作者lordmi (星宿喵)
看板PC_Shopping
標題Re: [菜單] 80K 超輕度AI+遊戲機 -本地佈署LLM的需求
時間Wed Aug 5 17:57:21 2026
※ 引述《doasgloria (青柳立夏)》之銘言：
: 已買/未買/已付訂金（元）： 未買(預計在日本購買)
: 預算/用途：80K (約40萬日幣)
: 主要希望可以跑一些極輕度LLM LORA練習(3B 7B量化模型)
最近看很多人想玩本地LLM，稍微聊一下10萬預算顯卡怎麼組比較好
前提條件先設在部署 FP8 格式、體積較大的 27B 級稠密模型。基本上真要有
生產力的模型都大於這個起跑線，低於這個規模先不談。
無腦買5090一張就超過10萬了，然後也不能放進去，得買兩張
如果是搞色圖或色影，那還是NVIDIA 吧
便宜的綠廠垃圾佬方案是3080魔改套4090散熱器兩張共40GB，目前中國價格含券似乎
在3500一張上下。不過只保一年而且是中國國內
如果限定到台灣，可買到新品是：
比較正常(?)的方案，四張單槽 RTX5060Ti/16GB。中國那邊有人測試
四卡系統待機功耗低於 100W，滿載低於 600W；滿載時風扇約 40%～50%，GPU
溫度不到60C。
如果你是紅廠信徒，只想戰未來。替代方案：兩張 AMD R9700 32GB，合計64GB。
雙卡成本約10萬元。與4張16GB相比，雙卡架構在物理安裝、供電、線材、故障點
與系統管理方面都更簡單
如果不重視CUDA生態對作圖作影片的優勢，R9700處理事務跟Coding還是可取的。
大概就是這樣，反正你不買我不買明天貴5000，要用就買吧
--
弟子｢先生、処女を貴重だと思う男は多いです?」 孔明「
..その通りだ ｣
弟子｢しかし逆に童貞は女に気持ち悪がられます? ｣孔明「
....確かに ｣
弟子｢おかしいじゃないですか、何故このような意識の違いが生まれるのですか ｣
孔明｢
それは一度も侵入を許していない砦は頼もしく
一度も侵入に成功しない兵士は頼りないからだ! ｣
原出：「孔明の罠だ！」(民明書房新刊)
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.229.90.181 (臺灣)
※ 文章網址: https://webptt.com/m.aspx?n=bbs/PC_Shopping/M.1785923845.A.C8C.html
1F：推 kcy05785: 更低買中國2080ti魔改2張22k搞定 114.34.209.162 08/05 18:05
2F：→ kcy05785: 剩下就這樣板子要能拆成X8+X8的 114.34.209.162 08/05 18:05
3F：→ kcy05785: 我弄一弄整機不到50k 114.34.209.162 08/05 18:06
4F：推 seemoon2000: 中國他們網友都說店保=不保=送張哥 45.144.227.57 08/05 18:11
5F：推 pphyy5844548: 2張5080不知道可不可行，跑Qwen 3 39.10.48.1 08/05 18:17
6F：→ pphyy5844548: .5 27B 39.10.48.1 08/05 18:17
7F：→ pphyy5844548: 我主機板最多裝兩張，再上去就不知 39.10.48.1 08/05 18:18
8F：→ pphyy5844548: 道怎麼裝了@@ 39.10.48.1 08/05 18:18
9F：推 cercloud: 藍廠的B70有未來可以戰嗎 49.217.129.222 08/05 18:18
10F：推 kcy05785: 2張5080大概是2張2080ti魔改的5-6倍價 114.34.209.162 08/05 18:20
11F：→ kcy05785: 2張2080ti足夠跑27B的模型了 114.34.209.162 08/05 18:20
12F：推 GenShoku: 目前最便宜的方案就雙3090共48G 可以認 123.192.94.227 08/05 18:20
13F：→ GenShoku: 真開始跑些有用的東西 再上去就是看dgx 123.192.94.227 08/05 18:20
14F：→ GenShoku: spark跟mac了 123.192.94.227 08/05 18:20
15F：→ kcy05785: 3090的價格炒到1張30k以上，還不保證 114.34.209.162 08/05 18:21
16F：→ kcy05785: 是不是礦卡。 114.34.209.162 08/05 18:21
17F：→ kcy05785: 要不然20k出頭的3080是真的可以 114.34.209.162 08/05 18:22
18F：推 kcy05785: 講錯3090 114.34.209.162 08/05 18:25
19F：推 deolinwind: b70看起來便宜，但滯銷代表還是貴 118.233.161.3 08/05 18:27
20F：推 eddy13: 一般個人本地跑會選FP8的應該算少數吧， 114.137.19.103 08/05 18:32
21F：→ eddy13: 選GGUF的Q4等級的應該比較多 114.137.19.103 08/05 18:32
22F：推 moonkuma: 3080 20g*2也不錯 40gb能跑的東西也不少 49.158.135.118 08/05 18:44
23F：推 seemoon2000: 32G級別的就是看27b 35b這次qwen3.8223.137.118.232 08/05 18:53
24F：→ seemoon2000: Q4量化"目前"的模型都是會大幅弱化223.137.118.232 08/05 18:54
25F：→ seemoon2000: tool calling的能力 但這塊剛好是本223.137.118.232 08/05 18:54
26F：→ seemoon2000: 地化AI最重要的技能 反而不是知識和223.137.118.232 08/05 18:54
27F：→ seemoon2000: 長鏈推理223.137.118.232 08/05 18:54
28F：推 GenShoku: Q4量化tool calling能力是一坨，至少Q6 123.192.94.227 08/05 20:41
29F：→ GenShoku: 才勉強能用，Q8才能真正發揮9成5實力 123.192.94.227 08/05 20:41
30F：推 ck203l5: 可以改用混合架構? 像LM Studio新推出 65.211.18.190 08/05 21:34
31F：→ ck203l5: 的Bionic軟體搭配Q4的模型，呼叫工具 65.211.18.190 08/05 21:34
32F：→ ck203l5: 這種工作給Bionic透過Python去做即可 65.211.18.190 08/05 21:34
33F：→ ck203l5: 至少這邊看它做Word Excel PDF這種文件 65.211.18.190 08/05 21:36
34F：→ ck203l5: 讀取+思考分析+產製文檔結果還不算太差 65.211.18.190 08/05 21:36
35F：推 visa829: Dense模型像Qwen 27B對Q4量化沒那麼敏感 220.134.116.61 08/05 21:38
36F：→ visa829: 真的有餘裕才往上看Q5 Q6 Q8可是VRAM高很 220.134.116.61 08/05 21:39
37F：→ visa829: 多。MoE模型像Qwen 35B-A3B用張6GB以上 220.134.116.61 08/05 21:40
38F：推 sdbb: 謝謝 112.104.65.143 08/05 21:41
39F：→ visa829: 的顯卡都能跑到1x tg/s了，單張卡塞不進 220.134.116.61 08/05 21:41
40F：→ visa829: 27B的就35B-A3B或是Gemma4 12B/MoE玩玩就 220.134.116.61 08/05 21:42
41F：→ visa829: 好。不過MoE據社群說對量化程度比較敏感 220.134.116.61 08/05 21:43
42F：→ visa829: RAM大一點，把VRAM塞不下的用--n-cpu-moe 220.134.116.61 08/05 21:44
43F：→ visa829: 往RAM丟就好了，跑Q6 Q8都有可能，pp tg 220.134.116.61 08/05 21:44
44F：推 seemoon2000: MoE在APEX量化 工具調用下滑比較少 82.140.187.28 08/05 21:44
45F：→ visa829: 也不會太差 220.134.116.61 08/05 21:45
46F：→ ganei: 其實色圖跟色影有板上的CUI大禮包在罩，用A118.165.155.217 08/05 21:48
47F：→ ganei: MD反而俗又大碗，真的要跑LLM刷CODE寫作業118.165.155.217 08/05 21:48
48F：→ ganei: ，那還得推薦NV才行(16GB起跳)，蘇媽要扳回118.165.155.217 08/05 21:48
49F：→ ganei: 一城等下一代看有沒有機會。118.165.155.217 08/05 21:48
50F：推 ganei: 另外塞的資料如果沒有很肥，也能接受慢一截118.165.155.217 08/05 21:54
51F：→ ganei: 的prefill速度(提示詞輸入後要等一下才反應118.165.155.217 08/05 21:54
52F：→ ganei: )，MoE可以幫忙省不少VRAM，118.165.155.217 08/05 21:54
53F：→ ganei: 只要VRAM比換算完大小的AxxB大(但是MB RAM118.165.155.217 08/05 21:54
54F：→ ganei: 要夠大，塞剩下的模型)，調整一下允許的上118.165.155.217 08/05 21:54
55F：→ ganei: 下文長度後大多有 約10~2x T/S 的回應速度118.165.155.217 08/05 21:54
56F：→ ganei: ，以個人小玩的程度來說堪用了118.165.155.217 08/05 21:54
57F：推 nippleman: 本地模型的話會建議直接蹲RTX Sparka嗎 61.70.104.17 08/05 22:48
58F：推 ck203l5: 之前7/24發的文用2張9060XT-16G跑27B 65.211.18.190 08/05 23:00
59F：→ ck203l5: Dense模型，上下文開到128K，效能最差 65.211.18.190 08/05 23:00
60F：→ ck203l5: 的Ollama是13t/s，換LM Studio大概有 65.211.18.190 08/05 23:00
61F：→ ck203l5: 14~15t/s，作為AI文書助手來說尚可用 65.211.18.190 08/05 23:00
62F：→ ck203l5: 未來AMD卡能穩用Tensor Parallelism 65.211.18.190 08/05 23:00
63F：→ ck203l5: 的話應該會更快。 65.211.18.190 08/05 23:00
64F：推 seemoon2000: RTXspark 128G應該就是穩破20萬了 45.144.227.42 08/05 23:39
65F：推 tazi: 那麼哪裡買得到呢T_T。只能租雲端? 114.26.178.182 08/06 00:06