PC-konfigurationer för lokala AI-modeller, 20B till 120B — 2026
Från ett enda grafikkort på 16 GB till tre RTX 3090, en EPYC-server och maskiner med enhetligt minne: vad varje konfiguration kör och hur snabbt, med källa för varje mätning.
-
One 16 GB GPU
- Budget
- Budget
- Grafikminne
- ≈16 GB
- RAM
- ≈32 GB
- Komponenter
- GPU: RTX 5060 Ti 16 GB / RTX 4060 Ti 16 GB
- CPU: any 6–8-core desktop CPU
- Moderkort: any ATX/mATX with a PCIe x16 slot
- RAM: 32 GB DDR4/DDR5
- Nätaggregat: 550–650 W
- PCIe: 1× x16 (x8 electrical is enough)
- Kör
- gpt-oss-20b MXFP4 (RTX 5060 Ti 16 GB) MXFP4 112 tok/s [uppmätt]
- Qwen3-30B-A3B Q4_K_M, experts partly in RAM Q4_K_M [≈ uppskattning från minnesbandbredden]
- Anmärkningar
- gpt-oss-20b (≈12 GB) fits entirely in VRAM with room for a long context. Qwen3-30B-A3B Q4_K_M (≈18.6 GB) does not fit: a few expert layers go to system RAM with --n-cpu-moe, still usable because only ~3B parameters are active. Measured on an RTX 5060 Ti 16 GB (llama-bench tg128).
-
One RTX 3090 24 GB (used)
- Budget
- Budget
- Grafikminne
- ≈24 GB
- RAM
- ≈64 GB
- Komponenter
- GPU: RTX 3090 24 GB
- CPU: any 6–8-core desktop CPU
- Moderkort: any ATX with a PCIe x16 slot
- RAM: 32–64 GB DDR4/DDR5
- Nätaggregat: 750–850 W
- PCIe: 1× x16
- Kör
- gpt-oss-20b MXFP4 MXFP4 162 tok/s [uppmätt]
- Qwen3-30B-A3B Q4_K Q4_K_M 154 tok/s @4k [uppmätt]
- Gemma 3 27B Q4_K_M Q4_K_M ≈31–42 tok/s [≈ uppskattning från minnesbandbredden]
- Anmärkningar
- The cheapest way to 24 GB of fast VRAM. Small MoE models fly; dense ~27–32B models fit at Q4 with a moderate context. The Gemma 3 27B figure is our estimate: 936 GB/s × 55–75 % efficiency ÷ 16.5 GB of weights.
-
12–24 GB GPU + 64–128 GB RAM (MoE offload)
- Budget
- Budget
- Grafikminne
- ≈24 GB
- RAM
- ≈64 GB
- Komponenter
- GPU: RTX 3090 24 GB / RTX 4070 12 GB / RTX 3080 Ti 12 GB
- CPU: Core i5-12600K / Core Ultra 7 265K class
- Moderkort: desktop board, both memory channels populated
- RAM: 64–128 GB DDR5 (XMP/EXPO on) or DDR4-3600
- Nätaggregat: 750–850 W
- PCIe: 1× x16
- Kör
- gpt-oss-120b MXFP4 — RTX 3090 + 64 GB DDR5-5200, --n-cpu-moe 24–26 MXFP4 26–28 tok/s [uppmätt]
- gpt-oss-120b MXFP4 — RTX 4070 12 GB + 64 GB DDR5 MXFP4 25–28 tok/s [uppmätt]
- gpt-oss-120b MXFP4 — RTX 3080 Ti 12 GB + 128 GB DDR4-3600, --n-cpu-moe 36 MXFP4 18,0–22 tok/s [uppmätt]
- Anmärkningar
- llama.cpp --n-cpu-moe N keeps attention and the shared layers on the GPU and moves the experts of N layers to system RAM. Works well only for MoE models; RAM speed matters — the 4070 build ran at 10–11 tok/s until XMP was turned on.
-
Two RTX 3090 (48 GB)
- Budget
- Mellanklass
- Grafikminne
- ≈48 GB
- RAM
- ≈64 GB
- Komponenter
- GPU: 2× RTX 3090 24 GB
- CPU: desktop CPU with x8/x8 bifurcation, or HEDT
- Moderkort: two x16-size slots spaced for 3-slot cards (x8/x8)
- RAM: 64 GB
- Nätaggregat: 1000–1200 W
- PCIe: 2× x8 PCIe 4.0; NVLink optional
- Kör
- Llama 3 70B Q4_K_M (same size as Llama 3.3 70B) Q4_K_M 16,3 tok/s [uppmätt]
- Anmärkningar
- 48 GB holds a dense 70B model at Q4_K_M (≈42.5 GB) with a short-to-medium context. llama.cpp splits the layers between the cards and runs them one after another, so speed is that of one 3090 reading the whole model; NVLink and x8 lanes barely matter here (they do for vLLM tensor parallel).
-
Used EPYC server, 8-channel DDR4 (CPU only)
- Budget
- Mellanklass
- Grafikminne
- ≈0 GB
- RAM
- ≈512 GB
- Pris
- 2 000 US$
- Komponenter
- CPU: AMD EPYC 7002/7003 (Rome/Milan), e.g. EPYC 7702
- Moderkort: ASRock Rack ROMED8-2T / Supermicro H12SSL-i / Gigabyte MZ32-AR0
- RAM: 256–512 GB DDR4-3200 RDIMM, all 8 channels populated
- Nätaggregat: 750–1000 W
- PCIe: 5–7× x16 PCIe 4.0 — room to add GPUs later
- Kör
- DeepSeek R1 671B Q4 — EPYC 7702 + 512 GB DDR4-2400, MZ32-AR0 Q4 3,5–4,2 tok/s [uppmätt]
- gpt-oss-120b MXFP4 MXFP4 ≈12,0–16,0 tok/s [≈ uppskattning från minnesbandbredden]
- Anmärkningar
- Huge memory for little money: 8 channels of DDR4-3200 give 204.8 GB/s per socket. Only MoE models are practical — speed follows the active parameters. Fill every channel; a second socket adds NUMA trouble and little speed in llama.cpp (--numa distribute). The gpt-oss-120b figure is an estimate scaled by memory bandwidth from a DDR5 EPYC run. The source build cost about $2000 (prices of January 2025).
-
AMD Strix Halo mini-PC, 128 GB
- Budget
- Mellanklass
- Grafikminne
- ≈96 GB
- RAM
- ≈128 GB
- Komponenter
- GPU: Radeon 8060S (integrated)
- CPU: AMD Ryzen AI Max+ 395
- Moderkort: Framework Desktop / other Strix Halo mini-PCs
- RAM: 128 GB LPDDR5X-8000 unified (≈96 GB+ usable as VRAM)
- Nätaggregat: built-in
- Kör
- gpt-oss-120b MXFP4 (ROCm) MXFP4 50 tok/s [uppmätt]
- Anmärkningar
- Quiet, ~120 W, the whole model in unified memory. Bandwidth (256 GB/s) is about a quarter of a 3090, so dense 70B models are slow; large MoE models with few active parameters are its sweet spot.
-
Three RTX 3090 (72 GB)
- Budget
- Toppklass
- Grafikminne
- ≈72 GB
- RAM
- ≈64 GB
- Komponenter
- GPU: 3× RTX 3090 24 GB
- CPU: AMD EPYC 7002/7003 or Threadripper (enough PCIe lanes)
- Moderkort: ASRock Rack ROMED8-2T / Supermicro H12SSL-i, risers for 3-slot cards
- RAM: 64–128 GB
- Nätaggregat: 1200–1600 W (or two PSUs)
- PCIe: 3× x8–x16 PCIe 4.0
- Kör
- gpt-oss-120b MXFP4, all in VRAM MXFP4 41–73 tok/s @12.8k→93.7k [uppmätt]
- Anmärkningar
- gpt-oss-120b (≈65 GB) fits fully in 72 GB of VRAM with a long context: 73 tok/s at 12.8k tokens of context, 41 tok/s at 93.7k. The measured machine was rented, so the platform here is our suggestion: a server board gives every card enough lanes. Three 350 W cards need a big PSU; many owners power-limit them.
-
NVIDIA DGX Spark, 128 GB
- Budget
- Toppklass
- Grafikminne
- ≈128 GB
- RAM
- ≈128 GB
- Pris
- 3 999 US$
- Komponenter
- GPU: NVIDIA GB10 (integrated Blackwell)
- CPU: Arm CPU of the GB10
- Moderkort: NVIDIA DGX Spark
- RAM: 128 GB LPDDR5X unified
- Nätaggregat: built-in
- Kör
- gpt-oss-120b MXFP4 MXFP4 61 tok/s [uppmätt]
- Anmärkningar
- A CUDA box with 128 GB of unified memory at 273 GB/s: the same speed class as Strix Halo, with the NVIDIA software stack. Early llama.cpp builds gave ~35 tok/s on gpt-oss-120b; the figure is after the November 2025 update (llama-bench tg128).
-
Mac Studio, M2/M3 Ultra
- Budget
- Toppklass
- Grafikminne
- ≈192 GB
- RAM
- ≈192 GB
- Komponenter
- GPU: Apple M2 Ultra 76-core / M3 Ultra 80-core GPU
- CPU: Apple M2 Ultra / M3 Ultra
- Moderkort: Mac Studio
- RAM: 192–512 GB unified (800–819 GB/s)
- Nätaggregat: built-in
- Kör
- gpt-oss-120b MXFP4 — M2 Ultra 192 GB MXFP4 80 tok/s [uppmätt]
- gpt-oss-20b MXFP4 — M3 Ultra 512 GB MXFP4 116 tok/s [uppmätt]
- Anmärkningar
- The simplest way to run the biggest models at home: the M3 Ultra goes up to 512 GB of unified memory, enough for DeepSeek-class MoE models at 4 bits. Prompt processing is much slower than on NVIDIA GPUs. For very large models raise the GPU memory limit with sysctl iogpu.wired_limit_mb.
Uppmätta hastigheter länkar till sin källa; ≈ markerar en uppskattning från minnesbandbredden. Priserna är ungefärliga.
Uppdaterad · Källor: github.com , www.hardware-corner.net , carteakey.dev , github.crookster.org , hardware-corner.net , digitalspaceport.com , quozul.dev
Bädda in på din webbplats
Klistra in koden där infografiken ska visas: den uppdaterar sig själv. Gratis att använda — behåll källänken.
Vilka datorer finns med?
Korten visar kompletta datorer för lokala modeller från 20B till 120B, uppdelade i tre prisklasser. Under ”Budget” hittar du ett grafikkort med 16 GB, ett begagnat RTX 3090 eller en GPU med mycket RAM för MoE-avlastning. ”Mellanklass” rymmer två RTX 3090, en begagnad EPYC-server med 8-kanals DDR4 och en minidator med AMD Strix Halo. ”Toppklass” består av tre RTX 3090, NVIDIA DGX Spark och en Mac Studio med M2/M3 Ultra. Varje kort listar grafikminne, RAM, ungefärligt pris, komponenterna ända ner till nätagg och PCIe-banor, samt vilka modeller maskinen kör och hur fort.
Är hastigheterna uppmätta?
En hastighet utan märkning är uppmätt och har datum och länk till källan, oftast en benchmarktråd för llama.cpp eller en offentlig rapport. Ett värde med ≈ är vår uppskattning utifrån minnesbandbredden. Varje mätning hör till en viss version av körmiljön och vissa inställningar, så din egen dator kan hamna något högre eller lägre.
Hur väljer jag bygge?
Utgå från storleken på de modeller du vill köra, eftersom den avgör minnet – vilken öppen modell passar din hårdvara visar vad varje storlek kräver. Tänk sedan på hastighet, som följer minnesbandbredden. Grafikkort är snabba så länge modellen ryms i deras minne. Maskiner med delat minne, som Mac, Strix Halo och DGX Spark, rymmer större modeller men genererar långsammare. CPU-servrar håller enorma modeller billigt, men där är bara MoE praktiskt, eftersom varje token bara läser de aktiva parametrarna. Väg till sist in ljud, strömförbrukning och pris: flera 3090-kort låter mycket och kräver ett kraftigt nätaggregat, medan en minidator eller en Mac är tyst men långsammare per token.
Blir det snabbare med fler kort?
Nej. Med llama.cpp fördelas lagren mellan GPU:erna och körs efter varandra. Ett extra RTX 3090 låter dig läsa in en större modell, men hastigheten ligger kvar nära den ett kort ger.
Vad gör MoE-avlastning?
Med flaggan --n-cpu-moe behåller llama.cpp de delade lagren på GPU:n och flyttar experterna till system-RAM. Det fungerar bra bara med MoE-modeller, och RAM-minnets hastighet spelar stor roll.
Vad mer behöver jag?
Priserna är ungefärliga och ändras snabbt, särskilt för begagnade kort. Du behöver också ett program, se lokala AI-appar, och en modellfil i rätt kvantisering, som förklaras under typer av AI-modeller.