一台放在桌子上的工作站，开始跑700B级大模型了。更夸张的是，它一开始只有1 token/s。经过一轮模型权重调度和内存优化，速度被硬生生拉到了25～28 token/s；换上更适合这套架构的DeepSeek模型后，单路速度进一步来到约100 token/s，多路总吞吐超过200 token/s。
Level1Techs最近花了一周时间，实测了MSI版本的NVIDIA DGX Station——Expert Station WS300。这台接近10万美元的机器，核心是Grace CPU与Blackwell Ultra B300 GPU，配有约252GB HBM，同时拥有大容量LPDDR5内存。
为了摸清这台机器到底能干什么，他没有只跑几个短Prompt的Benchmark，而是直接把700B级大模型、百万Token上下文、27B全参数训练塞了进去。
最后得到的答案也很有意思：DGX Station最值得看的地方，可能还真不只是B300有多快。
753B模型从1 tok/s跑到25倍速
测试最开始并不顺利。他首先把GLM 5.3这样一个753B级模型丢进DGX Station。按照默认配置启动vLLM，结果只有大约1 token/s。
问题很快暴露出来。这台机器虽然有252GB左右的HBM，但显然装不下700B级模型全部参数。剩余权重需要进入Grace侧的LPDDR5内存，再通过NVLink C2C与GPU交换数据。
理论上，NVIDIA给出的C2C带宽可以达到900GB/s，但整套系统真正访问LPDDR5时，实测内存带宽大约在300～320GB/s。怎么把模型参数分配到HBM和LPDDR5里，直接决定了最终速度。
随后，他开始调整PyTorch CUDA内存分配、CPU Offload、Pinned Memory以及vLLM相关设置，同时尽量把更频繁访问的Expert留在HBM。
调整完成后，GLM 5.3从约1 token/s升到了25～28 token/s，速度提高了约25倍。此时还能腾出大约69GB HBM给KV Cache使用，上下文容量可以做到约150万Token。
这次测试也暴露出DGX Station很特殊的一面。同一块硬件，软件调度方式不同，最终性能可能差一个数量级。
模型架构同样影响巨大。他随后测试GPT-OSS 120B，单路推理直接跑到约380 token/s，4路并发总吞吐超过1000 token/s。百万Token上下文的“大海捞针”测试中，它还能保持完整的信息召回。
临近机器寄回MSI时，他又赶上DeepSeek 4.1 Flash发布。这个700B级模型与DGX Station的内存结构意外契合，一部分参数可以留在HBM，另一部分放进LPDDR5。
最终，视频中给出的成绩达到单路约100 token/s，多路Aggregate吞吐约230～270 token/s。
几天测试下来，他看到的已经不只是“显存够不够用”这个问题。HBM负责高频数据，LPDDR5承载大量模型参数，未来甚至还能把SSD加入缓存体系，大模型正在开始真正利用分层内存。
50GB模型，训练时吃掉451GB内存
推理只是其中一部分，他随后又做了一件更狠的事情：在这台桌面工作站上完整训练27B模型。
测试使用的是Dense版本Qwen 3.8 27B，约269亿参数。训练数据包含73000多段对话，总计约3.5亿输入Token，最长上下文达到14.2万Token。
这一次，他跑的是全参数训练。模型本身的权重只有大约50GB，但真正进入训练后，还需要保存Gradient、FP32 Master Weight和Adam Optimizer State。几项叠加之后，仅模型相关状态就膨胀到约451GB，还没有计算Activation以及额外的数据副本。
Grace的大容量内存终于开始发挥作用。训练过程中，模型计算和权重使用BF16，优化器的大量状态留在CPU内存，同时配合Flash Attention、Activation Checkpoint、CPU Offload和Gradient Accumulation，最终把整个训练任务跑了下来。
一个Epoch耗时约26.45小时，完成2291次参数更新，没有出现Skip，平均输入吞吐约3673 tokens/s。
功耗也在这里真正被拉满。
普通LLM推理时，他很难让整机墙上功耗长期超过1000～1100W；到了27B全参数训练，CPU和GPU模块瞬时功耗峰值达到约1.78kW，1秒平均模块功耗约1.5kW，其中GPU约1.32kW。
NVIDIA给DGX Station准备1600W级电源，很大一部分意义就在这种场景里。
买不买，最后算的是Token账
跑完这一圈后，他把问题重新拉回了价格。
对于机器人、实验室自动化、生物信息、敏感数据处理这类场景，本地运行本身就有价值。机器人控制需要低延迟，实验数据可能涉及隐私和合规，模型直接放在设备旁边，可以同时连接真实机器和本地数据。
DGX Station还支持MIG，可以把GPU划分成多个独立实例。一个团队可以同时跑不同仿真任务，也可以让多个真实设备分别接入不同实例。但如果用途主要是Coding Agent、软件开发和普通大模型调用，账就要重新算。
他的估算是，这类设备需要长期保持70%～90%的高利用率，才更容易与云端Token成本抗衡。否则，直接购买云端模型服务可能更省钱。
因此，他给自己设了一条大致的回本线：18个月。AI硬件和模型迭代太快，回本周期一旦拉得过长，下一代平台、模型架构和推理软件都有可能重新改写成本。
有趣的是，测试一周之后，他对这台机器的评价反而比预期更高。
700B级模型已经可以在桌面上跑到约100 token/s，120B模型能够做到数百token/s，27B Dense模型可以完成全参数训练，两台机器还能够通过ConnectX-8的800Gbps网络继续扩展。
过去这类工作通常属于机房里的大型GPU集群。现在，它被压进了一台桌边工作站里。而他最后留下的问题，也成了这台机器真正需要回答的问题：当本地AI开始拥有这种规模的算力之后，企业究竟还有多少Token，值得继续放在云上？
END
本文来自至顶AI实验室，一个专注于对AI计算机、工作站及各类AI相关硬件设备，开展基于真实使用场景评测的研究机构。
