熟悉的 API，在自己的網絡內使用一個超大型 MoE 模型，同時減少把敏感資料交予雲端的需要。但目前證據只足以確認這套部署曾經存在，未足以證明它的速度、能源效率或生產環境可靠性。

在 GEEKOM 公開可重現的 benchmark 及更多實作細節之前，這個四部 A9 Mega 叢集比較適合被視為一個幾有趣的本地 AI 示範，而不是已證實可以取代專用 AI 基礎設施的方案。