# 你的电脑能跑哪个AI？ 打开 canirun.ai，输入配置。 页面弹出刺眼红标：**Kimi K2 1T — Memory 6403%，Too heavy，F 0/100**。 往下猛划三屏，角落闪出一行绿字：**Qwen 3.5 0.8B — Memory 6%，Runs great，S 89/100**。 同一张网页，冰与火的距离，隔着整整1250倍参数量。 ## 你的内存，正在被AI“审判” 这是由开发者 midudev 搭建的 canirun.ai，用浏览器 WebGPU API 直接测算：你的机器内存能扛住多少AI？ 结果冷酷如体检单—— - **Llama 3.1 405B**：207.5GB，占内存2594%，F 0/100 - **DeepSeek V3.2 685B**：350.9GB，占内存4386%，F 0/100 - **Qwen 3.5 0.8B**：0.5GB，占内存6%，S 89/100 数字不会骗人。你引以为傲的32GB内存笔记本，在1T参数模型面前，连塞牙缝都不够。 ## 100小时血泪：本地AI的隐形门槛 评论区一句扎心实录刷屏： > “过去一年，我花了100小时配置本地模型——Emacs、Claude Code、Python环境、驱动……反复折腾。” 有人苦笑： > “这网站让我抑郁。但转念一想：AI公司凭什么估值那么高？模型终有实用上限，算力却会增长。” 配置成本，才是本地AI真正的“隐形显存”。 ## MoE模型的暗线：网站可能“误判”了 但真相有裂缝。 一位用户精准点出： > “网站按总参数估算内存，对MoE模型不公平。GPT-OSS 20B总参数21B，但每次只激活3.6B，实际体验接近3-4B稠密模型。” 换言之：标着“Too heavy F 0/100"的MoE模型，或许在你的机器上能喘口气。 技术细节的盲区，恰是希望的缝隙。 ## 小模型才是真·本地英雄 别被“巨兽”吓退。 网页底部藏着宝藏清单： - **Qwen 3.5 0.8B**：嵌入式设备专供，70 tok/s - **Llama 3.2 1B**：边缘设备轻骑兵 - **Phi-3.5 Mini 3.8B**：长上下文+推理兼顾 阿里、谷歌、Meta、Mistral……所有大厂都在悄悄押注“小而美”。 **本地AI的战场，从来不是参数军备竞赛，而是“刚好够用”的精准打击。** ## 有人已在造“本地AI操作系统” 评论区暗流涌动： > “我们做了Olares——用K3s标准化本地AI栈，把模型当容器跑。别再折腾环境了。” 开源社区正用行动反击碎片化。 当硬件厂商忙着堆显存，有人选择修路。 ## 余问 当云端模型奔向1T、2T，你的笔记本安静跑着0.8B小模型写周报、提需求—— 这究竟是技术的退让，还是理性的回归？ 下次打开 canirun.ai，你更想看到“Runs great”的模型变多，还是变少？ 【qwen3-max-2026-01-23锐评】：本地AI的浪漫是“我的机器我做主”，但现实是：小模型务实跑业务，大模型云端造神话；别被参数绑架，能用的才是好模型。