DGX Spark 64GB与128GB怎么选？本地AI设备内存选型指南
DGX Spark新增64GB统一内存配置后，本地AI设备开始形成更清晰的容量分层。本文从Memory Budget、上下文、Agent、多模型和多节点扩展出发，说明64GB与128GB分别适合什么工作负载，以及什么时候应进一步考虑工作站、AI Box或GPU服务器。
DGX SparkNVIDIA GB10本地AI统一内存
AI Infrastructure Knowledge Hub
指南
70 个指南条目
两张48GB能不能当96GB用？单卡大显存与多卡部署怎么选
两张 48GB GPU 的物理显存总量确实是 96GB，但并不等于一张拥有 96GB 统一显存的 GPU。模型是否能跨卡运行，取决于 Tensor Parallel、Pipeline Parallel、FSDP 等并行方式，以及模型、框架和 GPU 间通信能力。本文从显存容量、模型切分、KV Cache、通信开销、并发与部署复杂度解释两张 48GB 和单张 96GB 分别适合什么场景。
48GB GPU96GB GPU多GPU多卡显存
AMD EPYC 9006完整型号与SP7/SP8选型指南
AMD EPYC 9006 当前公开 31 款 SP7 / SP8 型号，覆盖 8–256 核、高频 F 系列与单路 P 系列。本文不仅汇总完整 SKU 参数，还从核心密度、频率、内存带宽、PCIe、单/双路与 AI/HPC/EDA 等实际工作负载说明选型方法。
AMD EPYC 9006 型号EPYC 9006 SKUSP7SP8
RTX PRO 6000 AI服务器整机怎么配？CPU、内存、存储与网络配置方法
多张 RTX PRO 6000 并不意味着只增加 GPU 即可。4卡或8卡 AI 服务器还需要匹配 CPU PCIe 资源、系统内存、NVMe 数据通路、网络带宽、电源和散热。本文从整机架构出发说明多卡服务器的配置逻辑。
RTX PRO 6000 AI服务器多GPU服务器4卡GPU服务器8卡GPU服务器
赋创 FR50D 支持哪些大模型？本地模型适配说明
FR50D 面向边缘端与桌面端的大模型本地部署设计，支持 Qwen3.6-35B、Qwen3.6-27B 及 35B 以下系列模型，并支持 Qwen3.8-27B 本地推理运行。针对不同模型规模、量化方式和上下文需求，可在 FR50D 上完成模型加载、推理和 API 应用部署。
赋创FR50DQwen3.6-35BQwen3.8-27BQwen3.6-27B
赋创 FR50D AI BOX：320 TOPS 本地 AI 部署与应用指南
赋创 FR50D AI BOX 面向边缘端与桌面端本地 AI 部署，采用 RK3588 与 LQ50（Duo）协同架构，最高提供 320 TOPS@INT8 算力，支持 LLM、VLM、本地知识库与多模态推理，并已完成多款 Qwen 模型的本地运行验证。
赋创FR50 AI BOXAI BOX本地模型部署边缘AI
赋创 FR50D运行Qwen 35B与27B：环境、资源占用与实测记录
赋创 FR50D AI边缘Box运行Qwen3.6-35B、Qwen3.8-27B及部分Qwen3.6-27B量化模型的工程测试记录，包含环境、显存、Prefill、TTFT、Decode、Chat API与部署边界。
赋创 FR50DQwen3.6-35BQwen3.8-27BAI边缘Box
为什么大模型需要多张 GPU？从显存需求到 TP、PP、DP 讲清 8 卡部署逻辑
大模型为什么经常需要 4 张、8 张甚至更多 GPU？本文从模型权重与运行时显存、TP/PP/DP 并行方式、多 GPU 通信与扩展效率出发，解释多卡部署到底在解决什么，以及实际选型时应该关注哪些指标。
大模型部署GPU服务器多GPUTensor Parallel
Qwen3.8-27B 本地推理怎么评估？显存、Context、TTFT、Prefill、Decode 与推理引擎
Qwen3.8-27B 的 4-bit 量化权重约 17GB，但模型能装下并不等于实际部署就顺畅。结合多平台公开 Benchmark，梳理显存余量、Context、TTFT、Prefill、Decode、MTP 与推理引擎对本地推理体验的影响，并给出不同业务场景下的评估重点。
Qwen3.8-27B本地推理本地模型部署5090
一台 AI 服务器的参数到底怎么看？GPU、CPU、内存、互联与网络选型指南
看 AI 服务器配置不能只看 GPU 型号和数量。本文从 GPU 显存与带宽、CPU、系统内存、PCIe 拓扑、NVLink/NVSwitch、网络、存储、电源散热和软件栈出发，解释一台 AI 服务器的关键参数分别解决什么问题，以及训练、推理和科研场景应该怎样判断配置是否合理。
AI服务器GPU服务器GPU显存PCIe拓扑
GLM-5.3 本地部署配置指南：H20、H200、B200 怎么选？
GLM-5.3 本地部署需要什么配置？本文梳理 Native FP8 的 8×H20、8×H200、8×B200 配置参考，以及 Context、KV Cache、TP8、vLLM/SGLang、并发和验收中的关键问题。
GLM-5.3GLM-5.3本地部署H20H200
数字孪生+AI算力怎么规划：四类负载与平台选择
数字孪生项目不能按软件名称直接套配置。本指南从建模、仿真、合成数据和AI推理四类负载出发，说明CPU、GPU、显存、内存、存储和网络的判断方法，并给出工作站、服务器及集群的升级条件。
数字孪生工业AIGPU服务器仿真计算
GPU服务器怎么验收？高端AI服务器交付测试与验收指南
GPU服务器到货后怎么验收？从配置核验、GPU健康与压力测试，到PCIe/NUMA、P2P、NCCL、存储、多节点RDMA和业务负载，梳理单机、多GPU及AI集群的交付验收方法。
GPU服务器AI服务器服务器验收多GPU
机器人仿真工作站还是服务器？CPU、GPU、显存与并行规模选型指南
机器人仿真选工作站还是服务器，应结合交互开发、场景复杂度、传感器路数、并行环境、多人共享与持续运行需求判断。本文提供硬件资源范围、多GPU边界和PoC指标。
机器人仿真工作站机器人仿真服务器GPU服务器Isaac Sim配置
机器人仿真性能瓶颈排查：并行环境、传感器与数据I/O指南
机器人仿真运行慢、GPU利用率低或并行环境扩展不理想，应从物理求解、渲染与传感器、CPU调度、显存、内存及数据I/O逐层排查。本文提供测试顺序、指标和常见误区。
机器人仿真性能具身智能训练仿真性能瓶颈并行环境
机器人算力PoC怎么做？测试任务、性能指标与验收清单
机器人算力PoC应使用可复现的代表任务，覆盖数据处理、仿真、训练和推理，并记录吞吐、时延、显存、I/O、多GPU扩展与稳定性。本文提供测试步骤、指标和验收清单。
机器人算力PoCGPU服务器测试机器人仿真测试训练服务器验收
机器人项目算力规划指南：仿真、训练、推理与GPU服务器怎么选
机器人项目需要多少算力，应结合机器人类型、项目阶段、数据链路、仿真规模、模型训练与部署位置判断。本文提供CPU、GPU、显存、内存、存储和网络的资源映射与PoC方法。
机器人算力机器人服务器具身智能算力机器人仿真
机器人训练服务器怎么配置？VLA微调、强化学习与并发实验资源估算
机器人训练服务器配置不能只按模型参数或GPU数量判断。本文从VLA微调、模仿学习、强化学习和并发实验拆解显存、GPU、CPU、内存、存储与网络，并给出阶段资源范围和PoC方法。
机器人训练服务器具身智能训练VLA微调强化学习服务器
机器人训练数据平台怎么规划？视频、状态数据与Episode存储指南
机器人训练数据平台需要同时管理多路视频、状态、动作、任务描述和Episode元数据。本文提供容量估算、文件组织、热数据与归档分层、训练读取、网络吞吐及数据治理方法。
机器人训练数据平台Episode存储机器人视频数据LeRobotDataset
模仿学习、强化学习与VLA微调分别需要什么算力？选型指南
模仿学习、强化学习与VLA微调的算力瓶颈不同：轻量策略重视视频读取，仿真强化学习重视环境吞吐，VLA微调重视基础模型显存与多模态激活。本文提供分阶段估算方法。
模仿学习算力强化学习算力VLA微调GPU服务器
DeepSeek V4 Pro正式版上线：API、开源权重与本地部署怎么选？
DeepSeek V4 Pro正式版同时提供API与开放权重，企业可以选择API、本地部署或混合部署。选型时应综合评估数据边界、调用规模、Agent任务长度、并发目标、基础设施和运维能力，并通过PoC校正实际资源需求。
DeepSeek V4 ProDeepSeek开源大模型私有化部署
AI+EDA算力平台怎么配置？CPU、GPU、内存与存储规划指南
按逻辑仿真、形式验证、并行回归、本地大模型和多物理场等负载，梳理AI+EDA算力平台的CPU、GPU、内存、NVMe、共享存储与验收方法。
AI+EDAEDA服务器EDA算力平台EDA集群
EDA服务器怎么配置？大型工程仿真、并行编译与本地AI算力指南
按RTL编译、逻辑仿真、并行回归、综合与布局布线、本地AI等负载，说明EDA服务器的CPU、内存、NVMe、共享存储、GPU及PoC验证重点。
EDA服务器EDA算力平台EDA工作站芯片设计
大模型推理显存怎么计算？从模型权重、KV Cache到并发容量规划
给出大模型推理显存的工程化估算方法：分别计算模型权重、KV Cache、运行时工作区与安全余量，并解释上下文、并发、GQA/MQA、量化和多GPU并行如何改变实际容量。
大模型显存推理显存KV Cache模型参数
国产GPU项目PoC测试与验收清单：从模型适配到生产可运维性
国产GPU项目PoC不能只比较峰值算力。本文提供从硬件健康、驱动运行时、模型与算子适配、单卡/多卡性能、并发、稳定性到迁移与运维的中立验收清单。
国产GPU国产算力PoCGPU验收信创AI
AI GPU参数怎么看？算力、显存和显存带宽如何影响训练与推理
从算力、显存容量、显存带宽三个核心参数解释AI GPU规格表，并扩展到GPU互联、PCIe、功耗散热与软件生态，帮助训练和大模型推理项目建立完整选型框架。
GPU参数GPU算力GPU显存显存带宽
AI服务器采购需求信息表：模型、并发、数据与机房条件怎么梳理
采购AI服务器前先明确模型版本、精度、上下文、并发、数据规模、网络存储和机房条件。本文提供可直接用于需求沟通的企业AI服务器需求信息表，适用于GPU服务器与集群采购前期梳理。
AI服务器采购AI服务器需求表GPU服务器选型大模型部署
AI服务器机柜功率怎么估算？从整机功耗到PDU与散热规划
高密度GPU服务器上架前如何估算机柜功率？本文从整机最大功耗、供电冗余、PDU/回路、电压、热负载与扩容空间说明机房侧规划方法，并给出上架前核验清单。
AI服务器功率GPU服务器功耗机柜功率PDU
AI服务器PoC与验收指标怎么定？从功能、性能到稳定性的企业验收指南
AI服务器PoC不应只跑一次模型或只看GPU峰值性能。本文给出从业务任务、TTFT/TPOT、吞吐、并发、稳定性到软件环境和故障恢复的可复用验收框架。
AI服务器PoCAI服务器验收GPU服务器测试大模型部署
CUDA、驱动、框架与容器版本如何建立兼容矩阵？
企业GPU服务器部署如何管理NVIDIA驱动、CUDA、PyTorch/推理框架、NCCL与容器版本？本文给出兼容矩阵建立、验证、冻结和升级的工程方法。
CUDA兼容NVIDIA驱动PyTorch容器
TTFT、TPOT、吞吐与并发：大模型推理服务怎么验收？
解释TTFT、TPOT/ITL、吞吐、并发、P95/P99等大模型推理指标的含义与关系，并给出企业推理服务从单请求基线到SLA容量边界的验收方法。
TTFTTPOTITL大模型推理
Kimi K3部署指南：2.8T MoE、API、自托管与GPU集群规划
Kimi K3采用2.8T总参数、104B激活参数、MXFP4权重与1M上下文。基于2026年8月5日官方资料，详解Kimi K3 API、自托管、vLLM/SGLang/TokenSpeed、GPU集群、长上下文与企业PoC规划。
Kimi K3Kimi K3部署Kimi K3私有化部署MoE
大模型训练Checkpoint存储与恢复怎么设计
Checkpoint设计的目标不是多存文件，而是在故障后按约定时间恢复正确状态。本文覆盖状态范围、分布式格式、写入提交、分层存储、保留和恢复演练。
大模型Checkpoint训练恢复分布式Checkpoint模型训练
多模型并发部署如何做GPU资源隔离
多模型并发部署需要同时约束显存、计算、故障域和服务等级。本文用隔离等级、准入台账和干扰测试说明整卡、MIG与共享调度的选择方法。
GPU资源隔离多模型并发部署MIGGPU共享
多组学与分子模拟为什么同时需要CPU、GPU和高速存储
多组学与分子模拟是异构、多阶段工作流：CPU负责数据准备与部分算法，GPU加速适配计算核，高速存储连接数据、临时空间和结果。本文给出工作流映射与验收方法。
多组学计算分子模拟生命科学HPCCPU GPU存储
多GPU服务器、GPU集群与超节点怎么选？企业AI算力选型指南
从业务负载、显存并发、互连网络、软件生态、机房条件和三年TCO出发，判断企业应该选择多GPU服务器、多节点集群还是Scale-up超节点
AI服务器GPU服务器GPU集群超节点
全闪NVMe存储如何与GPU服务器匹配
全闪NVMe不能只按峰值带宽匹配GPU服务器。本文从工作集、I/O形态、并发、元数据、网络和PCIe拓扑建立需求模型，并给出端到端联调清单。
全闪NVMeGPU服务器存储GPUDirect StorageAI存储
EDA算力平台如何做性能基线与验收
EDA平台验收应以真实任务完成时间和并发能力为主，以CPU、内存、存储和网络微基准定位原因。本文给出测试合同、分层基线和变更复测方法。
EDA算力平台EDA验收HPC基准EDA
GPU服务器监控哪些指标：显存、功耗、温度与利用率
GPU监控不能只看利用率。本文按容量、活动、热功耗、互联与错误五组信号组织指标，并说明如何用基线、持续时间和业务指标设计告警。
GPU服务器监控GPU显存监控GPU功耗温度DCGM
大模型推理精度与量化怎么选：BF16、FP8、INT8与INT4
本文从数值格式、量化方式、GPU与推理框架支持、理论权重容量、KV Cache、性能压测和质量回归等维度，说明BF16、FP8、INT8与INT4的适用边界，并给出企业大模型推理部署的选型与验收方法。
大模型量化BF16FP16FP8
NVIDIA H200 企业选型知识库｜赋创 FUCHUANG
面向企业架构、采购、运维与业务负责人的 NVIDIA H200 选型知识库，覆盖规格形态、显存估算、多卡互联、整机瓶颈、业务决策、PoC 验收、FAQ 与官方来源。
NVIDIA H200AI 服务器GPU 选型大模型部署
GLM-5.2服务器配好后如何上线？POC、KV Cache与生产验收
GLM-5.2本地部署后如何进入生产环境？本文说明KV Cache、1M上下文、max-model-len、max-num-seqs、POC测试、模型服务架构和上线验收。
GLM-5.2POCKV Cache1M上下文
科研计算工作站、服务器与HPC集群如何选择？
从软件并行能力、单任务规模、并发数量、内存、GPU、存储、网络和运维方式出发，判断科研计算应选择工作站、服务器还是HPC集群。
科研计算HPC计算工作站计算服务器
芯片设计企业如何建设EDA算力平台？
EDA算力平台不能只采购计算节点，还要统一规划异构CPU节点、共享存储、调度、许可证、权限、安全和运维。本文给出分阶段建设方法。
EDA算力平台芯片设计HPC集群作业调度
Ansys Fluent流体仿真服务器如何配置？
从网格规模、物理模型、稳态与瞬态、CPU或GPU求解、内存、网络和存储出发，说明Ansys Fluent服务器与集群的配置方法。
Ansys FluentCFD流体仿真CPU服务器
CPU NUMA如何影响多GPU服务器性能？
NUMA会影响多GPU服务器中的CPU、内存、GPU、网卡和NVMe访问路径。本文说明常见性能问题、检查工具和进程绑定方法。
NUMA多GPUGPU服务器PCIe拓扑
EDA前端验证、后端实现与SPICE仿真如何选硬件？
EDA前端验证、后端实现、静态时序和SPICE仿真具有不同的CPU、内存、并发和存储特征。本文按工作负载说明节点选型方法。
EDA前端验证后端实现SPICE仿真
MATLAB科学计算应选高频CPU、GPU还是集群？
MATLAB能否从高频CPU、GPU或集群受益，取决于函数支持、代码结构、数据规模和任务并发。本文给出分场景选型与验证方法。
MATLABParallel Computing ToolboxGPU计算并行计算
8卡GPU服务器CPU、内存与PCIe配置指南
8卡GPU服务器配置需要同时考虑CPU、内存、PCIe或NVSwitch、网卡、NVMe和NUMA。本文给出PCIe八卡与HGX平台的配置与验收重点。
8卡GPU服务器CPU内存PCIe
单路还是双路CPU更适合AI服务器
AI服务器选择单路还是双路，取决于GPU数量、PCIe资源、内存容量、NUMA和整机成本。本文对比两种架构的适用场景、优势与部署边界
单路CPU双路CPUAI服务器NUMA
AI服务器CPU怎么选：核心数、频率与PCIe通道
AI服务器CPU选型不能只看核心数，还要综合频率、内存通道、PCIe资源、NUMA拓扑和GPU数量。本文给出面向训练、推理和多卡服务器的判断方法。
AI服务器CPU选型PCIeNUMA
GLM-5.2本地部署配置推荐：FP8、1M上下文与Q4方案
GLM-5.2需要多少GPU？本文给出8×H200、8×H20、8×B200及Q4量化配置，并说明1M上下文、内存、存储、框架和上线验收。
GLM-5.2H200B200pro 6000
GPU服务器CPU与GPU数量如何匹配？
GPU服务器CPU与GPU数量的匹配取决于PCIe通道、NUMA、内存、网络和存储，而不是固定比例。本文给出1卡、4卡和8卡服务器的配置判断逻辑。
GPU服务器CPU多GPUPCIe
AMD Instinct 八卡服务器部署要注意什么?
AMD Instinct 八卡服务器通常采用 OAM 与 UBB 平台，部署需要同时规划 Infinity Fabric、CPU与NUMA、主机内存、400G网络、ROCm、供电散热和系统验收。本文给出可执行的节点与集群检查框架。
AMD 八卡服务器AMD Instinct 8 GPUMI300X 八卡服务器MI325X 八卡服务器
CUDA 应用迁移到 AMD ROCm 需要做什么
CUDA应用迁移到AMD ROCm不是简单替换驱动，需要盘点框架和依赖库，使用HIP/HIPIFY转换自定义代码，将NCCL迁移到RCCL，并完成容器、正确性、性能与多卡回归。
CUDA迁移ROCmCUDA转HIPNVIDIA迁移AMD GPUHIPIFY
国产芯片训练万亿参数模型之后，企业信创AI项目该怎么看？
国产芯片已开始支撑万亿参数模型训练，但企业信创AI项目不能只看模型规模和芯片参数。本文从模型适配、软件生态、性能测试、迁移成本、供应服务和实施路径等维度，说明企业应如何评估国产算力方案
国产AI芯片信创AI国产算力大模型部署
企业AI Agent进入生产环境，需要怎样的运行底座？
企业AI Agent进入生产环境，需要模型推理、任务编排、知识与记忆、工具连接、安全隔离、AgentOps和算力基础设施共同支撑。本文给出架构分层、算力规划、安全边界和分阶段部署方法。
企业AI AgentAgent生产环境AgentOps私有化部署
金融行业国产AI基础设施规划指南
金融行业建设国产AI基础设施，需综合考虑GPU、服务器、网络、存储、AI平台和软件环境。本文提供从选型到分阶段实施的系统规划指南，帮助技术决策者构建稳定可扩展的金融AI系统。
国产GPU金融AIAI算力平台国产GPU
NVIDIA RTX PRO 5000 Blackwell：48GB/72GB参数、AI部署能力与选型建议
解析NVIDIA RTX PRO 5000 Blackwell 48GB与72GB版本的核心参数、大模型推理与微调能力、多卡部署边界，并对比RTX 5090和RTX PRO 6000，帮助企业完成GPU采购选型。
NVIDIARTX PRO 5000Blackwell专业GPU
高校科研算力中心建设指南
面向高校、科研院所和实验室的科研算力中心建设指南，覆盖 AI/HPC 资源池、教学实训、科研训练、RAG 平台、网络存储、调度和运维治理。
guideresearch-computingeducationhpc
行业知识库项目落地指南
面向企业和行业客户的知识库项目落地指南，覆盖文档盘点、RAG 架构、权限隔离、引用溯源、评测集、上线验收和持续运营。
guideenterprise-knowledge-baseragprivate-llm
医疗 AI 算力规划指南
面向医院、影像中心、药企和医疗科研机构的 AI 算力规划指南，覆盖医学影像、临床文档、药物研发、多模态医疗大模型和私有化部署边界。
guidehealthcaremedical-imagingclinical-ai
自动驾驶算力规划指南
面向自动驾驶感知训练、仿真、数据闭环、端到端模型和车端推理验证的算力规划指南，强调训练集群、仿真渲染、存储吞吐和多节点网络。
guideautonomous-drivingai-trainingsimulation
推理服务器选型指南
面向企业大模型和 RAG 推理服务，给出按模型规模、上下文长度、并发、显存、框架和服务化方式选择推理服务器的方法。
guideinferenceserverllm-serving
训练服务器选型指南
面向大模型训练、微调和科研计算，梳理训练服务器在 GPU、NVLink/NVSwitch、InfiniBand、CPU、存储、供电散热和调度系统上的选型方法。
guidetrainingserver8-gpu
AI 服务器采购避坑指南
面向企业 AI 服务器采购，梳理从业务场景、GPU、CPU、网络、存储、供电散热、软件栈到交付验收的关键检查项，避免只按单卡型号采购。
guideprocurementai-servergpu-server
私有化 RAG 实施指南
面向企业私有化知识库项目，给出 RAG 从数据边界、文档处理、Embedding、向量库、重排、生成、权限和运维到上线节奏的实施路径。
guideragprivate-deploymententerprise-knowledge-base
企业级大模型部署规格指南
基于 NVIDIA AI Enterprise 等官方资料，给出企业私有化和生产级大模型部署时的规格设计方法，包括业务目标、数据边界、并发、系统分层和演进路径。
guideenterprise-llmprivate-deploymentsizing
Qwen 系列模型部署规格指南
基于 Qwen 官方模型页与 Qwen2.5-72B 模型卡，给出 Qwen 系列模型按参数规模、上下文长度、并发目标和部署阶段进行资源规划的方法。
guideqwendeploymentsizing
DeepSeek-R1-32B 选型指南
围绕 DeepSeek-R1-32B 的模型特征、GPU 组合、量化路线与典型业务场景进行系统化选型说明。
guidedeepseek32bmodel-sizing