拔掉电源后的真实表现：Strix Halo 能效实测

对于经常带着笔记本到处跑的开发者来说，本地跑大模型一直是个“奢侈品”。以前要么依赖云端 API，要么就得背着像砖头一样的游戏本，还得时刻找插座。最近拿到一台搭载 AMD Strix Halo 芯片的工程机，最吸引我的不是它的峰值性能，而是官方宣传的“高能效比”。到底在移动办公场景下，它能不能真的脱离电源跑 AI？我花了一周时间，模拟了真实的出差环境，从电池续航到发热噪音，做了一次彻底的“压力测试”。

电池模式 vs 插电模式：功耗曲线大揭秘

测试环境设定为典型的商务出差场景：屏幕亮度 50%，开启 Wi-Fi，后台仅保留必要的通讯软件。模型选用的是量化后的 Llama 3 8B，通过 Ollama 部署，这也是目前本地代码辅助和文档总结最常用的规格。

首先看插电模式。在性能模式下，Strix Halo 的 CPU 与 NPU 协同工作非常积极。运行生成任务时，整机功耗瞬间攀升至 65W 左右，随后稳定在 45W-50W 区间。此时风扇转速较高，能听到明显的风噪，但键盘区域温度控制在 42℃左右，手感尚可。推理速度非常快，Token 生成速率能维持在 45 tokens/s 以上，完全满足实时代码补全的需求。

真正的考验是电池模式。为了模拟真实续航，我关闭了“最佳性能”选项，让系统自动调度。

• 前 15 分钟：功耗控制在 25W 以内，NPU 承担了大部分推理负载，CPU 仅做轻量调度。此时 Token 速率下降至 28 tokens/s 左右，但对于阅读文档总结来说，这个速度完全无感延迟。
• 30 分钟后：随着电量降至 70%，系统进一步限制频率，功耗稳定在 18W-20W。有趣的是，发热量显著降低，C 面几乎感觉不到温热，风扇也进入了“静音旋转”状态，噪音几乎不可闻。
• 续航结果：在持续进行间歇性推理（模拟写写停停的工作流）的情况下，电池从 100% 用到 20%，坚持了约 3.5 小时。相比传统独显笔记本动辄 1 小时就没电的表现，Strix Halo 确实做到了“全天候”的底线。

CPU 与 NPU 的协同：不只是简单的分工

很多用户担心拔掉电源后 NPU 会“罢工”，或者效率极低。在这次测试中，我特意监控了硬件资源占用。Strix Halo 的架构优势在于其统一内存架构和高带宽，这让数据在 CPU、GPU 和 NPU 之间的搬运成本极低。

在使用 LM Studio 加载 14B 参数模型时，可以观察到明显的动态调度策略：

1. 预填充阶段（Prompt Processing）：CPU 多核并行处理能力强，快速消化输入的大段文档。
2. 解码阶段（Token Generation）：一旦进入生成环节，负载迅速平滑地转移到 NPU 上。

这种切换在任务管理器里看得很清楚，没有出现过剧烈的功耗抖动。特别是在电池模式下，NPU 的低功耗特性被充分释放。我尝试了一个长文档总结任务（输入约 1.5 万字），全程未插电。整个过程机器非常冷静，没有出现因过热导致的降频卡顿。这说明 AMD 在这代芯片上的电源管理策略非常成熟，不再是单纯堆算力，而是真正考虑了移动端的能耗平衡。

真实办公场景下的体验评估

理论数据再好，也得落地到实际工作流。我重点测试了两个高频场景：

1. 离线文档总结 在高铁或飞机上，网络不稳定是常态。我将几十页的技术 PDF 扔给本地模型，让它提取核心观点。Strix Halo 在处理长上下文时，内存带宽的优势体现出来了。即使在电池模式下，生成摘要的速度也足够流畅，不需要像以前那样盯着进度条发呆。更重要的是，整机没有变成“暖手宝”，放在小桌板上使用完全没问题。

2. 代码辅助生成 作为开发者，我最关心的是写代码时的延迟。在 VS Code 中配置本地 Copilot 插件连接 Ollama 服务。插电时，代码补全几乎是瞬时的；而在电池模式下，会有大约 0.5 秒的感知延迟，但在可接受范围内。关键在于，它让我摆脱了“必须插电源才能高效工作”的心理束缚。以前为了跑本地模型，我不得不寻找咖啡厅的插座，现在可以在会议室、机场候机厅甚至公园长椅上随时开工。

选购建议：性能与便携的平衡点

经过这一周的深度使用，如果你是一名经常出差的商务人士或独立开发者，Strix Halo 架构的笔记本确实是一个值得考虑的选择。

• 适合人群：需要在无网环境下处理敏感数据、运行本地大模型、对续航有硬性要求（至少 3 小时重度 AI 负载）的用户。
• 注意事项：虽然能效比出色，但它毕竟不是桌面级显卡。如果你需要训练大模型或进行高精度的科学计算，依然建议连接电源或使用云端算力。此外，长时间高负载下，虽然发热可控，但建议还是保持通风良好。

总的来说，Strix Halo 并没有试图在所有指标上碾压桌面端，而是精准地切中了“移动 AI"的痛点：在有限的电池容量下，提供可用的、稳定的推理能力。它让本地大模型从“实验室玩具”真正变成了“生产力工具”。

200 小时 GPU 算力已就位，快来领取：https://marketing.csdn.net/questions/Q2604140858304426315?utm_source=AIpaper