三個月前，我意識到自己對那些只關心權力、金錢和控制的公司無法自拔。 此時，Cursor、Claude、OpenAI 都已經取消了他們的無限計劃。 我想要一台配備 512GB RAM 的 Mac M3 Ultra。Ahmad 和 Pewdiepie 說服我放棄了這個想法。 以下是我在建立自己的 AI Rig 時學到的東西 ----------------------------- 建造（$3K-$10K） 這是你在 10K 美元以下能獲得的最佳性能 • 4x RTX 3090s 配 2x NVLink • Epyc CPU 配 128 PCIe 通道 • 256-512GB DDR4 RAM • Romed8-2T 主板 • 自訂機架 + 風扇冷卻 • AX1600i PSU + 高品質擴展卡 成本：美國 $5K，歐盟 $8K（感謝增值稅） 性能現實檢查 更多的 3090s = 更大的模型，但收益遞減很快就會出現。 下一步：8-12 個 GPU 用於 AWQ 4-bit 或 BF16 Mix GLM 4.5-4.6 但在這個時候，你已經達到了消費者硬體的極限。 ---------------------------------------- 可用的模型： S 級模型（黃金標準） • GLM-4.5-Air：與 Sonnet 4.0 相匹配，代碼無瑕疵，穩定達到 50 tps 和 4k/s 的預填充，使用 vLLM • Hermes-70B：告訴你任何事情而無需越獄 A 級工作馬 • Qwen 系列 • Mistral 系列 • GPT-OSS B 級選擇 • Gemma 系列 • Llama 系列 ------------------------------------ 實際可用的軟體堆疊 對於編碼/代理： • Claude Code + Router（GLM-4.5-Air 運行完美） • Roocode Orchestrator：定義模式（編碼、安全、審核、研究者） 該協調器管理範圍，啟動具有片段上下文的本地 LLM，然後綜合結果。你可以使用 GPT-5 或 Opus/GLM-4.6 作為協調器，其他一切都使用本地模型！ 支撐選項（排名） 1. vLLM：峰值性能 + 可用性，如果模型適合則速度驚人 2. exllamav3：速度更快，所有量化大小，但支撐較差 3. llama.cpp：易於入門，初始速度良好，但隨著上下文的增加而退化 UI 推薦 • lmstudio：鎖定於 llama.cpp，但用戶體驗極佳 • 3 Sparks：本地 LLM 的 Apple 應用 • JanAI：不錯，但功能有限 ------------------------------- 底線 Mac Ultra M3 讓你獲得 60-80% 的性能，並可訪問 MLX。但如果你想要絕對的最佳性能，你需要 Nvidia。 這段旅程教會我：真正的獨立來自於理解和建立自己的工具。 如果你對基準測試感興趣，我在我的個人資料上發佈了很多。