Test ASUS ProArt GR1X. Komputer przyszłości, którego dziś prawie nikt nie potrzebuje

Sztuczna inteligencja rozwija się dziś w takim tempie, że nawet osoby regularnie śledzące tę branżę mogą mieć problem z nadążaniem za kolejnymi nowościami. NVIDIA od dłuższego czasu próbuje nas z kolei przekonać, że przyszłość AI nie musi rozgrywać się wyłącznie w ogromnych serwerowniach. Jednym z przykładów takiego podejścia jest platforma NVIDIA RTX Spark N1X, którą znajdziemy w ASUS ProArt GR1X.
Test ASUS ProArt GR1X. Komputer przyszłości, którego dziś prawie nikt nie potrzebuje

Ostatnie dni spędziłem właśnie z niewielkim komputerem ASUS ProArt GR1X wyposażonym w 64 GB pamięci zunifikowanej. Każdego dnia zastanawiałem się, jak tu dobrze odpowiedzieć na pytanie czy taki wyspecjalizowany sprzęt do AI rzeczywiście oferuje coś, czego nie zapewni nam zwykły pecet z mocną kartą graficzną. Chciałem możliwie krótko, finalnie wyszło szalenie długo, ale jeśli zastanawiacie się, na którym etapie jest aktualnie rozwój sprzętu konsumenckiego NVIDII do lokalnej sztucznej inteligencji, to poniżej znajdziecie odpowiedź na to pytanie.

Zanim jednak zaczniemy, pamiętajmy, że NVIDIA nie jest jedyną firmą rozwijającą komputery przeznaczone do lokalnego AI i moim zdaniem spóźniła się nieco na tę imprezę. Na rynku znajdziemy dziś chociażby laptopy pokroju ASUS ProArt PX13 z procesorem AMD Ryzen AI MAX+ 395 i 128 GB pamięci zunifikowanej, której znaczna część może zostać udostępniona układowi graficznemu Radeon 8060S. Jeszcze inną drogą podąża Apple ze swoimi MacBookami Pro wyposażonymi w procesory M5 Max i oferującymi również do 128 GB pamięci zunifikowanej i to przy znacznie wyższej przepustowości sięgającej 614 GB/s. Różnice między tymi platformami wykraczają jednak daleko poza samą konfigurację pamięci.

CechaGR1X N1XRyzen AI MAX+ 395Apple M5 Max
Duża pamięć zunifikowanaTak, do 128 GBTak, do 128 GBTak, do 128 GB
Przepustowość pamięciDo 300 GB/sDo 256 GB/sDo 614 GB/s
Natywne CUDATakNieNie
Własny ekosystem AICUDA / TensorRTROCmMLX / Metal
Typowy Windows x86-64NieTakNie

Apple rozwija własny ekosystem Metal i MLX, AMD stawia między innymi na ROCm, a NVIDIA oferuje CUDA i TensorRT, które od lat stanowią podstawę wielu profesjonalnych zastosowań AI. W praktyce wybór sprzętu wpływa więc nie tylko na to, jak duży model będziemy mogli uruchomić i jak szybko otrzymamy odpowiedź, ale również na dostępność oprogramowania i możliwości jego wykorzystania. Przykładowo jeżeli rozwijasz własne rozwiązania AI, pracujesz z PyTorch, korzystasz z CUDA, TensorRT czy bibliotek NVIDIA do przetwarzania danych, to GR1X może być bardziej naturalnym wyborem niż sprzęt Apple lub AMD. Zwłaszcza że układ w tym komputerze ma rdzenie Tensor piątej generacji i obsługuje bardzo niską precyzję FP4, a NVIDIA rozwija również format NVFP4 oraz odpowiednie optymalizacje programowe.

Trzeba jednak przede wszystkim pamiętać, że testowany ASUS ProArt GR1X nie jest jakąś rewolucją, a jednym z przedstawicieli coraz ciekawszej kategorii komputerów. Komputerów takich, które mają przede wszystkim umożliwiać wykonywanie zaawansowanych obliczeń bez korzystania z chmury.

Problematyczna procedura testowa

Przez lata testowania komputerów i podzespołów przyzwyczaiłem się do tego, że podstawą rzetelnej recenzji jest powtarzalna procedura pomiarowa. W przypadku procesorów i kart graficznych mamy do dyspozycji cały zestaw benchmarków, gier oraz aplikacji, które pozwalają porównywać wyniki na przestrzeni miesięcy, a nawet lat. Nie oznacza to oczywiście, że takie testy są banalnie proste w wykonaniu, ale przynajmniej wiemy, co i w jaki sposób powinniśmy mierzyć. Tymczasem w przypadku komputerów przeznaczonych do lokalnej sztucznej inteligencji problemy zaczynają się już na etapie wyboru odpowiedniego modelu, a kończą na ustaleniu, co właściwie oznacza dobry wynik.

Przekonałem się o tym na własnej skórze, przygotowując wcześniej zarówno test laptopa z NVIDIA RTX Spark N1X i 128 GB pamięci, jak i eksperyment z wykorzystaniem w pełni lokalnego AI do wykonywania zadań firmowych. Jeszcze wcześniej miałem też okazję sprawdzić Gigabyte AI TOP ATOM, bazujący na platformie NVIDIA DGX Spark. W toku tych prac doszedłem do wniosku, że samo uruchomienie kilku modeli, zapisanie szybkości generowania tekstu i przygotowanie wykresów nie wystarcza, żeby odpowiedzieć na najważniejsze pytanie – do czego właściwie nadaje się taki komputer i czy jego zakup ma jakikolwiek sens?

Problem w tym, że lokalne AI nie przypomina typowego środowiska testowego. Nowe modele pojawiają się niemal co miesiąc, aktualizacje silników inferencyjnych potrafią znacząco zmieniać wydajność, a do tego dochodzą różne kwantyzacje, ustawienia pamięci i techniki optymalizacji. Nawet dwa identyczne zapytania nie muszą prowadzić do identycznych odpowiedzi, bo znaczenie mają parametry generowania, kontekst oraz coraz popularniejsze tryby rozumowania. W efekcie możemy otrzymać sytuację, w której jeden komputer generuje 40 tokenów na sekundę, a drugi zaledwie 15, ale to właśnie ten drugi pozwala uruchomić większy model, który poprawnie rozwiązuje problem przerastający możliwości mniejszego odpowiednika.

Który sprzęt jest więc rzeczywiście lepszy? Odpowiedź na to pytanie nie jest prosta, bo zależy od wielu czynników.

Dlatego postanowiłem podejść do testu ASUS ProArt GR1X nieco inaczej. Przygotowałem własny benchmark, który oprócz szybkości generowania tekstu sprawdza poprawność wykonywanych zadań, programowanie z rzeczywistą walidacją kodu, pracę na dokumentach, zachowanie agentów AI oraz wpływ dodatkowego rozumowania na czas i jakość odpowiedzi. Byle cyferki tu bowiem nie wystarczą, jako że nadal żyjemy w czasach, w których amatorskie okiełznanie sztucznej inteligencji ciągle się rozwija. Dlatego też interesuje mnie nie tylko to, ile tokenów sprzęt potrafi wygenerować, ale przede wszystkim to, ile poprawnie wykonanej pracy różnego typu można od niego otrzymać w określonym czasie.

Szczególnie interesująca jest tutaj kwestia 64 GB pamięci zunifikowanej, choć w sprzedaży znajdziecie też droższy 128-GB wariant. ASUS ProArt GR1X pozwala dzięki niej uruchamiać modele, które nie zmieściłyby się w pamięci typowej konsumenckiej karty graficznej, ale naturalnie sama pojemność nie gwarantuje jeszcze wysokiej wydajności. Co więcej, już pierwsze testy próbne pokazały mi, że ten sam model Qwen3.8-27B potrafił sprawiać problemy ze stabilnością przy domyślnej konfiguracji serwera, a po zmianie kilku ustawień działał bezbłędnie. Z kolei włączenie trybu rozumowania radykalnie poprawiało skuteczność wykonywania przygotowanych zadań, ale kosztem wielokrotnie dłuższego oczekiwania na odpowiedź.

Właśnie dlatego w tej recenzji nie zamierzam oceniać ASUS ProArt GR1X wyłącznie przez pryzmat szybkości generowania tekstu czy ilości dostępnej pamięci. Ważna jest dla mnie również poprawność wykonywanych zadań, czas potrzebny na ich ukończenie oraz to, jak komputer sprawdza się w codziennym użytkowaniu. Postanowiłem też rozdzielić możliwości sprzętu przy domyślnych ustawieniach od tego, co można z niego wycisnąć po dostosowaniu ustawień. Bo co nam po potężnym lokalnym AI, jeśli zanim zaczniemy z niego wygodnie korzystać, będziemy musieli spędzić pół dnia na rozwiązywaniu problemów z oprogramowaniem?

ASUS ProArt GR1X to potężny komputer w niewielkiej obudowie

ASUS ProArt GR1X zdecydowanie nie przypomina typowego komputera przeznaczonego do profesjonalnych zastosowań. Zamiast dużej obudowy z kilkoma wentylatorami, rozbudowanym systemem chłodzenia i kartą graficzną zajmującą kilka slotów, otrzymujemy niewielkie urządzenie o wymiarach zaledwie 150 x 150 x 51 mm.

Całość zajmuje około 1,1 litra objętości i waży 1,48 kilograma, więc bez problemu zmieści się na nawet niewielkim biurku, a jego transport nie wymaga specjalnego przygotowania. Nie jest to wprawdzie komputer przenośny w rozumieniu laptopa, bo wymaga zewnętrznego zasilania z dołączonego 240-watowego zasilacza zakończonego USB-C, ale pod względem gabarytów bliżej mu do miniaturowych pecetów biurowych niż pełnoprawnych stacji roboczych.

Co ciekawe, sama forma urządzenia jest przy tym dosyć zachowawcza. ASUS nie próbuje przyciągać uwagi przesadnie rozbudowanym wzornictwem, podświetleniem RGB czy dodatkowymi ekranami. Chociaż całość wygląda nowocześnie i po prostu ładnie, to ewidentnie najważniejsze było tutaj wykorzystanie dostępnej przestrzeni na elektronikę i jej chłodzenie. Istotne jest również rozmieszczenie nowoczesnego zestawu złączy, które producent przeniósł w całości na tylną krawędź.

Na pozostałej części obudowy znajdziemy tylko wszystkim przycisk zasilania podświetlany na biało z diodą informującą o stanie urządzenia. Z jednej strony pozwala to ograniczyć liczbę przewodów widocznych na biurku, ale z drugiej utrudnia szybkie podłączanie dodatkowych akcesoriów czy zewnętrznych dysków.

Jeśli zaś idzie stricte o wykonanie, to metalowa obudowa jest wytrzymała, żaden z zewnętrznych paneli się nie ugina pod naciskiem, a każdy róg jest ostro zakończony, a nie zaoblony. Na przodzie znajduje się wzór, który tylko z pozoru jest tylko ozdobą, bo jeśli spojrzymy na niego “od spodu”, to zauważymy, że pod każdym kwadracikiem kryje się luka do pobierania chłodnego powietrza.

Ten zestaw wspiera podobną sekcję na spodniej części komputera, która na dodatek dostała zestaw czterech grubych podstawek antypoślizgowych z gumy. Nad czym z kolei można ubolewać? Nad brakiem podobnych gumek na boku, choć oczywiście nic nie stoi na przeszkodzie, aby postawić ten sprzęt w pozycji wertykalnej, a nie horyzontalnej. 

Serce ASUS ProArt GR1X, czyli NVIDIA RTX Spark N1X

ASUS ProArt GR1X jest niewielki, ale jego możliwości nie wynikają z zastosowania typowych podzespołów znanych z komputerów mini-PC. Sercem tego sprzętu jest wspomniany układ NVIDIA RTX Spark N1X, który stanowi dosyć nietypowe połączenie dwóch rozwiązań tej firmy. Po stronie procesora centralnego mamy tutaj 20-rdzeniową jednostkę NVIDIA Grace, bazującą na architekturze ARM, natomiast za operacje graficzne i obliczeniowe odpowiada GPU NVIDIA Blackwell RTX wyposażone w 6144 rdzenie CUDA. Nie jest to więc zwykły procesor Intel Core z dołożoną dedykowaną kartą graficzną, a znacznie bardziej zintegrowana konstrukcja, której podstawowym zadaniem jest sprawna realizacja operacji związanych ze sztuczną inteligencją.

Obecność procesora Grace oznacza jednocześnie, że ASUS ProArt GR1X korzysta z innej architektury CPU niż zdecydowana większość komputerów stacjonarnych z Windowsem. Mamy tutaj bowiem ARM zamiast x86-64, co ma znaczenie nie tylko dla kompatybilności części aplikacji, ale również sposobu, w jaki oprogramowanie wykorzystuje dostępny sprzęt. Procesor odpowiada za obsługę systemu, wykonywanie kodu aplikacji i przygotowywanie operacji, które następnie może przejmować GPU. Z kolei układ Blackwell oferuje akcelerację CUDA, rdzenie Tensor oraz sprzętowe rozwiązania wykorzystywane w profesjonalnych aplikacjach, renderowaniu i lokalnym AI.

Najbardziej imponującą liczbą w materiałach producenta jest jednak deklarowana wydajność sięgająca 1 petaflopa, czyli 1000 bilionów operacji zmiennoprzecinkowych na sekundę. Brzmi to wręcz absurdalnie w odniesieniu do tak małego komputera, ale należy zwrócić uwagę na jeden szczegół. ASUS podaje tę wartość dla obliczeń FP4, czyli wykorzystujących bardzo niską, bo 4-bitową precyzję, która znajduje zastosowanie między innymi podczas inferencji odpowiednio przygotowanych modeli AI. Nie oznacza to więc, że komputer osiąga podobną wydajność we wszystkich zadaniach, a tym bardziej, że można na podstawie tej liczby przewidzieć np. szybkość działania lokalnych modeli. 

W praktyce możliwości samego GPU zależą między innymi od rodzaju wykorzystywanych operacji, precyzji obliczeń, przepustowości pamięci i stopnia optymalizacji oprogramowania. Sama liczba 6144 rdzeni CUDA również niewiele nam mówi bez uwzględnienia częstotliwości pracy oraz limitów energetycznych. Zwłaszcza że w grę wchodzi sprzęt o zupełnie innej charakterystyce niż klasyczne GeForce’y RTX, których podstawowym zadaniem pozostaje renderowanie grafiki w grach. ASUS ProArt GR1X ma być przede wszystkim komputerem do pracy, a jego możliwości graficzne stanowią tylko część całej układanki.

64 GB pamięci zunifikowanej to najważniejsza cecha tego komputera

Największą różnicą między ASUS ProArt GR1X a typowym pecetem z dedykowaną kartą graficzną jest jednak podsystem pamięci. Testowana przeze mnie konfiguracja została wyposażona w 64 GB LPDDR5X, podczas gdy droższa wersja oferuje aż 128 GB. Nie mamy tutaj jednak klasycznego podziału na pamięć operacyjną RAM, z której korzysta procesor, i osobną pamięć VRAM przypisaną do GPU. NVIDIA zastosowała pamięć zunifikowaną, co oznacza, że obie jednostki obliczeniowe korzystają ze wspólnej puli danych, zamiast wymieniać je między dwoma zupełnie oddzielnymi obszarami pamięci.

Współpracę między CPU i GPU wspiera technologia NVLink-C2C, która zapewnia komunikację między obiema częściami układu. W praktyce ogranicza to konieczność kopiowania danych między odrębnymi pulami pamięci, co ma szczególne znaczenie podczas pracy z dużymi modelami sztucznej inteligencji. Na tradycyjnym pececie możemy bowiem dysponować nawet 64 lub 128 GB RAM, ale jeśli nasza karta graficzna ma tylko 12 albo 16 GB VRAM, to uruchomienie większego modelu może wymagać przeniesienia części obliczeń i danych do pamięci systemowej. W przypadku ASUS ProArt GR1X sytuacja wygląda inaczej, bo GPU może korzystać ze znacznie większej, współdzielonej przestrzeni.

Oczywiście nie oznacza to, że całe 64 GB jest dostępne wyłącznie dla modelu AI. Z tej samej pamięci korzystają przecież Windows, uruchomione aplikacje, procesy systemowe i sam silnik inferencyjny, a do tego trzeba doliczyć pamięć podręczną modelu oraz dodatkowe bufory robocze. Dlatego też 64 GB pamięci zunifikowanej nie należy traktować jako odpowiednika karty graficznej wyposażonej w pełne 64 GB niezależnej pamięci VRAM. Mimo tego różnica względem typowych konsumenckich konfiguracji pozostaje ogromna, bo pozwala zmieścić w pamięci układu modele, które na zwykłym pececie wymagałyby sięgnięcia po znacznie bardziej kosztowne rozwiązania sprzętowe.

Istotna jest również przepustowość pamięci. ASUS deklaruje dla platformy RTX Spark wykorzystanie LPDDR5X-9400 i przepustowość sięgającą 300 GB/s. Jest to solidna wartość jak na pamięć współdzieloną, ale ciągle znacznie niższa od tego, co oferują wydajne karty graficzne z dedykowanymi układami GDDR. Dlatego też sama możliwość uruchomienia dużego modelu nie oznacza automatycznie, że będzie on działał równie szybko, jak mniejszy odpowiednik na klasycznej karcie GeForce RTX. Wiele zależy od tego, jak intensywnie model odwołuje się do pamięci i jakie operacje wykonuje podczas generowania odpowiedzi.

Trzeba również pamiętać o ograniczonych możliwościach rozbudowy. Pamięć LPDDR5X jest integralną częścią platformy i nie mamy tutaj klasycznych slotów DIMM czy SO-DIMM. Jeśli więc kupimy wariant z 64 GB, to nie będziemy mogli po pewnym czasie po prostu dołożyć kolejnych modułów i zwiększyć pojemności do 128 GB. Wybór konfiguracji już na etapie zakupu ma tym samym znacznie większe znaczenie niż w przypadku typowego komputera stacjonarnego.

Dyski SSD i możliwości rozbudowy ASUS ProArt GR1X

Pod względem pamięci masowej ASUS postawił na znacznie bardziej tradycyjne rozwiązanie, bo do dyspozycji mamy dwa gniazda M.2 NVMe, wykorzystujące interfejsy PCIe 5.0 oraz PCIe 4.0. Producent przewiduje konfiguracje z dyskami SSD o pojemności 1, 2 i nawet 4 TB, a dokładna konfiguracja zależy od wybranego wariantu oraz rynku sprzedaży. W przeciwieństwie do pamięci operacyjnej nośniki danych pozostają więc elementem, który można wymienić lub rozbudować bez konieczności zastępowania całego komputera.

Obecność dwóch gniazd M.2 ma tutaj znaczenie nie tylko ze względu na możliwość zwiększenia pojemności. Lokalne modele językowe potrafią zajmować od kilku do kilkudziesięciu gigabajtów każdy, a jeśli zaczniemy pobierać różne warianty kwantyzacji, to dodatkowe modele multimodalne czy zestawy danych potrzebne do testów, to nawet terabajtowy dysk bardzo szybko może okazać się niewystarczający. Do tego dochodzą przecież aplikacje, środowiska programistyczne, projekty oraz pliki wykorzystywane przez agentów AI.

W praktyce drugi nośnik można więc wykorzystać do oddzielenia systemu i podstawowego oprogramowania od bibliotek modeli oraz danych roboczych. Nie przyspieszy to automatycznie samego generowania odpowiedzi, bo po załadowaniu modelu główne znaczenie mają możliwości GPU i podsystemu pamięci, ale ułatwi zarządzanie większą liczbą plików i pozwoli uniknąć ciągłego zwalniania miejsca. Zwłaszcza że w przypadku lokalnego AI bardzo łatwo zgromadzić pokaźną bibliotekę modeli, z których korzystamy tylko okazjonalnie.

Zestaw portów i łączność. Nowocześnie, ale niewygodnie

ASUS ProArt GR1X otrzymał dosyć specyficzny zestaw złączy, bo producent praktycznie całkowicie zrezygnował z tradycyjnych portów USB-A. Zamiast nich na tylnej krawędzi umieszczono cztery USB-C, z czego trzy obsługują standard USB 3.2 Gen 2×2 o przepustowości do 20 Gb/s oraz przesyłanie obrazu przez DisplayPort Alt Mode. Czwarte USB-C również wykorzystuje USB 3.2 Gen 2×2, ale dodatkowo obsługuje wejście zasilania w standardzie USB Power Delivery 3.1 EPR i to do niego wpinamy 240-watowy zasilacz z zestawu. Obok nich znalazło się jeszcze HDMI 2.1, przewodowe złącze sieciowe RJ45 oraz gniazdo blokady Kensington.

Taki zestaw pozwala podłączyć do komputera nawet cztery monitory jednocześnie, korzystając z trzech USB-C i jednego HDMI. Może mieć to znaczenie w rozbudowanych stanowiskach roboczych, gdzie na jednym ekranie śledzimy przebieg pracy modelu, na drugim mamy otwarte środowisko programistyczne, a pozostałe wykorzystujemy do dokumentacji lub podglądu rezultatów. Samo HDMI 2.1 pozwala z kolei na przesyłanie obrazu w rozdzielczości do 8K, choć rzeczywiste możliwości zależą również od częstotliwości odświeżania i podłączonego wyświetlacza.

Nieco gorzej wygląda sytuacja z klasycznymi akcesoriami. Brak USB-A oznacza konieczność korzystania z odpowiednich przewodów, przejściówek lub koncentratora, jeśli mamy starszą klawiaturę, myszkę czy zewnętrzny nośnik danych. Nie znajdziemy też osobnego czytnika kart pamięci ani tradycyjnego gniazda słuchawkowego 3,5 mm. W komputerze przeznaczonym również dla twórców treści jest to dosyć zaskakująca decyzja, bo konieczność korzystania z dodatkowego huba wcale nie musi odpowiadać osobom, które regularnie podłączają różnorodne urządzenia.

Znacznie ciekawiej wypada natomiast kwestia łączności sieciowej. ASUS zdecydował się na zastosowanie portu Ethernet 10 Gb/s, co wyraźnie wykracza poza standard typowych miniaturowych komputerów. W połączeniu z odpowiednią infrastrukturą sieciową pozwala to na bardzo szybkie przesyłanie dużych zbiorów danych, plików projektowych oraz modeli między komputerami a serwerami NAS. 

Całość uzupełnia Wi-Fi 7 w konfiguracji 2×2 oraz Bluetooth 5.4, a więc standardy, których obecność trudno byłoby uznać za zaskoczenie w tak zaawansowanym urządzeniu. Zapewniają one możliwość korzystania z szybkich połączeń bezprzewodowych i podłączania typowych akcesoriów, ale w profesjonalnym środowisku pracy z dużymi plikami to właśnie przewodowe połączenie 10 Gb/s pozostaje najciekawszym elementem wyposażenia.

Windows 11 na ARM, czyli pecet z niezwykłym procesorem

Ostatnia istotna kwestia sprzętowa, o której musicie wiedzieć, dotyczy samej platformy systemowej. ASUS ProArt GR1X jest komputerem z Windowsem 11, ale wykorzystanie procesora NVIDIA Grace oznacza, że mamy do czynienia z wersją systemu przeznaczoną dla architektury ARM. Z punktu widzenia użytkownika interfejs pozostaje znajomy, a dostęp do podstawowych funkcji systemowych nie różni się znacząco od tego, co oferują klasyczne komputery z procesorami Intel i AMD. Różnice zaczynają się jednak na poziomie zgodności oprogramowania. 

Aplikacje przygotowane natywnie dla Windows on ARM mogą korzystać bezpośrednio z możliwości procesora, natomiast część programów napisanych dla architektury x86-64 wymaga emulacji. Nie wszystkie rozwiązania działają wówczas identycznie, a szczególnym problemem mogą być sterowniki, starsze narzędzia oraz aplikacje korzystające z komponentów systemowych niedostępnych na ARM. Dlatego też informacja o obecności Windowsa nie powinna być automatycznie traktowana jako gwarancja pełnej kompatybilności z całym oprogramowaniem przeznaczonym dla pecetów, choć osobiście jedyne, co zaczęło mnie w tej kwestii dręczyć, to konieczność pobrania instalatorów dedykowanych ARM.

Z drugiej strony musimy też pamiętać NVIDIA od początku rozwija RTX Spark z myślą o wykorzystaniu własnego ekosystemu akceleracji obliczeniowej. Platforma wspiera między innymi CUDA oraz rozwiązania pokroju TensorRT, co ma znaczenie dla aplikacji wykorzystujących GPU do lokalnej inferencji. Nie oznacza to jednak, że każdy popularny projekt AI uruchomi się bez dodatkowej konfiguracji, bo poszczególne programy mogą wymagać odpowiednich wersji bibliotek, sterowników lub środowisk uruchomieniowych.

W efekcie ASUS ProArt GR1X jest dosyć szczególną konstrukcją. Z jednej strony otrzymujemy niewielki komputer z doskonale znanym nam Windowsem, bogatym zestawem nowoczesnych interfejsów, 20-rdzeniowym procesorem i układem graficznym Blackwell. Z drugiej mamy do czynienia z platformą, której największą zaletą nie jest sama wydajność CPU czy GPU, ale przede wszystkim sposób współdzielenia pamięci i możliwość uruchamiania większych modeli AI bez konieczności inwestowania w profesjonalne karty graficzne z ogromną ilością VRAM. Pozostaje więc sprawdzić, jak te możliwości przekładają się na rzeczywistą pracę.

Benchmarki ASUS ProArt GR1X

W Geekbench AI 1.8 ASUS ProArt GR1X osiągnął 1680 punktów w obliczeniach pojedynczej precyzji, 3434 punkty w połowicznej precyzji i 6428 punktów w operacjach na danych skwantyzowanych. Wyniki dotyczą backendu ONNX wykorzystującego CPU, a więc nie pokazują bezpośrednio możliwości układu graficznego w zadaniach AI. Co ciekawe, w ostatniej kategorii GR1X wyprzedził również ASUS ProArt P16 z tym samym procesorem NVIDIA RTX Spark N1X, który uzyskał 5533 punkty.

W Geekbench 7 procesor uzyskał 2643 punkty w teście jednego rdzenia i 23677 punktów podczas obciążenia wszystkich rdzeni. Znacznie ciekawsze są jednak wyniki GPU, które wyniosły 191115 punktów w CUDA, 120613 w OpenCL oraz 112487 w Vulkanie.

Cinebench 2026 pozwolił mi dodatkowo porównać GR1X z laptopem ASUS ProArt P16 H7607, wyposażonym w ten sam układ NVIDIA RTX Spark N1X, ale 128 GB pamięci operacyjnej. Miniaturowy komputer uzyskał 7296 punktów w teście wielowątkowym i 549 punktów w jednowątkowym, podczas gdy P16 osiągnął odpowiednio 5519 oraz 529 punktów. GR1X okazał się więc o około 32% wydajniejszy w teście wielowątkowym, mimo wykorzystania tej samej rodziny układów. Różnica w wydajności pojedynczego rdzenia była już znacznie mniejsza i wyniosła niecałe 4%. Albo to chłodzenie i wyższe limity mocy robią robotę… albo przedpremierowe sterowniki nie pozwoliło modelowi ASUS ProArt P16 H7607 rozwinąć skrzydeł.

W 3DMark Speed Way ASUS ProArt GR1X uzyskał 3173 punkty, plasując się nieznacznie poniżej laptopów z GeForce RTX 5070, ale powyżej ProArt P16 z tym samym układem graficznym. Co ważne, 20-minutowy test obciążeniowy Speed Way zakończył się wynikiem stabilności na poziomie 98,2%, a różnica między najlepszym i najgorszym przebiegiem wyniosła zaledwie 57 punktów. Potwierdza to, że komputer potrafi utrzymywać stabilną wydajność graficzną pod długotrwałym obciążeniem i bez wyraźnego pogarszania wyników kolejnych pętli.

W UL Procyon AI Image Generation, wykorzystującym Stable Diffusion XL w precyzji FP16 i TensorRT, GR1X zdobył 1830 punktów. Tym samym wyprzedził ProArt P16 z wynikiem 1473 punktów o około 24%, zbliżając się jednocześnie do ASUS ROG Zephyrus G16 z GeForce RTX 5080, który uzyskał 1854 punkty. Jest to jeden z ciekawszych rezultatów całego zestawienia, choć trzeba pamiętać, że dotyczy konkretnego scenariusza generowania obrazów. Właśnie podczas tego testu odnotowałem też najwyższe temperatury, pobór energii i hałas GR1X, co szczegółowo opisałem w dalszej części poświęconej kulturze pracy.

Potęga sztucznej inteligencji na ASUS ProArt GR1X

Przejdźmy wreszcie do najważniejszej części tego testu, a więc możliwości ASUS ProArt GR1X w zadaniach związanych ze sztuczną inteligencją. Jak już wspominałem, przygotowałem do tego własny benchmark, bo zwykłe mierzenie szybkości generowania tekstu uznałem za zdecydowanie niewystarczające. Zwłaszcza w przypadku komputera, którego największą zaletą ma być możliwość uruchamiania rozbudowanych modeli językowych, a nie tylko jak najszybszego odpowiadania na proste pytania. Dlatego zamiast ograniczać się do kilku popularnych programów i porównywania tokenów na sekundę, postanowiłem stworzyć środowisko, w którym lokalne AI musi rzeczywiście wykonać określoną pracę. Najlepiej taką, której wynik można później sprawdzić bez konieczności pytania kolejnego modelu, czy jego kolega przypadkiem się nie pomylił.

Jak sprawdzić coś więcej niż szybkość generowania?

Moje narzędzie w postaci Local AI Agent Benchmark to napisany w Pythonie zestaw testów komunikujący się z lokalnymi modelami za pośrednictwem API, a więc w sposób zbliżony do tego, jak z AI korzystają różnego rodzaju aplikacje i agenci. W przypadku ASUS ProArt GR1X wykorzystałem do tego NVIDIA PAIR, które pozwala pobierać i uruchamiać modele bez konieczności samodzielnego przygotowywania całej infrastruktury. Za same obliczenia odpowiada tutaj llama.cpp, natomiast mój program przygotowuje zadania, wysyła kolejne zapytania, odbiera odpowiedzi i zapisuje szczegółowe wyniki. Cały proces odbywa się lokalnie.

Od strony użytkownika benchmark sprowadza się do uruchomienia terminala i wybrania interesującego nas zestawu testów. Znacznie więcej dzieje się jednak w tle, bo narzędzie rejestruje nie tylko czas odpowiedzi i liczbę wygenerowanych tokenów, ale również informacje o zakończeniu generowania, błędach API oraz poprawności wykonania zadania. Poszczególne przebiegi zapisują wyniki w plikach JSON i CSV, generują czytelne raporty HTML, a dodatkowo pozwalają wznawiać przerwane serie bez konieczności ponawiania ukończonych wcześniej prób. 

Całość podzieliłem na sześć podstawowych kategorii. PERFORMANCE odpowiada za szybkość generowania, opóźnienie pierwszego tokenu i przetwarzanie dłuższych zapytań. REASONING sprawdza poprawność rozwiązywania problemów matematycznych, logicznych, programistycznych i analitycznych przy różnych ustawieniach rozumowania. CODING wymaga naprawiania kodu C#, CONTEXT sprawdza odnajdywanie informacji w dużych zbiorach tekstu, a STABILITY przez dziesięć minut zasypuje serwer kolejnymi zapytaniami, monitorując jego zachowanie. Najbardziej rozbudowany jest jednak FULL, w którym model otrzymuje dostęp do przygotowanego środowiska firmowego i musi samodzielnie korzystać z narzędzi, czytać dokumenty, porównywać informacje oraz przygotowywać odpowiedzi na podstawie odnalezionych danych.

Co jednak najważniejsze, benchmark nie polega na pytaniu sztucznej inteligencji, czy jej odpowiedź jest poprawna. Przygotowałem bowiem zestawy danych z wcześniej ustalonymi rozwiązaniami, niezależne reguły weryfikacji oraz możliwość rzeczywistego uruchamiania wygenerowanego kodu w Windows Sandbox. Dzięki temu mogłem odróżnić odpowiedź poprawną od takiej, która jedynie sprawia wrażenie sensownej. Osobno traktowałem również przypadki, w których model nie zdążył ukończyć generowania, zabrakło mu dostępnego limitu tokenów albo połączenie z serwerem zakończyło się błędem. W takich sytuacjach trudno bowiem uznać samo niepowodzenie za dowód, że model nie potrafił rozwiązać problemu.

Żeby zachować porównywalność pomiarów, podstawowe testy przeprowadziłem na dwóch modelach w kwantyzacji Q4_K_M, czyli Qwen3.5-9B oraz Qwen3.8-27B. Oba pracowały z kontekstem 16384 tokenów i jednym slotem obliczeniowym, a każdy przeszedł kilka pełnych serii obejmujących zarówno krótkie zapytania, jak i bardziej wymagające zadania. Oczywiście nie jest to uniwersalny test inteligencji modeli językowych, bo przygotowane problemy stanowią jedynie niewielki wycinek ich możliwości. Pozwala jednak sprawdzić coś ważniejszego z perspektywy recenzji samego komputera, a więc to, jaką wydajność i skuteczność otrzymamy podczas realizowania konkretnych zadań na własnym sprzęcie.

Qwen 9B kontra 27B. Szybciej wcale nie musi oznaczać lepiej

Pierwsze pomiary nie przyniosły większych niespodzianek. Qwen 9B okazał się znacznie szybszy, osiągając podczas dłuższego generowania około 44 tokenów na sekundę, podczas gdy Qwen 27B utrzymywał się w okolicach 15-16 tokenów na sekundę. W zwykłej rozmowie różnica jest bardzo wyraźna, bo mniejszy model szybciej przygotowuje odpowiedzi i sprawia wrażenie znacznie bardziej responsywnego. Różnica wynika przede wszystkim z rozmiaru samych modeli. Qwen 27B wymaga przetwarzania znacznie większej liczby parametrów, więc ASUS ProArt GR1X potrzebuje więcej czasu na wygenerowanie każdego kolejnego tokenu. Jednocześnie wyniki były bardzo powtarzalne, a kolejne serie przynosiły niemal identyczną szybkość generowania. 

Znacznie ciekawsze okazało się więc sprawdzenie, co właściwie otrzymujemy w zamian za wolniejsze generowanie większego modelu. W tym celu przygotowałem osiem problemów obejmujących między innymi matematykę, logikę, analizę danych i kod C#, a następnie wykonywałem je trzykrotnie przy różnych ustawieniach rozumowania. Po wyłączeniu Thinking oba modele zaliczały jedynie 6 z 24 prób. Odpowiedzi pojawiały się błyskawicznie, ale w większości przypadków były niepoprawne. Włączenie domyślnego trybu rozumowania zmieniło sytuację diametralnie, bo Qwen 9B osiągał 21/24, a Qwen 27B komplet 24/24 poprawnych wyników. Podobnie było przy ustawieniu MEDIUM, które w moich testach nie przyniosło już dalszej poprawy skuteczności.

Oczywiście nie oznacza to, że większy model rozwiąże każdy napotkany problem, bo mówimy o ośmiu zadaniach powtórzonych po trzy razy, a nie 24 zupełnie niezależnych wyzwaniach. W przypadku Qwen 9B trzy brakujące wyniki w trybach rozumowania były zresztą konsekwencją nieukończenia odpowiedzi, a nie jednoznacznie błędnego rozwiązania. Różnica względem wyłączonego Thinking pozostaje jednak ogromna. W praktyce model, który wcześniej odpowiadał w ułamku sekundy, potrafił poświęcić kilkanaście lub kilkadziesiąt sekund na rozpracowanie problemu, ale znacznie częściej przedstawiał poprawny rezultat. Właśnie dlatego nie chciałem ograniczać benchmarku do szybkości generowania, bo z punktu widzenia użytkownika liczy się przecież nie tylko czas oczekiwania, ale również to, czy otrzymana odpowiedź rzeczywiście nadaje się do wykorzystania.

Podobne podejście zastosowałem podczas testów programowania. Przygotowałem trzy zadania polegające na naprawie funkcji napisanych w C#, odpowiedzialnych między innymi za ograniczanie wartości do określonego przedziału, obliczanie rabatów oraz obsługę ekwipunku. Model miał wygenerować poprawiony kod, ale samo jego otrzymanie nie oznaczało zaliczenia zadania. Dopiero osobny etap kompilacji i wykonywania testów jednostkowych pozwalał sprawdzić, czy rozwiązanie rzeczywiście działa i rzeczywiście – wszystkie rozwiązania były poprawne.

ASUS ProArt GR1X vs tradycyjny PC z RTX 4080

Żeby jednak sprawdzić, jak ASUS ProArt GR1X wypada na tle zwykłego peceta, uruchomiłem ten sam zestaw testów również na swoim komputerze wyposażonym w Core i7-12700K, 32 GB RAM i GeForce RTX 4080 16 GB. W obu przypadkach wykorzystałem NVIDIA PAIR, modele Qwen 9B i 27B w kwantyzacji Q4_K_M, kontekst 16K oraz pojedynczy slot obliczeniowy. 

Pierwsze porównanie wypadło zdecydowanie na korzyść GeForce’a. Podczas dłuższego generowania Qwen 9B RTX 4080 osiągnął 78,7 tokena na sekundę, podczas gdy GR1X uzyskał 44,3 tokena. Mówimy więc o przewadze wynoszącej około 78%, która była zauważalna również podczas przetwarzania promptów. Przy wejściu liczącym 5275 tokenów klasyczny pecet osiągał 4390 tokenów na sekundę, a GR1X około 2465. Jeśli więc ograniczymy się do mniejszego modelu, który bez problemu mieści się w pamięci typowej karty graficznej, mój kilkuletni już RTX 4080 okazuje się znacznie szybszy od wyspecjalizowanej platformy NVIDIA RTX Spark N1X.

Sytuacja zmieniła się jednak diametralnie po uruchomieniu Qwen 27B. Tym razem RTX 4080 generował około 7,9 tokena na sekundę, a ASUS ProArt GR1X w trzech powtórzonych seriach osiągał medianę 15,4 tokena na sekundę. Przewaga przeszła więc na stronę miniaturowego komputera, który okazał się niemal dwukrotnie szybszy. Co ciekawe, samo przetwarzanie promptu liczącego 5275 tokenów przebiegało na obu komputerach w podobnym tempie, wynoszącym około 620 tokenów na sekundę. Największa różnica dotyczyła więc generowania kolejnych tokenów odpowiedzi.

Skąd tak duża zmiana? Najwięcej wyjaśniają pomiary pamięci. Podczas testowania Qwen 9B RTX 4080 wykorzystywał średnio około 7,8 GB VRAM, natomiast przy Qwen 27B wartość ta wzrosła do 14,8 GB, zbliżając się do limitu 16 GB. Jednocześnie zajętość pamięci operacyjnej Windows zwiększyła się z około 14,5 do 25,8 GB. Nie oznacza to oczywiście, że cała ta pamięć była wykorzystywana wyłącznie przez model, ale w połączeniu ze spadkiem średniego wykorzystania GPU z 91,5 do 50,4% wskazuje na wyraźną zmianę charakterystyki obciążenia. Wszystko sugeruje, że przy większym modelu ograniczeniem stała się dostępna pamięć graficzna i konieczność angażowania procesora oraz systemowego RAM-u. Nie udało mi się jednak zweryfikować dokładnego rozmieszczenia warstw modelu między CPU a GPU.

Jeszcze ciekawsze okazały się pomiary mocy. Podczas generowania tekstu przez Qwen 27B cały ASUS ProArt GR1X pobierał około 130 W, a mój pecet z RTX 4080 potrzebował średnio aż 330 watów. Mówimy więc o różnicy wynoszącej około 200 W, a więc ponad dwukrotnie wyższym zapotrzebowaniu na moc w przypadku tradycyjnego komputera. Co więcej, GR1X generował przy tym tekst niemal dwukrotnie szybciej, co tylko podkreśla zalety platformy z pamięcią zunifikowaną przy obsłudze większych modeli.

Z tego eksperymentu wynika więc coś arcyważnego. W przypadku mniejszych modeli wyspecjalizowany komputer do AI wcale nie musi oferować wyższej wydajności od zwykłego peceta z wydajną kartą graficzną. ASUS ProArt GR1X pokazuje swoje możliwości dopiero wtedy, gdy wymagania pamięciowe zaczynają wykraczać poza to, co zapewnia typowy GeForce. Właśnie przy Qwen 27B jego pamięć zunifikowana pozwoliła utrzymać znacznie wyższą szybkość generowania, a wcześniej potwierdziłem również możliwość obsługi kontekstu 64K z wejściem liczącym niemal 58 tysięcy tokenów.

Dokumenty, faktury i kontekst 64K. Tutaj zaczyna się prawdziwa zabawa

Jeszcze więcej uwagi poświęciłem typowym zadaniom agentowym, bo właśnie w nich widzę jeden z najbardziej interesujących sposobów wykorzystania takich komputerów. W tym celu przygotowałem fikcyjne środowisko firmowe zawierające dokumenty, zamówienia, informacje o kontrahentach i zestawy faktur. Następnie udostępniłem modelowi odpowiednie narzędzia pozwalające wyszukiwać i odczytywać pliki, ale bez przekazywania mu gotowych odpowiedzi. Przykładowo agent otrzymywał polecenie sprawdzenia faktur, po czym musiał samodzielnie odnaleźć powiązane zamówienia, porównać kwoty, zweryfikować rachunki bankowe i przygotować raport. Wśród dokumentów celowo umieściłem niezgodne wartości, zmieniony numer konta oraz fakturę bez wymaganego zatwierdzenia zamówienia. Dodatkowo jeden ze scenariuszy zawierał instrukcję próbującą nakłonić model do odczytu danych spoza dozwolonego katalogu.

Cały sens tego eksperymentu polegał na tym, że model nie mógł po prostu odpowiedzieć, że wszystko wygląda dobrze. Musiał faktycznie wykorzystać dostępne narzędzia, przeanalizować dokumenty i przedstawić weryfikowalne ustalenia. Niezależny mechanizm benchmarku sprawdzał później, czy agent wykrył przygotowane niezgodności i czy jego raport odpowiadał rzeczywistej zawartości dokumentów. W osobnym zestawie dwunastu zadań firmowych Qwen 9B uzyskiwał 7 poprawnie zaliczonych przypadków, a Qwen 27B dziewięć. Co ciekawe, część niezaliczonych odpowiedzi zawierała właściwą decyzję, ale brakowało w nich wymaganych dowodów lub prawidłowych odwołań do źródeł. Przy pracy z prawdziwymi dokumentami miałoby to ogromne znaczenie, bo trudno zaufać agentowi, który zaleca wykonanie przelewu, ale nie potrafi wskazać, z czego dokładnie wynika taka decyzja.

W przypadku audytów faktur Qwen 27B poprawnie rozpoznawał przygotowane problemy, ale pojawiło się coś, czego początkowo zupełnie nie brałem pod uwagę. Podczas nocnych serii wszystkie sześć audytów kończyło się przekroczeniem limitu czasu, mimo że model zdążył wcześniej odczytać wymagane dokumenty i wykonać znaczną część pracy. Analiza logów wykazała problemy z obsługą długich żądań przez środowisko NVIDIA PAIR. Po skierowaniu zapytań bezpośrednio do llama.cpp, z pominięciem proxy i przy zmienionych ustawieniach obsługi żądań, oba warianty audytu zakończyły się sukcesem. Zajęły odpowiednio około 280 i 289 sekund, a przygotowane raporty przeszły niezależną walidację. Nie mogę więc stwierdzić, że za wszystkie wcześniejsze błędy odpowiadało wyłącznie proxy, ale udało mi się potwierdzić, że sam komputer i model były zdolne do ukończenia tych zadań.

Pozostało jeszcze sprawdzić coś, co w przypadku ASUS ProArt GR1X jest szczególnie ważne, czyli możliwości pracy z bardzo długim kontekstem. W tym celu rozbudowałem benchmark o osobny moduł, który generuje rozległe zbiory rekordów i ukrywa w nich konkretną informację, którą model musi odnaleźć. Szukany element pojawia się na początku, w środku albo na końcu promptu, a program sprawdza rzeczywistą liczbę tokenów za pomocą tokenizera llama.cpp. Nie opiera się więc na liczbie znaków, lecz dodatkowo kontroluje rozmiar kontekstu przypadający na pojedynczy slot oraz zgodność danych raportowanych przez backend.

Sama wydajność również okazała się interesująca. Przetworzenie promptu liczącego około 21,7 tysiąca tokenów i przygotowanie krótkiej odpowiedzi zajmowało średnio 27,65 sekundy, podczas gdy przy prawie 29 tysiącach tokenów czas wzrastał do 37,91 sekundy. Dla profilu 64K uzyskałem odpowiednio 56,72 oraz 77,64 sekundy. Przy największym obciążeniu szybkość przetwarzania wejścia wynosiła około 760 tokenów na sekundę, co należy jednak odróżnić od szybkości generowania nowych tokenów. Warto też pamiętać, że odnalezienie jednej informacji w zbiorze prawie 58 tysięcy tokenów nie jest równoznaczne z poprawnym przeanalizowaniem całej dokumentacji o podobnej długości. Wyniki potwierdzają natomiast coś istotnego dla samego GR1X. Ten komputer rzeczywiście potrafi lokalnie obsługiwać model 27B z bardzo rozbudowanym wejściem, zamiast ograniczać się do deklarowania obsługi dużego kontekstu w ustawieniach programu.

Najpierw uruchomiłem Qwen 27B z kontekstem 32768 tokenów i sprawdziłem prompty zawierające około 21,7 oraz 29 tysięcy tokenów. Wszystkie 18 prób zakończyło się sukcesem, niezależnie od tego, gdzie znajdowała się szukana informacja. Następnie zwiększyłem kontekst do 65536 tokenów i przeprowadziłem analogiczne pomiary przy długościach około 43,5 oraz 57,9 tysiąca tokenów. Tutaj również model nie pomylił się ani razu, zaliczając 12 z 12 prób. Łącznie otrzymałem więc 30 poprawnych odpowiedzi na 30 przypadków testowych w profilach 32K i 64K. 

Sprawdziłem również, czy GR1X potrafi utrzymywać podobną wydajność przez dłuższy czas. W 30-minutowym teście Qwen 27B obsłużył 57 z 57 żądań bez błędów API, generując łącznie 29184 tokeny i utrzymując medianę szybkości na poziomie 16,25 tokena na sekundę. Po wydłużeniu pojedynczych odpowiedzi z 512 do 2048 tokenów wynik praktycznie się nie zmienił. Nie odnotowałem również trwałego pogarszania się wydajności wraz z nagrzewaniem komputera, choć telemetria GPU pokazała okresowe zmiany taktowania i poboru mocy. Podczas tego scenariusza maksymalna temperatura GPU raportowana przez NVIDIA wyniosła 66,3°C, a chłodzenie nie miało problemu z utrzymaniem stabilnej pracy. Znacznie trudniejsze warunki pojawiały się dopiero podczas innych obciążeń, takich jak generowanie obrazów w Procyon.

Granie na ASUS ProArt GR1X

Kiedy już skończyłem najważniejsze eksperymenty na testowanym egzemplarzu, nie mogłem nie spędzić kilku godzin w grach. ASUS ProArt GR1X na tym poletku wypadł z jednej strony zaskakująco dobrze, a z drugiej niekoniecznie. Najpierw zajmijmy się pomiarami, które mogłem skonfrontować z wynikami innych regularnie testowanych komputerów, wykorzystując gry, w których sprawę optymalizacji popremierowej można uznać za definitywnie zakończoną. 

W Black Myth: Wukong przy presecie filmowym i skalowaniu TSR 68/100 komputer osiągnął średnio 44 FPS, czyli praktycznie tyle samo co ASUS ProArt P16 z tym samym układem NVIDIA RTX Spark N1X. Problem w tym, że wynik 0,1% najgorszych klatek wyniósł zaledwie 7,8 FPS, podczas gdy wspomniany laptop uzyskał 30,2 FPS. Po włączeniu ray tracingu, DLSS i czterokrotnego generowania klatek GR1X osiągnął już 92,7 FPS, z wynikiem 0,1% low na poziomie 47 FPS.

Podobnie interesująco wypadł Cyberpunk 2077, w którym przy natywnej rozdzielczości 2K i presecie Ultra uzyskałem średnio 61,1 FPS, wyprzedzając tym samym laptopy z GeForce RTX 5070 z mojego zestawienia. Po włączeniu DLSS, ray tracingu Ultra i generowania x4 wynik wzrósł do 147,2 FPS, a nawet po dołożeniu path tracingu utrzymał się na poziomie 111,1 FPS.

Z tego porównania wynika przede wszystkim, że NVIDIA RTX Spark N1X oferuje całkiem solidne możliwości gamingowe, a przy wykorzystaniu nowoczesnych technik skalowania i generowania klatek potrafi osiągać wyniki porównywalne z wydajnymi laptopami gamingowymi. Nie należy jednak utożsamiać wysokiej średniej FPS z równie wysoką responsywnością, bo klatki generowane przez DLSS nie zastępują tych rzeczywiście renderowanych przez silnik gry. Tym bardziej że GR1X miał wyraźne problemy z utrzymywaniem regularnego czasu wyświetlania kolejnych klatek, co najlepiej pokazały wyniki 1% i 0,1% low.

Poniżej możecie rzucić okiem na zapisy z luźnych sesji grania, podczas których odkryłem, że NVIDIA RTX Spark N1X w połączeniu z 64 GB pamięci zunifikowanej ma tendencję do okazjonalnych przycięć bez wyraźnego powodu. Najbardziej problematyczny okazał się Borderlands 4, który pomimo średniej wynoszącej 91,5 FPS odnotował zaledwie 17,5 FPS dla 1% najgorszych klatek oraz 4,1 FPS dla 0,1%. W jednym momencie obraz zatrzymał się na około dwie sekundy, a FrameView wykazał łącznie 9,48 sekundy przycięć podczas niespełna czterominutowego pomiaru. Znacznie lepiej wypadł Ace Combat 8, który przy średniej 53,6 FPS zaliczył tylko kilka krótkich szarpnięć, z pojedynczym skokiem czasu wyświetlania klatki do około 150 ms.

Podobne, choć mniej dokuczliwe problemy zauważyłem w Wiedźminie 3 oraz Cyberpunku 2077 na najwyższych ustawieniach. W przypadku Wiedźmina, przy path tracingu i pięciokrotnym generowaniu klatek, średnia wynosiła 119,4 FPS, ale 0,1% najgorszych klatek spadało do 28,8 FPS. Z kolei Cyberpunk 2077 w presecie Overdrive utrzymywał średnio około 111 FPS, lecz w osobnym przebiegu 0,1% low wyniosło 26,9 FPS. Co ciekawe, przy natywnej rozdzielczości i bez generowania klatek Cyberpunk nie wykazał żadnych przycięć zakwalifikowanych przez FrameView. Problem nie występował więc z jednakowym nasileniem we wszystkich konfiguracjach.

Nie potrafię jednoznacznie wskazać przyczyny tych spadków. Chwilami zachowywało się to tak, jakby komputer musiał nagle odświeżyć dane w pamięci albo sięgnąć do pliku stronicowania, ale same wykresy FrameView nie pozwalają tego potwierdzić. Podczas testów otrzymałem również ostrzeżenie o znanych problemach z Direct3D 12 w zainstalowanym sterowniku NVIDIA 621.24, więc nie można wykluczyć problemów po stronie oprogramowania. Zastrzegam jednocześnie, że pomiary wykonywałem w konkretnych lokacjach, bez ekranów ładowania czy śmierci postaci.

Ostatecznie ASUS ProArt GR1X pozwala śmiało pograć w największe współczesne tytuły, często przy wysokich ustawieniach graficznych i z bardzo dobrą średnią płynnością. Nie jest to więc komputer przeznaczony wyłącznie do sztucznej inteligencji. Problemem pozostaje jednak nierównomierne dostarczanie klatek, które potrafi skutecznie zepsuć wrażenia z rozgrywki mimo wysokich wskazań FPS. Do klasycznego peceta z wydajną kartą graficzną, oddzielną pamięcią RAM i VRAM oraz bardziej dopracowanym środowiskiem sterowników gamingowych nadal mu więc daleko. Są szanse, że będzie tylko lepiej, bo przy porównaniu laptopa i komputera z NVIDIA RTX Spark N1X widać, że miesiąc poprawiania sterowników jest w stanie wiele zdziałać. 

Pobór energii i kultura pracy ASUS ProArt GR1X

Umieszczenie tak zaawansowanego układu w obudowie o objętości około 1,1 litra wymagało oczywiście zaprojektowania odpowiedniego systemu chłodzenia. ASUS zdecydował się na aktywny układ wykorzystujący dwa wentylatory wyposażone w 109 łopatek każdy, cztery rurki cieplne oraz radiator z 57 szerokimi żeberkami. Producent deklaruje, że system chłodzenia został zaprojektowany z myślą o obciążeniu termicznym sięgającym 140 W, a to od razu przypomina wspomniany 240-watowy zasilacz. Spokojnie jednak – chłodzenie dotyczy samego układu, a sam zasilacz ma znaczny zapas mocy.

W przypadku poziomu głośności możecie liczyć na dwa scenariusze. Z jednej strony ASUS ProArt GR1X jest praktycznie bezgłośny (na pasywny tryb nie liczcie) nawet pod lekkim obciążeniem, jeśli znajduje się w typowej odległości laptopa od was. W takich momentach trzeba dosłownie nachylić się nad nim, aby usłyszeć delikatny szum. Jeśli zaś utrzymamy ciągłe obciążenie, a komputer będzie pożerał 140-160 watów mocy z gniazdka, to sonometr z odległości 20 cm pokaże nic więcej niż 40 dB, a tuż przy komputerze około 50 dB. Jest to więc poziom słyszalny, ale na standardy komputerów i tym bardziej laptopów bardzo przyjemny i wycinany przez byle słuchawki czy głośniki. 

ScenariuszPobór mocy całego komputera
Praca biurowa20-25 W
Kompilacja projektu UnityOkoło 40 W
Lżejsza praca i gry60-120 W
Generowanie Qwen 27BOkoło 130 W
Długotrwałe obciążenie140-160 W
Generowanie obrazów SDXLPonad 200-210 W

Inaczej sprawa ma się w sytuacjach, kiedy pobór mocy skacze do ponad 200-210 watów, a taką wartość odnotowałem podczas generowania grafik w benchmarku Procyon AI Image Generation – Stable Diffusion XL. Wtedy bowiem czujniki ACPI dla GPU i SoC wskazywały maksymalnie 92 stopnie Celsjusza, podczas gdy sam odczyt temperatury GPU raportowany przez NVIDIA osiągnął 80,9 stopnia. Obudowa z czasem rozgrzewała się do nieprzyjemnego poziomu, a hałas wzrastał z około 40 do 50 dB z odległości 20 cm i nawet 65-68 dB tuż przy urządzeniu. HWiNFO sygnalizował również aktywny ogranicznik wydajności GPU, choć nie udało mi się jednoznacznie potwierdzić, czy wynikało to z temperatury, czy z limitów energetycznych. 

ParametrTypowe obciążenieMaksymalne obciążenie SDXL
Hałas z 20 cmOkoło 40 dBOkoło 50 dB
Hałas tuż przy obudowieOkoło 50 dB65-68 dB
Maksymalna temperatura GPU–80,9°C
Maksymalny odczyt ACPI GPU/SoC–92°C

Jeśli będziecie trzymać ASUS ProArt GR1X pod biurkiem czy gdzieś z boku i nie będziecie obciążać go stale zadaniami, które angażują go w pełni, to praktycznie o nim zapomnicie. Naturalnie w tym pozytywnym tego słowa znaczeniu. Jeśli już zresztą przy tym jesteśmy, to finalnie można stwierdzić, że jest to sprzęt bardzo energooszczędny. Przy typowej pracy biurowej zużycie energii przez niego zamyka się na poziomie około 20-25 watów. Kompilacja projektu w Unity podbija ten poziom chwilowo do okolic 40 watów, a lżejsza praca czy mniej wymagające gry zamykają pobór mocy w widełkach 60-120 watów. Świetnie widać to zresztą na wykresie dziennego poboru, który pokazuje nagłe “wystrzały” zapotrzebowania z poniżej 50 do ponad 120 watów, kiedy to zaczynałem kierować zapytania do lokalnego AI. 

Codzienność z ASUS ProArt GR1X

Pierwotnie zakładałem, że na ASUS ProArt GR1X będę mógł wykonywać większość swojej typowej pracy, a przy okazji korzystać z lokalnych modeli AI i zlecać im bardziej wymagające zadania. W praktyce komputer rzeczywiście radzi sobie całkiem dobrze jako zwykła stacja robocza, choć nie obyło się bez pewnych ograniczeń i problemów technicznych. Przykładowo po każdym włączeniu komputera muszę przepinać USB-C z monitora, aby “sygnał załapał”, bo w przeciwnym wypadku działa tylko na HDMI. Nie miałem jednak bolączek z obsługą Windowsa, przeglądarki czy typowych aplikacji, a większość trudności wynikających z architektury ARM sprowadzała się do konieczności pobierania odpowiednich wersji oprogramowania. Schody zaczynały się dopiero przy bardziej wymagających zastosowaniach, zwłaszcza kiedy próbowałem połączyć normalną pracę z intensywnym wykorzystaniem lokalnego AI.

Sprzęt tak drogi, a preinstalowane McAfee jest ciągle wciskane

Jako że na co dzień zajmuję się również tworzeniem gier, sprawdziłem naturalnie działanie Unity. Edytor pracował sprawnie nawet podczas obsługi scen trójwymiarowych, a poruszanie się po projekcie i typowe operacje nie stanowiły większego problemu. Nie mogę jednak powiedzieć, że komfort pracy dorównywał mojemu pełnowymiarowemu pecetowi z Core i7-12700K i RTX 4080. Różnica była zauważalna szczególnie podczas profilowania, kiedy interfejs nie reagował już tak sprawnie, jak bym tego oczekiwał. Nie przeprowadziłem wprawdzie identycznego zestawu pomiarów kompilacji i responsywności na obu maszynach, więc jest to przede wszystkim obserwacja z codziennego użytkowania, ale pokazuje ona, że GR1X niekoniecznie musi być lepszą stacją roboczą tylko dlatego, że wykorzystuje nowoczesny, 20-rdzeniowy procesor.

Na sam koniec coś dla osób zajmujących się tworzeniem treści wideo. Korzystając z ASUS ProArt GR1X, zmontowałem recenzję gry Well Dweller w DaVinci Resolve Studio, wykorzystując trzy pliki nagrane smartfonem w jakości 4K/60 FPS. Nie był to szczególnie skomplikowany projekt, bo obejmował dwie ścieżki obrazu i dźwięku, ale cały proces przebiegł bez większych problemów. Render materiału w rozdzielczości 2K przy 60 FPS, z wykorzystaniem kodeka H.265 i najwyższych ustawień jakości, zakończył się po 9 minutach i 15 sekundach. Z kolei przygotowanie 20-minutowego filmu o GTA VI zajęło komputerowi 4 minuty i 15 sekund, choć w tym przypadku materiał źródłowy miał rozdzielczość Full HD. Nie są to więc dwa bezpośrednio porównywalne pomiary, ale oba potwierdzają, że GR1X bez problemu nadaje się do montowania mniej skomplikowanych materiałów na YouTube.

Największe rozczarowanie pojawiło się jednak wtedy, kiedy próbowałem wykorzystać komputer zgodnie z jego głównym przeznaczeniem, a więc do lokalnego AI, nie rezygnując przy tym z wykonywania innych obowiązków. Podczas intensywnego rozumowania Qwen 27B, szczególnie przy większym kontekście, responsywność Windows potrafiła spaść do poziomu, przy którym nawet zwykłe korzystanie z przeglądarki stawało się uciążliwe. O uruchamianiu w tym czasie Unity czy bardziej wymagających aplikacji nie było już sensu myśleć. Ograniczenie kontekstu do 8K lub 16K wyraźnie zmniejszało ten problem, ale jednocześnie odbierało część możliwości, dla których w ogóle warto zainteresować się komputerem z tak dużą ilością pamięci.

Dlatego też po kilkunastu dniach testów zacząłem traktować ASUS ProArt GR1X bardziej jako osobny element infrastruktury niż sprzęt, na którym chciałbym wykonywać wszystkie codzienne obowiązki. Jako niewielki serwer AI, który stoi gdzieś obok głównego komputera i udostępnia lokalne modele przez sieć, ma on znacznie więcej sensu. Zwłaszcza że wyposażono go w Ethernet 10 Gb/s, a jego niewielkie gabaryty i stosunkowo niski pobór energii dobrze pasują do takiego zastosowania. Nie sprawdziłem jednak obsługi wielu użytkowników jednocześnie, więc nie traktowałbym tego jeszcze jako potwierdzenia jego przydatności do obsługi całego zespołu. W roli osobistej maszyny do lokalnych modeli GR1X wypada natomiast znacznie ciekawiej niż jako bezpośredni zamiennik tradycyjnej stacji roboczej.

Test ASUS ProArt GR1X – podsumowanie

Po kilkunastu dniach testowania ASUS ProArt GR1X doszedłem do wniosku, że komputery pokroju tego modelu rzeczywiście mają sens, ale tylko pod warunkiem, że dobrze wiemy, do czego zamierzamy je wykorzystać. Największą zaletą testowanej konstrukcji nie jest bowiem wydajność samego procesora czy układu graficznego, ale dostęp do 64 GB pamięci zunifikowanej, która pozwala uruchamiać lokalnie modele AI o wymaganiach wykraczających poza możliwości typowych konsumenckich kart graficznych. Świetnie pokazało to porównanie z moim pecetem wyposażonym w GeForce RTX 4080. Przy mniejszym Qwen 9B klasyczny komputer okazał się niemal dwukrotnie szybszy, ale po przejściu na większy model 27B sytuacja się odwróciła i to nawet przy ograniczeniu kontekstu do 16384.

Właśnie w takich zastosowaniach widzę największy potencjał tego sprzętu. Możliwość uruchomienia lokalnego modelu, udostępnienia mu odpowiednich narzędzi i zlecenia analizy dokumentów czy poprawiania kodu bez konieczności korzystania z chmury jest bardzo kusząca. Zwłaszcza że podczas pracy z Qwen 27B GR1X pobierał z gniazdka około 130 W, podczas gdy mój tradycyjny pecet potrzebował około 330 W w osobnym pomiarze. Trzeba jednak pamiętać, że o praktycznej użyteczności takiego rozwiązania nie decyduje wyłącznie sprzęt. Problemy z NVIDIA PAIR, przekraczanie limitów czasu podczas zadań agentowych czy konieczność ręcznego dostosowywania konfiguracji pokazały mi, że lokalne AI nadal wymaga od użytkownika pewnej wiedzy i cierpliwości. Nie zawsze wystarczy pobrać model i po prostu zacząć z niego korzystać, bo w takim układzie byle chmurowe rozwiązanie okazuje się po prostu lepsze.

Nie mogę też uznać ASUS ProArt GR1X za idealny zamiennik klasycznej stacji roboczej. Owszem, Unity działało sprawnie, montowanie mniej wymagających materiałów w DaVinci Resolve nie stanowiło większego problemu, a nawet współczesne gry potrafiły osiągać zaskakująco wysoką płynność. Z drugiej strony musiałem liczyć się z mniej responsywnym środowiskiem pracy, okazjonalnymi przycięciami w grach, ograniczeniami Windows na ARM i dosyć nietypowym zestawem portów. Największym rozczarowaniem okazała się jednak próba jednoczesnego wykonywania codziennych obowiązków i intensywnego wykorzystywania lokalnego AI. Kiedy Qwen 27B zaczynał rozumować na większym kontekście, Windows potrafił stać się tak mało responsywny, że korzystanie nawet z przeglądarki było uciążliwe. Sytuację poprawiało ograniczenie dostępnego kontekstu, ale trudno uznać to za idealne rozwiązanie w komputerze, którego główną zaletą ma być właśnie możliwość pracy z bardziej wymagającymi modelami.

Dlatego też znacznie chętniej widziałbym GR1X głównie w roli niewielkiego serwera AI na użytek osobisty lub małego biura niż swojego głównego komputera. Jego kompaktowa obudowa, niski pobór energii podczas typowej pracy, stosunkowo ciche chłodzenie i obecność Ethernetu 10 Gb/s dobrze pasują do takiego scenariusza. Wystarczy postawić go gdzieś obok biurka, uruchomić odpowiedni model i korzystać z jego możliwości przez sieć, pozostawiając główny komputer do pozostałych obowiązków. W takim zastosowaniu można również łatwiej zaakceptować brak tradycyjnego USB-A czy ograniczone możliwości rozbudowy, choć pamiętajcie, że zakup wariantu z 64 GB oznacza brak możliwości późniejszego zwiększenia tej pojemności.

Ostatecznie ASUS ProArt GR1X nie jest więc komputerem, który poleciłbym każdemu zainteresowanemu lokalną sztuczną inteligencją. Jeśli korzystacie głównie z mniejszych modeli, macie już wydajnego GeForce’a RTX i nie potrzebujecie bardzo długiego kontekstu, to zakup tak wyspecjalizowanego sprzętu będzie trudny do uzasadnienia. Jeżeli jednak zamierzacie regularnie pracować z większymi modelami, budować własnych agentów i wykonywać wieloetapowe zadania na lokalnych danych, to GR1X wykazał , dlaczego pamięć zunifikowana może być ważniejsza od samej wydajności obliczeniowej. Jest to bardzo interesujący komputer do konkretnej pracy, ale jeszcze nie sprzęt pozbawiony kompromisów.

W momencie pisania tego podsumowania, co ma miejsce kilka godzin przed zejściem embargo, nie mam nawet dostępu do konkretnej ceny testowanego egzemplarza z 64 GB pamięci dynamicznej i 1-terabajtowym SSD. Ze zdradzeniem tej tajemnicy nie mają jednak problemu sklepu bo np. wedle Senetic mowa o cenie rzędu 24702 i 27565 zł brutto za wariant z odpowiednio 1- i 2-terabajtowym dyskiem. Naturalnie nie dopłacajcie aż tyle za takie ulepszenie, bo za ponad 2000 zł znajdziecie na rynku nawet 4-terabajtowe modele. Uznajmy jednak, że poziom 20000 zł jest tym “realnym” za testowaną konfigurację. Co nam to mówi?

Co nam to mówi? Przede wszystkim tyle, że ASUS ProArt GR1X jest sprzętem bardzo drogim, którego zakup musi wynikać z konkretnych potrzeb, a nie samej chęci posiadania komputera do lokalnego AI. Za około 25 tysięcy złotych otrzymujemy bowiem maszynę, która w wielu codziennych zastosowaniach będzie mniej praktyczna od znacznie tańszego peceta z wydajnym GeForce’em RTX. Mój RTX 4080 pokazał zresztą, że przy mniejszych modelach językowych nie ma czego zazdrościć wyspecjalizowanej platformie NVIDII. Sytuacja odwraca się dopiero wtedy, kiedy zaczynamy wykorzystywać większe modele i długi kontekst, a ograniczona pojemność VRAM-u tradycyjnej karty graficznej staje się problemem. Wtedy GR1X potrafi być nie tylko szybszy, ale również znacznie oszczędniejszy energetycznie.

Problem w tym, że za tak ogromne pieniądze nadal dostajemy sprzęt wymagający sporo uwagi, konfiguracji i godzenia się z ograniczeniami Windowsa na ARM. Co więcej, wybierając wariant z 64 GB pamięci, zamykamy sobie drogę do późniejszego zwiększenia jej pojemności, a dopłata do 128 GB oznacza już wejście na zupełnie inny poziom cenowy. Dlatego osobiście nie kupiłbym ASUS ProArt GR1X jako zamiennika swojego komputera, ale jako osobny, energooszczędny serwer do regularnej pracy z większymi modelami i własnymi agentami AI? Tutaj zaczynam dostrzegać sens takiej inwestycji. Tyle tylko, że mówimy o sprzęcie dla osób, które dobrze wiedzą, jak wykorzystać jego możliwości, a nie o uniwersalnym komputerze przyszłości. Dla większości użytkowników tradycyjny pecet lub usługi AI w chmurze będą po prostu rozsądniejszym wyborem.

Mateusz ŁysońM
Napisane przez

Mateusz Łysoń

RedaktorZwiązany z mediami od 2016 roku. Twórca gier, autor tekstów przeróżnej maści, które można liczyć w dziesiątkach tysięcy, książki Powrót do Korzeni oraz gry wideo DIGSITE ZERO.