最近很多人看到联想 ThinkStation PGX 这类“桌面 AI 超级电脑”，第一反应是：

既然它能跑 200B 参数模型，那能不能本地跑 DeepSeek-V4-Flash？

结论先说清楚：

单台联想 PGX 不适合本地跑完整 DeepSeek-V4-Flash；Mac 顶配更有机会，但也只是“能跑起来”，不等于“跑得爽、跑得稳、跑得快”。

---

一、判断一台电脑能不能跑大模型，核心看 3 个数

不要只看宣传里的“AI 算力”“TOPS”“超级芯片”，真正决定能不能跑的，是这三个东西：

1. 总参数量

DeepSeek-V4-Flash 是 284B 总参数、13B 激活参数、1M 上下文；DeepSeek-V4-Pro 更大，是 1.6T 总参数、49B 激活参数。这两个都是 MoE 模型。(Hugging Face)

这里最容易误解的是：

13B 激活参数，不代表只需要 13B 模型的内存。

MoE 模型推理时每个 token 只激活一部分专家，但模型权重整体仍然要被加载、切分、调度。也就是说，看部署门槛时，不能只看激活参数，必须看总参数和权重精度。

---

2. 内存/显存容量

大模型本地推理，第一道门槛不是 CPU，也不是硬盘，而是：

权重能不能装进内存/显存。

DeepSeek-V4-Flash 是 284B 参数，即使用 4bit 粗略估算：

284B × 4bit ≈ 142GB

这还只是理想化权重体积，没有算运行开销、KV Cache、框架占用、系统占用，以及 FP4 + FP8 混合精度带来的额外复杂度。

所以，128GB 内存的机器，天然就非常紧张。

---

3. 上下文长度

DeepSeek-V4 系列支持 1M token 上下文。上下文越长，KV Cache 压力越大。DeepSeek 官方也强调 V4 系列做了长上下文优化，但优化不等于没有成本。(DeepSeek API Docs)

所以实际部署时经常会出现一种情况：

模型能加载，但上下文一拉长，速度、内存和稳定性立刻出问题。

---

二、联想 PGX 到底是什么水平？

你截图里的联想 ThinkStation PGX，大体配置是：

项目	配置
芯片	NVIDIA GB10 Grace Blackwell
统一内存	128GB LPDDR5x
内存带宽	273GB/s
AI 算力	最高 1000 TOPS / 1 PFLOP FP4 稀疏
硬盘	1TB 或 4TB NVMe
系统	NVIDIA DGX OS / Ubuntu Linux Pro
双机互联	两台 PGX 可支持更大模型

联想官方对 PGX 的定位是“个人 AI 开发工作站”，单台可处理最高约 200B 参数模型，两台连接后可处理最高约 405B 参数模型。(Lenovo StoryHub)

这句话已经把答案说得很清楚了：

单台 PGX：约 200B 参数模型
DeepSeek-V4-Flash：284B 总参数

所以，单台 PGX 不适合跑完整 DeepSeek-V4-Flash。

---

三、为什么 PGX 单台不建议跑 DeepSeek-V4-Flash？

原因很简单：

1. 参数量超过单机舒适区

PGX 单台官方定位是最高约 200B 参数模型，而 V4-Flash 是 284B。
这不是差一点，是已经超过了它的合理边界。

2. 128GB 统一内存偏紧

V4-Flash 即使极低精度估算，权重体积也很容易超过 128GB 的舒适范围。

更麻烦的是，本地跑模型不是“权重塞进去就完事”，还要留空间给：

• 推理框架；

• KV Cache；

• 系统进程；

• tokenizer；

• 显存/内存调度；

• 长上下文运行开销。

所以单台 PGX 很容易变成：

能折腾
不好用
上下文受限
速度慢
稳定性差

3. 两台 PGX 理论上更接近，但不建议作为主方案

两台 PGX 互联后，官方说可处理最高 405B 参数模型。这个数字覆盖了 V4-Flash 的 284B 参数量。(Lenovo StoryHub)

但实际工程上还要解决：

• 模型并行；

• 框架兼容；

• 网络互联；

• 权重切分；

• 推理吞吐；

• 长上下文内存控制；

• 本地部署维护成本。

所以两台 PGX 可以作为技术探索，但不适合作为稳定生产方案。

---

四、Mac 顶配为什么反而更有机会？

Mac 顶配能跑超大模型，靠的不是传统意义上的独立显卡，而是：

超大统一内存。

Apple Mac Studio M3 Ultra 官方规格可到 32 核 CPU、80 核 GPU、819GB/s 内存带宽。(apple.com)

Mac 的优势是 CPU 和 GPU 共用统一内存。对大模型来说，这一点很关键。

传统 PC 的问题是：

内存很大，但显存不够
显卡很强，但显存太小

Mac 的优势是：

统一内存够大
模型权重可以整体放进统一内存
不用完全受独立显卡显存限制

所以，很多人说“Mac 顶配可以跑”，这个说法大方向是对的。

但要补一句：

它通常指的是量化版、本地体验版、低并发场景，不是生产级高吞吐部署。

另外，512GB 统一内存版本是否还能在官方渠道正常购买，需要下单前确认；近期有媒体报道苹果已调整或移除部分高内存 Mac Studio 配置选项。(Tom's Hardware)

---

五、个人电脑最低配置怎么选？

如果目标是本地体验 DeepSeek-V4-Flash，我建议按下面这个标准判断。

目标	最低建议	判断
只调用 DeepSeek API	普通电脑即可	最现实
本地折腾 V4-Flash 量化版	Mac Studio M3 Ultra，256GB 统一内存起步	勉强线
本地更稳地跑 V4-Flash	Mac Studio M3 Ultra，512GB 统一内存更理想	更安全，但看渠道
单台联想 PGX	不推荐	128GB 内存偏紧
两台 PGX 互联	可探索	不建议生产
真正稳定部署	云 GPU / 多卡服务器	更适合生产

一句话：

256GB 是“能折腾”的门槛，512GB 才更像个人电脑里的安全线。

---

六、PGX 值不值得买？

要看你买它干什么。

如果你买 PGX 是为了专门跑 DeepSeek-V4-Flash

不建议。

它不适合拿来硬扛 284B 的 V4-Flash，更不适合 V4-Pro。

如果你买 PGX 是为了做企业 AI 工作站

可以考虑。

它更适合这些场景：

• 本地跑 70B 级模型；

• 跑 100B-200B 内模型；

• 做企业知识库 RAG；

• 跑 OpenClaw、小龙虾、Agent、Skills；

• 做本地原型开发；

• 做私有数据处理；

• 做边缘 AI 推理测试；

• 做小规模模型微调或评估。

也就是说，PGX 更像是：

企业 AI 开发机 / 本地智能体工作站 / 私有化原型验证机。

它不是：

单机版 DeepSeek-V4 服务器。

---

七、最现实的企业落地方案

如果你要做企业 AI 应用，我更推荐这个组合：

本地 PGX / Mac：
负责知识库、数据处理、RAG、Agent、Skills、本地文件、业务系统连接

DeepSeek-V4：
通过 API 提供大模型推理能力

这样好处很明显：

• 本地数据可控；

• 系统响应稳定；

• 不硬扛超大模型部署；

• 成本更可控；

• 体验更接近真实生产；

• 智能体、工作流、业务系统可以本地跑；

• 大模型能力通过 API 补足。

DeepSeek 官方也已经提供 V4 API，并支持 OpenAI Chat Completions 与 Anthropic API 形式调用。(DeepSeek API Docs)

---

八、最终采购建议

如果你的目标是 本地跑 DeepSeek-V4-Flash：

优先：Mac Studio M3 Ultra 高内存版本
其次：两台 PGX 互联做技术探索
不建议：单台 PGX 硬跑

如果你的目标是 企业 AI 落地、智能体演示、OpenClaw 工作流、RAG、Skills 自动化：

PGX 可以买
但 DeepSeek-V4 建议走 API

如果你的目标是 稳定生产部署 DeepSeek-V4：

直接上云 GPU / 专业多卡服务器
不要纠结个人电脑

---

九、一句话总结

联想 PGX 是一台不错的桌面 AI 工作站，但它不是 DeepSeek-V4-Flash 的最佳本地部署机器；Mac 顶配靠大统一内存更适合“把超大模型塞进去跑”，但真正企业落地，最稳的方案仍然是：本地跑业务系统和智能体，大模型走 API。