英伟达10月2日公布DGX Spark的64GB统一内存配置，计划由合作伙伴于10月23日起提供。按照公告时间，这属于待上市配置，不能写成10月11日已经全面现货供应。具体购买条件还应以对应厂商的实际信息为准。
这次产品变化提供了一个讨论入口：本地AI设备的容量需求，应如何从真实任务推算？下面分析容量规划中的几个常见环节，不对尚未进行的实机测试作性能判断。
模型权重只占内存账本的一部分
用户常以模型参数规模判断设备是否足够，但运行时还会使用上下文缓存、中间数据和软件环境。操作系统与其他应用也需要空间，不能把标称容量全部当成模型可独占的资源。
同一个模型在不同量化方式、上下文长度和并发条件下，需求可能不同。较合理的做法，是用准备实际使用的模型格式和任务长度测试，再预留一定余量，而不是根据某个成功启动的截图做决定。
单人助手与多人服务，要求并不相同
单人使用时，可以等待一个任务完成再开始下一个；共享设备则可能同时收到多个请求。并发增加后，缓存和执行资源都会产生额外压力，原本顺畅的环境可能开始排队。
因此，本地工作站评估应先确认用途：用于尝试模型、编写应用，还是承担稳定的内部服务。不同目标对应不同验收标准，开发设备偶尔重启可以接受，面向同事的服务则需要更清楚的运行和维护安排。
容量够用之后，还要看响应方式
某些工作关注第一段回答多久出现，另一些工作更关心长文档处理多久完成。设备在短问答上的体验，未必能够代表批量解析文件或长上下文任务。
可以准备一组真实样本，分别记录加载、预处理、推理和结果保存时间。这样即使发现速度不理想，也能分清问题来自模型本身、输入规模，还是某个软件步骤，而不会全部归因于内存大小。
多机扩展不能只把容量相加
连接多台设备后，任务如何拆分、数据如何交换、软件是否支持对应方式，都需要验证。总容量增加并不自动意味着单个任务线性加速，通信和协调也会消耗时间。
如果主要运行彼此独立的任务，分配给不同设备可能较容易；如果一个任务必须跨设备执行，则应观察互连和分布式软件的实际表现。两种用法不应混在同一张性能表中比较。
64GB版本丰富了产品配置，但容量选择仍应从工作负载出发。先写清任务、模型和并发，再评估运行表现、软件维护以及扩展方式，比单看一个内存数字更容易判断设备是否合适。