Asustor Lockerstor 4 硬件规格与网络带宽优势

本视频重点评测了 Asustor Lockerstor 4 NAS在本地AI运行中的表现。该设备拥有强大的网络配置，包括 两个 10GBE端口和另外两个5GBE端口，总网络带宽达到 30 GBE。这一速度接近Thunderbolt 4的水平，足以支持存储和传输TB级别的AI模型文件。此外，设备内部配备了 16GB内存 和一个SSD，为运行本地AI模型提供了基础硬件支持。虽然16GB内存是当前的限制因素，但用户可以根据需求升级至 64GB 以运行更大的模型。这种高带宽与可升级内存的设计，使得该NAS不仅能作为存储中心，还能胜任本地AI推理任务。

基于 Docker 与 Portainer 的 AI 环境部署流程

为了在NAS上运行本地AI，作者使用了 Docker 容器化技术。为了方便管理，他安装了图形化管理工具 Portainer，避免了繁琐的命令行操作。通过 Portainer 界面，作者创建了一个包含 Llama.cpp（用于模型推理）和 OpenClaw 的AI栈。此外，他还安装了名为“Shell in a Box”的应用程序，允许用户通过网页远程登录SSH终端进行系统配置。这种基于Web界面的管理方式极大地降低了在NAS上部署复杂AI环境的门槛，使得非专业用户也能轻松启动和维护本地AI服务。

Gemma 4E模型的多模态推理性能实测

在具体的AI运行测试中，作者首先选择了 Gemma 4E模型。该模型的一个显著优势是支持多模态输入，能够同时处理文本和图片。在测试中，模型以约 10 tokens/秒的速度生成响应，虽然速度不快，但能实时输出内容。作者展示了一个关键案例：上传了一张显示模型训练过程中 过拟合（Overfitting） 现象的图表。该图展示了训练损失下降而验证损失上升的巨大分歧，表明模型在调整权重时未能真正学习通用规律。Gemma 4E成功识别出图表内容，指出这是100个Epoch的损失函数图，并准确判断模型存在严重的过拟合迹象。此时活动监视器显示CPU使用率约为 50%，内存占用较低，证明了该模型在16GB内存环境下运行的可行性。

Docker集成与Gemma模型性能实测

在Asustor Lockerstor 4的操作系统中，用户无需安装额外软件或操作终端即可通过内置应用SSH进入Docker环境。这一特性极大降低了使用门槛，因为许多用户并不习惯在命令行中运行任务。当前测试的模型是Google新发布的Gemma 4 12B。由于该模型的参数量比之前运行的版本大出三倍，其推理速度相应下降至每秒5个token。尽管处理故事生成任务时速度减半，但这一性能表现仍足以支持后台基础推理。为了保障安全，所有Docker容器默认仅能访问其所在文件夹的数据，而非整个系统。这种隔离机制允许用户通过API调用Llama.cpp，仅对指定区域进行推理，从而在保持系统安全的同时利用AI能力处理文件数据。

"So, that one is going to be a little bit slower because it's three times bigger than what we just ran."

NAS系统管理工具与存储安全机制

在模型加载期间，NAS的常规功能不受影响，用户可正常访问系统。操作系统提供了强大的存储管理工具，默认使用BTRFS文件系统以支持高效的数据快照功能。用户可以在修改数据前创建安全快照，确保数据安全。Disk Doctor是另一项核心功能，支持设置坏块扫描或SMART扫描。建议用户每日执行快速SMART扫描，每月进行一次完整扫描，以便在硬盘出现异常前及时更换。此外，系统设置中允许用户更新固件、创建账户及配置在线连接。虽然远程访问功能方便，但存在被黑客攻击的风险，因此建议禁用或配置防火墙仅允许特定地区（如新加坡）访问。用户还可以设置标准的共享文件夹，例如“home”、“docker”和“public”，并通过Finder在网络中直接访问和管理这些文件夹。

"I usually have a smart scan. It's quick scan like once a day even or maybe once a week and then once a month I'll do a full scan."

GPT-OSS 20B模型特性与OpenClaw集成演示

切换到GPT-OSS 20B模型后，虽然其总参数量大于Gemma 12B，但由于激活参数较少，推理速度显著提升至每秒11个token。该模型支持不同级别的思维链推理，但当前配置下不支持图像推理。相比之下，Gemma 4B版本因速度极快且支持图像推理而更受青睐。在应用层面，通过Portainer管理OpenClaw。演示中，用户将模型指向Mac系统上的Qwen 3.6 27B MLX版本，并启用了MTP层。OpenClaw服务器启动后，展示了系统中可用的模型列表（包括Gemma 4、Llama和Qwen 3.6）。当发起新会话时，系统通过Inferencer发送查询并处理提示词。这种架构展示了如何在NAS上灵活部署和切换不同模型，以满足从快速文本生成到复杂推理的多样化需求。

"So, as you can see, we're doing 11 tokens a second. So, it's an even bigger model than Gemma 12, but because it has less active parameters, it runs a lot faster."

Qwen27B模型在NAS上的实时响应表现

在本次演示中，系统利用主提示词缓存机制显著优化了启动速度。作者指出，得益于Qwen 27B模型的近期发布及其卓越性能，系统能够以 20 tokens/秒 的速度生成响应。该模型虽体量较小，但被许多用户评价为“甚至与Claude相当”，其生成质量令人印象深刻。作者通过一句简单的开场白验证了连接状态，AI回复称“我刚上线，全新开始”，确认了本地化运行环境的完全可用性。这种流畅的交互体验证明了在NAS设备上部署大语言模型不仅可行，且具备实际生产力。

基于OpenClaw框架的工具调用与实时信息获取

为了验证AI的复杂任务处理能力，作者测试了OpenClaw框架下的工具调用功能。当询问“巴黎天气如何”时，AI并未直接回答，而是主动触发工具调用，加载了名为 wtr.in 的技能文件。这些兼容OpenClaw的文件包含了解析不同网站天气数据的描述性文档，使AI能够准确识别巴黎当前为晴天。这一过程展示了本地AI如何通过读取外部技能文档来“理解世界”，从而执行具体的网络信息检索任务，体现了代理式AI（Agentic AI） 在本地硬件上的实际应用能力。

FIFA争议判罚的深度研究与NAS存储扩展潜力

作者进一步使用了一个复杂的体育研究提示词，询问为何FIFA在埃及对阿根廷的比赛中，用VAR取消了埃及进球却未判罚萨拉赫被犯规。AI随即并行访问了Fox Sports、ESPN等多家媒体进行多源信息聚合。尽管作者对裁判决定表示不满，但AI成功梳理了事件脉络。在展示完本地AI的强大能力后，作者强调了Asustor Lockerstor 4 NAS的硬件扩展性。该设备目前仅安装了一块硬盘，但内部预留了额外的SSD插槽和 30GB/s的网络带宽潜力。用户可通过RAID配置构建大容量存储，既用于模型部署也服务于其他AI解决方案。作者最后邀请观众反馈兴趣度，并承诺若需求强烈将发布专门的设置教程。

结论

Asustor Lockerstor 4凭借30GBE高带宽与可升级内存，证实了NAS运行本地AI的可行性。其优势在于通过Docker实现安全隔离与Web化低门槛部署，Gemma 4E能处理多模态任务，Qwen 27B与GPT-OSS 20B在文本推理上分别达到20 tokens/s和11 tokens/s，足以支持日常生产力及代理式工具调用。短板是受限于CPU算力与16GB基础内存，大模型推理速度较慢且存在过拟合识别等精度依赖。该方案适用于追求数据隐私、需处理本地文件及轻量级多模态交互的用户，但不适合对实时性要求极高或需运行超大参数模型的场景。