两年前，高通推出了这款设备：骁龙X Elite开发套件。世界上只有极少数存在，因为后来被取消了。不过它看起来确实很酷。搭载X Elite芯片的Windows on ARM桌面版直到今天才真正问世。那么，你能买到的最快的Windows on ARM台式机是什么？就是这台设备。而第一款搭载旗舰级骁龙芯片、既不是开发套件也没有被取消的迷你主机又是哪款？没错，也是这一台。所以这是“Mac Mini杀手”吗？嗯，我也不确定，这就是我们今天要做的事情。开始吧！
这是华硕Ascent Q10，它是第一款内置骁龙X2 Elite芯片的迷你主机。我的这台配备了32GB内存和500GB存储空间。背部有三个USB 4接口，以及2.5Gb以太网口。呃，在这个时代它可能稍显缓慢了，毕竟已经是2026年了，真希望它能达到10Gb。它还支持Wi-Fi 7。是的，它确实有一个电源适配器，功率为180W。而Mac Mini没有。拜托大家了，都2026年了，我是不是还得一直强调这一点？另外，它会消耗全部180瓦的功率吗？据说这是一款能效极高的芯片。我们拭目以待。
说到这款芯片，X2 Elite，这基本上就是这台盒子存在的原因。X2 Elite拥有第三代Orion核心，采用3纳米工艺制造。它们于去年9月发布。在此之前，每一台搭载X2 Elite的设备都是笔记本电脑。这是高通官网上列出的X2 Elite型号，我们看的是骁龙X2 Elite 88100。它拥有18个核心，其中12个大核和6个性能核。它们全都是大核，没有像苹果和英特尔那样配备小能效核心。
注意第一代XLE芯片最高只有12个核心。这里有一些技术规格：最大加速频率可达4.7 GHz。这不是那个作为首款5GHz ARM芯片而登上头条的型号，那是骁龙X2 Extreme版。所以不是这一款。这款拥有较宽的内存总线LPDDR5X，虽然其带宽不如Extreme版宽。Extreme版的内存带宽高达228GB/秒，而这款最高为152GB/秒。M4 Mac Mini的内存带宽为120GB/秒，而M4 Pro则为273GB/秒。
它内置了全新的GPU：Adreno X290。高通表示其每瓦性能是第一代的2.3倍，这对于AI测试也很重要，因为GPU负责实际的矩阵乘法运算。这是推理过程的第一部分。NPU Hexagon 80的性能上限提升至45 TOPS，数据看起来不错。那么作为开发者，我们为什么要关心这个？Visual Studio、.NET、Node.js和Python现在都是原生ARM64版本。但问题依然存在：它快吗？
我不指望一个AI提示词能帮我构建整个项目。实际上，我根据任务在不同模型之间不断切换：GPT用于研究，Claude用于编码，Gemini用于处理海量上下文，Nano Banana、Midjourney和Flux用于图像生成，还有Seed Dance和Cling用于视频。这就是为什么Abacus AI的Chat LM很有意义。它在发布第一天就支持最新的GPT、Claude、Gemini、Groq和DeepSeek等模型，并将它们整合在一个地方。
你可以从界面中选择任何模型，或者让Route LLM自动为每个提示词选择最佳模型。使用图表和深度研究创建专业演示文稿及详细内容。需要听起来像人类的文案？Humanize功能重写文本以规避AI检测器。需要视觉素材？选择前沿或开源模型。当你不仅需要聊天时，Abacus AI代理可以帮助构建复杂的应用程序和网站、连接支付系统，或运行24/7全天候工作的智能体来处理更长的任务。
最棒的部分是应用托管、后端数据库和作者支持都包含在订阅中，所有这一切每月仅需10美元起。比单独购买所有这些服务要便宜得多。访问chatlm.abacus.ai或点击下方链接查看。顺便问一下，我们是如何走到这一步的？Project Voltera项目。这台设备售价600美元啊，那是美好的旧时光，拥有32GB内存的电脑还不足1000美元。
骁龙8cx Gen 3，8个核心。这甚至还不是X系列。端口选项丰富。这是一台量产机器，我觉得Project Voltera这个名字很酷，但后来他们把它改成了一个愚蠢的名字，比如Windows Devkit 2023。但它确实完成了任务。这个小盒子正是Visual Studio和.NET在ARM上实现原生化原因所在。不过以今天的眼光来看，它很慢。
几年前我拿它与第一代X Elite笔记本电脑进行过对比。Speedometer得分是14对26。我的Python Manel测试耗时一分半钟，但它仅消耗30瓦功率，仅此而已。然后是这款设备：2024年5月发布的骁龙开发套件，售价900美元。说实话还算不错吧？第一代X Elite，这是产品线中较高的SKU配置之一，32GB内存。
我在宣布后立即订购并付款，然后高通取消了该计划并为所有人退款了，他们做得很好。我保留了硬件，反正我也把它放进了我的7路迷你主机视频中。它是桌面上噪音最大的设备，在Manel测试中从墙插取电高达137瓦。M4 Pro Mac Mini做同样的事情仅消耗80瓦，但它击败了M4 Mac Mini。
这也是该频道上唯一一次ARM Windows设备击败苹果M系列Mac的时刻。正如我在视频中提到的，许多搭载XLE芯片的PC将在2025年上市。你们会看到我说错了，现在是2026年了。而现在你终于有机会真正拿到量产版的产品了，不是开发套件，而是真正的产品。
这款设备在单核测试中快26%，在多核测试中快27%。这里是Beink的SR 10，它搭载了最新的AMD芯片HX470。我还最近评测了华硕的Knock（推测为某款Intel设备），搭载了最新的英特尔Panther Lake芯片。Q10在这两方面都领先它们20%到30%。那么M4 Pro Mac Mini怎么样？我知道M6即将发布，如果还没出的话……
当你观看这个视频时它们可能已经发布了。那是完全不同的故事，到时候我会再做对比评测。但现在，在我拍摄这个视频的时候，M4 Pro Mac Mini仍然是旗舰级产品。Q10与它相差无几。这里是MacBook Air中的M5芯片，Mini版本中没有M5芯片，因为它直接跳到了M6。单核得分3597，多核得分17,550。
所以这款Q10实际上击败了M5。好吧，Geekbench说这个小家伙很强悍，没问题。但Geekbench也曾说过开发套件很强大，结果它却输给了售价599美元的Mac Mini。那是我们整天都在做的事情，是对开发者真正重要的东西。让我们从Speedometer开始测试吧！
Boom（音效）。它基本上在每种环境下构建和销毁小型待办事项应用。
JavaScript 框架被反复测试，这主要是一个单核操作，因为 JavaScript。这会告诉你浏览器感觉有多灵敏。得分 48.6，相当不错。M4 Mac Mini 的得分为 47.8。到目前为止，自 Apple Silicon 问世以来，苹果在单核操作方面一直领先。这是我第一次看到更高的分数，这非常惊人。M4 Pro 我得到了 45。我们还有 Sir 10，AMD 的最新产品，即 HX470 芯片，它给了我们 37。还不错，但我们现在处于不同的水平了。
接下来是 Web 工具基准测试。这是一个老但好用的工具，在 GitHub 上存在了一段时间。最后一次提交是八年前，但它仍然有效，并且仍能让我们了解 JavaScript 世界中的运行情况。Go 也是同样的理念，但不是在 Web 应用中运行，而是作为 CLI 运行工具：TypeScript、Babel、Prettier。基本上，Speedometer 反映的是用户和开发者的感受，但这真正体现的是开发者的体验。Babel 6.72，Coffee Script 7.76，还有许多其他我不使用的东西。Leebab？这到底是什么？我见过很多次，但不知道是什么。你知道 Leebab 吗？
Prettier 7.25，而我一直在等的是 TypeScript 7.62。最终几何平均值为每秒 8.15 次运行。这些结果似乎有点令人失望。“Gotcha”，你惊讶吗？这正是你在 Windows 的 ARM 芯片上运行 x64 程序时发生的情况。它能运行，但通过 Prism Translation（即那一层）进行翻译。这与 Apple Silicon 上的 Rosetta 类似，它即时翻译 x86 程序，但性能会下降。这对 Node.js 也是如此。
我没有安装正确版本的 Node.js。你可以通过执行此操作来查看正在运行的版本，或者只是询问 Claude Code。但这是老式的方法。这里显示的是 x64。所以让我们看看安装正确版本的 Node.js 会发生什么。我在一个目录中安装了 ARM64 版本的 Node.js，就在这里，V24。进程是 ARM64 进程，所以这方面没问题。“嗯”，我在运行它，但稍微快了一点。还不够快，每秒 11.8 次运行。SER 10 为 28，旧的开发套件（已被取消的那个）为 22。
这款芯片刚刚在 Speedometer 上击败了 M4，现在它给出的性能仅相当于运行相同 JavaScript 的 AMD 机箱性能的三分之一。这还不够快。所以，情况是这样的。据我所知，Speedometer 在 Chrome 内部运行。这是在 Node.js 中运行的，它是 V8 引擎，但有不同的包装器。我第一次运行时，从 x64 版本的 Node.js 的 8 分提高到了 ARM 版本 Node.js 的 11 分，这更好了，但仍然没有达到应有的水平。
但幸运的是，这个测试也可以作为 HTML 页面使用。就在这里。它在 Chrome 中打开测试。让我们运行它。“砰”，好了，现在我们要大展身手了。啊，TypeScript 63，几何平均值 49.89。这才是我想要的。哇。好的，这个盒子以很大的优势击败了其他所有设备。但要知道，我们比较的是 Chrome 运行与 Node CLI 运行。这并不是完全的同类型对比，但看起来确实令人印象深刻。
现在，JavaScript 是一回事，那编译代码呢？有一万个命名空间，这就是我在这里得到的。每个里面都有真实的代码，所以编译器不能真正跳过它们。这是我专门创建的一个大型编译基准测试。那么，让我们运行它。两年前，开发套件赢得了这项测试：M4 为 106 秒，而它是 86 秒。新的机器会得到多少呢？我想了解一下它的静音程度和功耗情况。我想我们需要那个大的功率计。我看到它达到了 109 瓦。但这台机器非常安静，虽然有点热，但没有发出任何声音。作为桌面上的伴侣非常好且无声，我喜欢这一点。
编译在 77 秒内成功完成。相当不错。然而，我们并没有击败 M4 Pro Mini，那台机器用了 66 秒，但这台设备排名第二，这是一次多核编译。除了编译之外，我这里还有一个解释型测试，称为 Matterra 测试（注：原文为Matterra/Mandlero，实指 Mandelbrot）。这是一个曼德博罗算法。我从 benchmarks game 获得了这段代码。“砰”，我在这里使用 PowerShell 中的 measure 命令来获取该运行的时间。
这基本上只是在 Python 代码中绘制分形的 Mandelbrot 算法。这对 CPU 压力很大，看那些 CPU 核心利用率都达到了 10%。“哦”，我开始听到一点声音了，风扇启动了，但仍然非常安静。完成了，50.43 秒。“呃”，这比我预期的要低一些。同样，我们遇到了同样的问题：这里的 Python 版本是什么？是的，这是 x64 版本的 Python。它会咬你一口，要小心。但嘿，现在至少你知道会发生什么。
以这种方式思考：你可以免费获得一个双重比较测试。“砰”，看，我现在运行的是新版本的 Python，我把它放在这里。那是 ARM 可执行文件。“[笑声]”已经完成了，21.76 秒。现在这很疯狂，因为它赢了。它实际上击败了所有其他机器。“哇”，我们大约消耗 120 到 125 瓦。QN10 为 21.8，M4 Pro 稍慢一点，为 23.2。XLE 开发套件和 Sir 10 都得了 28.9，M4 Mac Mini 为 31.4。我还加入了这台机器上的 Python 模拟，50.4 秒，以便你知晓并记住。但这台机器确实很快。
你知道我们还没做什么吗？我们还没有做任何 AI 测试，我们现在就要做。这台机器号称有 80 TOPS，那是 NPU（神经网络处理单元）。所以我去拿了 Llama CPP 并使用了 Hexagon 后端。Hexagon 是 NPU，但它从未超过驱动程序阶段。我就是无法让它工作。“呃”，可能是我做的某件事错了。“是的，很可能。”如果在评论区有人让 X2 或 X1 Elite Hexagon NPU 与 Llama CPP 配合工作，请告诉我，我很想听听你的经验。
所以我转向了其他重要的事情：GPU。这台机器有统一内存，32GB。所以你会认为一个适当大小的模型会直接加载。然而事实并非如此。通过 OpenCL，GPU 只允许使用其中约 15GB 的内存。其余 17GB 就在那里，GPU 无法触及它们，它们是保留的。所以任何大型模型最终都会在 CPU 上运行。在这种情况下，这实际上没问题。
我想从简单开始。在 Llama 3B 上，CPU 每秒生成 41 个 token，GPU 为 31。GPTO（注：可能指特定模型或测试集）20B，CPU 为 35，GPU 为 33。通常情况是相反的，但这里不是。事实上，我尝试的每一个模型中，CPU 的速度都……
比GPU还要快，这出乎我的意料。对于不熟悉的人，让我快速解释一下这些数字的含义。每秒大约五个Token的速度大致相当于你的阅读速度。这意味着你和模型能一起完成一个段落。我自己读得慢得多，所以呃，这需要我花更长的时间。我想这就是为什么我能接受较慢速度的原因。但对于那些天才来说，每秒40个Token的速度意味着单词出来的速度比你略读还要快。除非你就是那位天才，否则你跟不上。而每秒100个Token时，整个回答在你抬头之前就已经完成了。所以在看接下来的图表时要记住这一点。
现在让我们把桌上的其他机器也加入进来。我运行了Llama 3.2-8B（字幕误读为23B，但结合上下文及常见模型应为8B或70亿参数级别，此处忠实翻译字幕数字23B）和23B模型，这是我在去年或两年前的七机对比视频中使用的同一款模型。不管怎样，做这些有趣的事情时时间过得飞快。开发套件（Dev Kit）大约每秒36个Token，这个盒子是41，M4 Mac Mini是46，而M4 Pro则是101。接下来我们将拿到M5 Pro机型，它的表现会更好。但Q10的价格性能比相当不错。
此外，Mac电脑运行的是MLX，这是Apple的框架，也是它们最佳的使用场景。为什么M4 Pro能遥遥领先？这不仅仅是软件的原因，更是内存带宽的问题。M4 Pro的内存带宽远高于X2 Elite。现在，大型密集模型（Dense Models）对这台机器来说真的很吃力。27B的模型运行速度约为每秒五到六个Token，这基本上就是你的阅读速度。对于密集模型来说，生成的每一个词都会唤醒所有的参数，所以负载非常重。
专家混合（MoE）模型则是另一回事。它们只为每个词唤醒一部分参数子集。所以，尽管模型很大且运行速度更快，但感觉就像你在运行一个较小的模型一样。GPT-oss 20B就是一个专家混合模型的例子，它运行速度为每秒35个Token。而Qwen 2.5-32B（字幕误读为Quen 3.535B）运行速度为每秒27个Token。这真是一台强悍的CPU，那个Qwen模型有22GB大，它能装在这个盒子里，却放不下16GB的Mac Mini。
如果你想知道为什么需要32GB内存，这就是一个很好的理由。现在了解两个在更现实场景下需要注意的点：如果你粘贴一个大文件，拥有大约16,000个Token的大上下文，在第一个词出现之前你需要等待53秒。如果你的朋友想和你同时使用同一台电脑和同一个模型，并也开始运行它，每个人的速度都会下降到每秒大约七个Token。
这基本上是一台供一个人坐在桌前使用的机器，而对于那个人来说，它表现不错。那么，这是Mac Mini的杀手吗？如果你是一名Windows开发者，那确实是。它兑现了开发套件所做的承诺，我一直在等待两年，终于能在这些迷你PC中看到Snapdragon芯片。不过，基础版Mac Mini仍然是更便宜的选择。在使用MLX运行小模型时，它仍然更快。这个盒子价格稍高一些。
因此，对于AI用途来说，我会跳过这款盒子。不过它确实拥有18核和32GB内存。所以，如果你进行Windows开发，或者从事除AI以外的其他开发工作，这是一个非常好的选择。只需记住ARM架构，确保你的软件能在ARM上运行即可。如果你想看包含该开发套件的七款迷你PC对决，请看这里视频。感谢观看，我们下次见。