2026.11.03 · 行业

Vercel CEO 喊「拥有你的智能」，HN 上的账单从 1,800 美元的二手整机到 7,000 美元的 Mac

11 月 1 日，Vercel CEO Guillermo Rauch 在 X 上写了一句「拥有你的智能」，一天之内 22.8 万次浏览、3,572 个赞。

帖子的后半段比开头实在。他不是让所有人都去跑 128GB 的机器，而是说：那些「绝对单位」级别的大模型本地暂时够不着，所以该守住的是自己的 harness、数据、连接和运行时——那层调度模型的壳和喂给它的东西，也就是 agent 本身，别整包交给别人托管。

第二天 Hacker News 上有人开了个帖子：「你用什么硬件跑本地 LLM？」32 条回复，几乎没人谈立场，全是型号、价格和每秒 token 数。

这份清单比评测实在

最便宜的一档是捡二手。一台旧的 Dell T5820 塔机，64GB 内存，插两张 V100 32GB，整机一千八百美元上下，跑 Qwen3.8-27B 的 Q4 量化，单卡大约 55 tok/s。机主说这台管他所有个人项目，正经活还是交给大模型。

中间一档是只买主板。Framework Desktop 的 128GB 版，$2,699 加 $15 加急运费，机箱和电源用家里现成的，再贴两百美元。

再往上就是整机。有人用 M5 Max 的 MacBook，128GB 统一内存、18 核 CPU、40 核 GPU，评论区替他报了价：七千美元左右。他的用法挺清醒——设计和写规格用前沿模型，执行丢给本地。

也有人走极省路线：两年多攒了两张 7900XT 20GB，一张 $590 的开箱货，一张 $420 的二手，三年一共两千四百美元；还有人一千美元以内收了台翻新 M1 Max 64GB。差价接近七倍，跑的东西是同一类。

一个 5090 用户的总结我觉得最准：一旦开始把权重和 KV cache 拆到几台设备上，或者依赖统一内存，很快就进入收益递减，钱、电、速度三样一起变差。他的建议很土：选能装下「模型权重加上下文」的最便宜单机。

反面例子就在同一个帖子里。有人配了四台 M3 Ultra 的 Mac Studio，每台 512GB 统一内存，回答只有三个字：不推荐。理由是 EXO labs 已经没了，把模型切开跑本身就很难。

还有人用两台 ASUS GX10（换壳的 DGX Spark）做张量并行，跑 DeepSeek-V4-Flash。他买的时候价格「还只是平流层，不是中间层」，结论是就算按今天零售价的一半算，也远不如直接用云。

一个 3090 用户说自己不在这张卡上跑生成模型，太慢也不够准；他跑 embedding、OCR 和做判断的小模型。另一位把设计和规格交给前沿模型，本地只负责执行。还有个混合派：家里的 vLLM 跑 Qwen3.8-27B，前面套一条 Cloudflare tunnel，调度和检索留在云上。

这些用法的共同点很明确：任务固定、调用量大、不需要最新知识。是流水线，不是「替代 ChatGPT」。本地机器真正省下的，是那些每天跑几千次、又不想让数据出门的调用。

上面这些人有个共同点：都能一句话说清机器每天干什么——批量做 embedding、扫文档、跑测试、压上下文。说不清的人，机器买回来三个月就开始落灰，转手按二手卡折价。

所以门槛不在显卡，在这句话答不答得上来。答不上来，本地和云都是浪费；答得上来，一千八百美元和七千美元的机器都能干活。

我的看法：本地这套东西现在的合理定位，是给固定任务配一台专用机，不是把云搬回家。真准备动手，先去 HN 那个帖子里找一台跟你任务最像的机器，照抄配置，比看任何评测都准。

继续读