评测首款量产版搭载骁龙X2 Elite芯片的迷你主机，对比前代开发板及Mac Mini性能

历史回顾：从被取消的开发板到量产新机

两年前，高通推出了一款名为 Snapdragon X Elite 的开发者套件（Dev Kit），由于该项目被取消，全球仅存极少数样本。这款设备外观酷炫，代表了 Windows on ARM 桌面端早期的探索。直到今天，搭载旗舰级 Snapdragon X2 Elite 芯片的首款非开发板、未被取消的迷你 PC——华硕 Ascent Q10，才真正上市。 这款设备被视为潜在的 "Mac Mini 杀手"。评测者手中的配置为 32GB 内存和 512GB 存储，背部配备三个 USB4 接口、2.5G 以太网口以及 Wi-Fi 7，但依然保留了 180W 的外置电源适配器。

回顾历史，2023年的 Project Voltera（后更名为 Windows Devkit 2023）搭载了 Snapdragon 8CX Gen 3，虽然性能在今天看来缓慢（Speedometer 跑分仅为 14），但它推动了 Visual Studio 和 .NET 原生支持 ARM。2024年5月，高通曾推出过一款基于初代 X Elite 的开发板，售价900美元，虽然后来被取消并退款，但评测者保留了硬件。 当时该开发板在 Geekbench 上表现强劲，但在日常开发者任务中却输给了599美元的 Mac Mini。华硕 Ascent Q10 作为真正的量产机，其单核性能比前代开发板快26%，多核快27%。

核心硬件：骁龙 X2 Elite 的技术规格解析

华硕 Ascent Q10 的核心是 Snapdragon X2 Elite，这是该迷你 PC 存在的根本原因。这款芯片采用第三代 Orion 核心和 3纳米制程，于去年9月发布。X2 Elite (型号 X2E 88100) 拥有18个大核心（12个 Prime + 6 Performance），没有像 Apple 或 Intel 那样的小能效核心。 其最高加速频率可达 4.7 GHz，注意这并非首款突破5GHz的 ARM 芯片（那是 X2 Elite Extreme）。内存方面，它支持 LPDDR5X，带宽上限为 152 GB/s。

"This one goes up to 152. The M4 Mac Mini has 120 GB per second memory bandwidth and the M4 Pro 273."

在图形处理上，Q10 搭载了新的 Adreno X290 GPU，高通声称其每瓦性能是第一代的 2.3 倍。对于 AI 测试而言，GPU 负责矩阵乘法计算（推理的第一步），而 Hexagon NPU 的性能也提升至45 TOPS。这种硬件组合旨在解决开发者关心的实际问题：Visual Studio .NET、Node.js 和 Python 等工具现已原生支持 ARM64，但关键在于实际运行速度。

性能基准测试：Geekbench 与 Speedometer 对比

在 Geekbench 跑分中，华硕 Ascent Q10 展现了强劲的多核性能。评测者将其与多种设备进行了对比：搭载最新 AMD HX470 芯片的 Beink SR10，以及搭载 Intel Panther Lake 的华硕 Knock。Q10 在这两项对比中均领先20%至30%。 更引人注目的是与苹果 M4 Pro Mac Mini 的对比，Q10 的性能几乎与其持平。此外，评测者还提到了 MacBook Air 中的 M5 芯片（注：此时尚未有 M5 Mini，且即将推出 M6），其 Geekbench 单核得分为 3597，多核为 17,550。华硕 Q10 在多核成绩上实际上击败了这款 M5 MacBook Air。

然而，Geekbench 的分数并不完全代表日常开发体验。评测者指出："Geekbench also said the dev kit was powerful. And then it lost to a $599 Mac Mini." 为了验证实际开发效率，评测引入了 Speedometer 测试（构建和销毁待办事项应用）。虽然视频片段在此处中断，但逻辑指向了 日常开发者任务才是衡量性能的关键标准，而不仅仅是基准测试分数。评测者强调，尽管 Q10 在 Geekbench 上表现优异，但在实际开发者工作流中的表现仍需通过 Speedometer 等更贴近真实场景的测试来验证。

浏览器性能：单核基准测试的意外突破

在评估这台迷你 PC 的基础响应速度时，作者首先运行了 JavaScript 框架的重复操作测试。由于该任务主要依赖单核性能，它能直观反映浏览器的流畅度。测试结果出乎意料：新芯片得分 48.6，超越了 M4 Mac Mini 的 47.8。这是自 Apple Silicon 发布以来，作者首次看到非苹果设备在单核操作上领先。相比之下，M4 Pro 得分为 45，而 AMD 最新的 HX470 (SER10) 仅为 37。尽管分数不高，但这一结果标志着新芯片在单核性能上已处于完全不同的竞争层级。

Web 工具链：ARM 模拟带来的性能陷阱

接下来是 Web Tooling Benchmark，这是一个基于 GitHub 的老旧但有效的测试工具，用于衡量开发者在 JavaScript 世界中的实际体验。它通过运行 TypeScript、Babel、Prettier 等 CLI 工具来模拟开发环境。首次测试中，几何平均值为每秒 8.15 次运行，这一结果令人失望。作者深入分析后发现，问题在于当时使用的是 x64 版本的 Node.js。> This right here is exactly what happens when you run an x64 program on a ARM-based chip in Windows. 在基于 ARM 的芯片上运行 x64 程序需要通过 Prism Translation 层进行实时翻译，类似于 Apple Silicon 上的 Rosetta，但这会导致性能显著下降。

Node.js ARM 原生与 Chrome HTML 测试对比

为了解决性能瓶颈，作者安装了正确的 ARM64 版本 Node.js（V24），此时进程标识为 ARM 64。重新运行后，速度提升至每秒 11.8 次，虽然比之前的 x64 版本有进步（从 8 提升到 11），但仍远落后于 AMD SER10 的 28。作者指出，Speedometer CLI 运行在 Node/V8 引擎中，而该测试也提供 HTML 版本。> Yeah, now we're cooking with butter. 当在 Chrome 浏览器中运行 HTML 版本时，几何平均值飙升至 49.89，新芯片大幅领先其他设备。尽管作者承认将 Chrome 运行结果与 Node CLI 直接对比并非完全公平（not exactly apples to apples），但这展示了原生环境下的巨大潜力。

编译与算法测试：从静音到风扇启动的负载变化

在编译性能方面，作者创建了一个包含 10,000 个命名空间的大型 C++ 编译测试。新芯片在静音状态下完成了任务，耗时 77 秒，功耗峰值达到 109 瓦。虽然未能击败 M4 Pro Mini 的 66 秒，但作为多核编译任务，这一成绩已属第二梯队。随后进行的 Matterra 测试（Python 实现的 Mandelbrot 分形算法）对 CPU 压力极大，核心利用率达到 100%。> Oh, I'm starting to hear it a little bit. The fans have kicked in. 此时风扇开始运转，但依然非常安静。初始测试中，由于使用了 x64 版本的 Python，耗时 50.43 秒。

Python ARM 原生性能：碾压级优势与 AI/NPU 困境

更换为 ARM64 版本的 Python 后，性能发生质变。> See, I'm running now the new version of Python... It's done already. 耗时骤降至 21.76 秒，功耗在 120-125 瓦之间。这一成绩超越了所有对比机型：QN10 (21.8s)、M4 Pro (23.2s)、XLE dev kit 和 SER10 (均为 28.9s)，甚至远优于该机器自身 x64 Python 的模拟性能。然而，在 AI 测试中遇到阻碍：尽管 NPU 标称 80 TOPS，但作者无法让 Llama CPP 通过 Hexagon NPU 后端工作。> I just could not get it working. 此外，由于 OpenCL 限制，GPU 仅能使用约 15GB 的统一内存（共 32GB），导致大模型加载到 CPU。在小规模测试中，Llama 3B (CPU: 41 tokens/s, GPU: 31 tokens/s) 和 GPT-2 (CPU: 35, GPU: 33) 均显示 CPU 推理速度优于或持平于 GPU，这与常规认知相反。

生成速度与阅读体验的直观对比

在评估本地大模型推理性能时，tokens per second (每秒令牌数) 是衡量响应速度的核心指标。为了帮助读者建立直观认知，评测者将不同速度档位与人类阅读行为进行了类比：每秒5个令牌的速度大致相当于正常人的阅读速度，这意味着用户与模型几乎同步完成段落生成；而每秒40个令牌的速度则快于普通人的略读速度，除非用户具备极高的阅读天赋，否则很难跟上文字输出的节奏；至于每秒100个令牌的速度，则意味着在用户抬头之前答案已经生成完毕。这一基准对于理解后续硬件对比数据至关重要，因为即使是微小的速度差异在实际使用中也会带来截然不同的体验。

"Around five tokens a second is about as fast as you can read. So you and the model finish the paragraph together."（每秒5个令牌大约是你阅读的速度。你和模型一起完成段落。）

多平台硬件性能横向评测数据

为了验证该迷你PC的实际能力，评测者引入了多款主流设备进行对比测试，均运行 Llama 3.2 (3B) 模型。测试结果呈现出明显的梯队差异：开发套件（Dev Kit）实现了约36 tokens/秒的速度，而本次评测的迷你PC达到了41 tokens/秒，略胜一筹；苹果M4 Mac Mini表现更佳，达到46 tokens/秒；而搭载更强芯片的M4 Pro Mac Mini则高达101 tokens/秒。评测者指出，虽然即将推出的M5 Pro可能会进一步提升性能，但该迷你PC在同等价位下提供了相当不错的表现。值得注意的是，Mac系列设备运行的是Apple自家的MLX框架，这是其发挥最佳性能的特定场景。M4 Pro之所以大幅领先，主要归因于更高的内存带宽（Memory Bandwidth），而非单纯的软件优化。

模型架构对性能的影响及内存需求分析

在处理不同架构的大语言模型时，硬件表现差异显著。密集型模型（Dense Models）对该设备压力巨大，例如27B参数的模型仅能维持5-6 tokens/秒的速度，这几乎等同于人类的阅读速度。这是因为在密集模型中，每一个生成的词都会唤醒所有参数进行计算，导致负载极高。相反，混合专家模型（Mixture of Experts, MoE）则表现出更高的效率。MoE架构在生成每个词时仅激活部分参数子集，因此尽管模型体积庞大，运行体验却如同小型般流畅。例如，GPT-oss 20B（MoE架构）运行速度为35 tokens/秒，而Qwen 2.5-35B（MoE架构）也能达到27 tokens/秒。此外，Qwen 3.5-35B模型占用约22GB内存，这一容量足以在该迷你PC上运行，但无法在16GB内存的Mac Mini上加载。这充分说明了32GB统一内存在运行大型本地模型时的必要性。评测者强调，该CPU在处理MoE模型时表现卓越。

多任务场景限制与最终购买建议

在更贴近真实的使用场景中，该设备存在明显的局限性。当处理长上下文（约16,000 tokens）时，首字生成延迟高达53秒；若有多人同时使用同一模型和计算机，性能会急剧下降至约7 tokens/秒。因此，该设备本质上是为单人桌面使用设计的。对于Windows开发者而言，这确实是一款值得期待的“Mac Mini杀手”，因为它兑现了搭载Snapdragon芯片的承诺。然而，对于纯AI用途，基础版Mac Mini仍是更便宜且在小模型上通过MLX框架表现更快的选择。如果用户不进行AI开发，而是从事其他Windows ARM架构下的软件开发工作，这款拥有18核CPU和32GB内存的设备是一个极佳的选择。但用户需确保其软件兼容ARM架构。总体而言，这是一款针对特定开发者群体的优质硬件。

"This is basically a machine for one person sitting at a desk. And for that person, it's a good one."（这基本上是一台为坐在桌前的单人设计的机器。对于那个人来说，它很好用。）

结论

华硕 Ascent Q10凭借Snapdragon X2 Elite芯片，在Geekbench多核、Speedometer浏览器及原生ARM64编译测试中表现卓越，单核性能甚至超越M4 Mac Mini。然而，其AI推理受限于内存带宽与驱动生态，NPU无法启用且GPU显存受限，导致大模型推理速度落后于M4 Pro。此外，x64模拟环境存在显著性能陷阱。

该设备是Windows ARM开发者的理想选择，尤其适合需要32GB内存运行MoE架构模型的单人开发者。但对于追求极致AI性能或依赖x64兼容性的用户，基础版Mac Mini仍是更优解。其核心价值在于兑现了Windows on ARM的原生开发承诺，而非全面替代高性能AI工作站。