一位 Reddit 用户把一台二手笔记本升级到 96GB 内存，总投入约 3100 英镑，让 Qwen 量化模型达到每秒近 49 个 token（生成与读取速度），这一实测显示，本地运行大模型的门槛正从专用设备转向可改装的消费硬件。

这是什么

这不是厂商发布的新产品，而是一笔个人 DIY 硬件账：MSI Vector 16 搭配 RTX 5080、32GB 内存，再换入二手 96GB 笔记本内存；设备还保留两个雷电 5 接口，可连接外置显卡。作者还用 GLM 5.3 Flash 的 Q3 量化版本测得约每秒 25 个 token。

关键不是“笔记本能跑多大模型”，而是显存与内存容量决定模型能否完整驻留。量化，是把模型参数压缩到更低精度，以减少硬件占用并换取可接受的速度。

行业怎么看

这件事值得关心，因为本地 AI 的成本结构正在松动：高端桌面小主机约 3500 英镑、标称 128GB 内存的所谓 AI 笔记本约 3200 英镑，而改装方案反而更便宜，并保留便携性。对想处理敏感资料、减少云端调用费用的人，这是一条可行路径。

但反对意见也很明确：这只是单个用户的单次测试，不能代表稳定性、散热、噪音和长期兼容性。96GB 二手内存约 800 英镑，配件价格与来源需要核验；雷电接口的实际带宽、外接供电、软件适配以及模型效果，都可能让账面性能打折。更重要的是，文章提到模型“角色扮演能力”不足，说明跑得动与用得好之间仍有距离。

对普通人的影响

对企业 IT：本地模型可作为云端服务的补充，适合数据不能外传的特定任务，但采购前应实测模型、驱动和并发负载，不能只看 token 速度。

对个人职场：大容量笔记本有机会承担文档摘要、代码辅助等任务，不过扩容成本、续航和散热仍是现实约束，便携性与性能通常无法同时拉满。

对消费市场：内存容量和扩展能力可能比单纯标称“AI 本”更值得关注，但当前方案仍偏小众，尚不足以证明高价 AI 笔记本普遍缺乏性价比。