Niewielki komputer MaixStation od chińskiej firmy Sipeed ma rzucić wyzwanie Nvidia DGX Spark w wybranych zadaniach związanych z dużymi modelami językowymi. Producent przekonuje, że mimo znacznie niższej deklarowanej mocy obliczeniowej jego urządzenie może szybciej obsługiwać niektóre obciążenia oparte na modelach Qwen. To na razie wyniki przedstawione przez samą firmę — niezależne testy będą potrzebne, by potwierdzić tę przewagę.
Mały komputer, duże ambicje
MaixStation wykorzystuje układ Axera AX8860P, wyposażony w 16 rdzeni Arm Cortex-A55 i akcelerator AI o mocy do 256 TOPS. Typowy pobór energii ma wynosić około 40 W, a zasilanie odbywa się przez USB-C z wykorzystaniem zasilacza USB Power Delivery o mocy 65 W. Całość ma obudowę o wymiarach 110 × 110 × 30 mm.
Sipeed zestawia swoje urządzenie z DGX Spark, który według producenta Nvidii osiąga 1000 TOPS w obliczeniach FP4 z wykorzystaniem rzadkich danych (sparse). Firma zwraca jednak uwagę, że wynik ten nie musi przekładać się na podobną wydajność w rzeczywistych zadaniach. W obliczeniach gęstych (dense) teoretyczna wydajność DGX Spark jest niższa i zbliża się do 500 TOPS.
Wyniki dla modeli Qwen
Według opublikowanych przez Sipeed pomiarów 128-gigabajtowa wersja MaixStation nieznacznie wyprzedza DGX Spark w wybranych zadaniach związanych z modelami Qwen. Firma przypisuje to między innymi efektywniejszemu wykorzystaniu dostępnych zasobów podczas etapu prefill, czyli wstępnego przetwarzania danych wejściowych. Testy przeprowadzono bez funkcji speculative decoding opartej na przewidywaniu wielu tokenów.
Oba komputery mają oferować przepustowość pamięci na poziomie 273 GB/s. Sipeed twierdzi, że optymalizacje architektury pozwalają układowi Axery skuteczniej wykorzystywać tę przepustowość podczas inferencji. Różnica w przytoczonych wynikach jest jednak niewielka, a porównanie obejmuje ograniczony zakres modeli i zastosowań.
Wyniki zaprezentowane przez producenta warto traktować jako wstępne. O rzeczywistej przydatności MaixStation zdecydują niezależne testy oraz sprawdziany z różnymi modelami. Istotne będzie również to, czy deklarowana wydajność utrzyma się przy dłuższym obciążeniu.
Konfiguracje i ceny
MaixStation ma być oferowany w kilku wariantach pamięci. Podstawowy model z 32 GB ma kosztować mniej niż 2000 dolarów, a konfiguracja z 128 GB — poniżej 4000 dolarów. Dla porównania, cena Nvidia DGX Spark wynosi według artykułu około 6949 dolarów, choć początkowo zapowiadano przedział 3000–4000 dolarów.
Sipeed podaje, że wersja 32 GB poradzi sobie z modelem Qwen3.8-27B, a wariant 128 GB ma pomieścić Qwen3.8-Flash-Next 125B. Możliwe ma być także łączenie kilku urządzeń: dwa komputery zapewnią łącznie 256 GB pamięci, a zestaw złożony z czterech jednostek MaixStation Pro — 512 GB. Według Axery firmowe łącze AXLink może osiągać około 80-procentową efektywność komunikacji między układami w połączonych systemach.
Sprzęt i oprogramowanie
Procesor AX8860P powstaje w litografii 6 nm i obsługuje 256-bitową pamięć LPDDR5X oraz PCIe 5.0. Układ ma również możliwości związane z przetwarzaniem wideo: do 64 kanałów dekodowania i 16 kanałów kodowania. Wśród deklarowanych zgodnych narzędzi i formatów znalazły się między innymi PyTorch, ONNX, vLLM, SGLang oraz Hugging Face.
Producent planuje rozpocząć kampanię na Kickstarterze w ciągu kilku miesięcy. Osoby zainteresowane wcześniejszą rezerwacją mają móc wpłacić 30 dolarów, by uzyskać 100 dolarów zniżki. Do czasu premiery nie są jednak przesądzone ostateczne ceny, dostępność ani rzeczywista wydajność urządzenia w niezależnych testach.
MaixStation wyróżnia się obietnicą wysokiej wydajności przy niskim poborze energii i cenie niższej niż w przypadku DGX Spark. Na razie najważniejsze deklaracje pochodzą jednak od samego Sipeed, a rezultaty dla jednego rodzaju obciążeń nie przesądzają o przewadze w innych zadaniach. Kluczowe będzie sprawdzenie, jak komputer radzi sobie z różnymi modelami i jak działa w konfiguracjach łączących kilka urządzeń.


40 W i 128 GB w tak małej obudowie brzmi ciekawie. Poczekam jednak na testy poza materiałami producenta.
„Wyprzedza DGX Spark” w wybranych testach Qwen to dość wąska deklaracja. Bez pełnych wyników i metodologii takie porównanie niewiele mówi.
Sama liczba TOPS jest mało użyteczna bez informacji o precyzji, batch size i narzędziach. Przy inferencji ważne będą też opóźnienia i wydajność dla różnych długości kontekstu.
Przerabiałem już sprzęt, który na papierze świetnie wypadał w AI, a potem ograniczały go sterowniki i obsługa modeli. Tu najbardziej ciekawi mnie jakość wsparcia dla vLLM i SGLang.
Ktoś wie, czy te 32 GB będą w całości dostępne dla modelu, czy część zabierze system i runtime? Przy większym Qwenie każdy GB może mieć znaczenie.
Nie porównywałbym bezpośrednio 256 TOPS z wynikiem DGX Spark w FP4 sparse. To inne warunki obliczeń; potrzebne są testy na tych samych modelach i ustawieniach.
Cena poniżej 2000 dolarów brzmi lepiej niż prawie 7000 za Sparka, ale dopiero dostępność poza Kickstarterem i długoterminowe wsparcie pokażą, czy to realna alternatywa.