YouTube 頻道「AI News & Strategy Daily」的主持人 Nate B Jones 在 2026 年 5 月 1 日釋出一支 32 分 35 秒的影片，標題是「RTX 5090, Mac Studio, or DGX Spark? I tried all three.」。標題像三機對決，內容卻是另一回事：三台機器只佔全片約兩分半，其餘三十分鐘在談一個更根本的問題——一台個人 AI 電腦究竟由哪幾層組成，以及其中哪幾層值得自己擁有。本文依原片脈絡逐層整理，並就 2026 年 8 月的現況修正片中已經過時的硬體數字。
這支影片沒有量測數據，重點也不在三台機器
該頻道約 31 萬訂閱，以 AI 產業策略分析為主。這支影片累計逾 18 萬次觀看（2026 年 8 月 16 日查）。全片沒有任何量測數據——沒有每秒 token 數、沒有功耗曲線、沒有跑分對照。片中對三台機器的描述是選型原則，不是實測結果。DGX Spark 的官方實測數字，以及 Mac 與 NVIDIA 在本地 LLM 上的取捨，本站另有兩篇專文可供對照。
影片真正的貢獻在另一處。作者開場即指出一個容易被忽略的轉向：過去十五年，個人電腦的故事其實是電腦逐漸消失的故事——檔案搬進別人的雲端、應用程式變成瀏覽器分頁、作業系統退化為別人基礎設施的啟動器。而代理式 AI 正在把方向扭回來，因為一個有用的代理不只回答問題，它要動手：讀檔案、檢查資料夾、跑測試、改試算表、搜筆記、開瀏覽器、記住上次的決定、失敗後重試。代理愈有用，它就愈往計算最古老的原語靠回去——檔案、行程、權限、記憶、本機狀態與執行。
作者也先立了一道界線：這不是「雲端不好、地端才好」的主張。他明講最好的雲端模型極為有用，而且重要趨勢是它們正在靠近個人電腦而非遠離——Codex、Claude Code 這一整類編碼代理之所以要緊，正是因為雲端模型現在能直接操作眼前這台機器上的儲存庫、終端機與檔案。他的立場是反依賴，不是反雲端。
在雲端優先的模式裡，AI 服務擁有記憶，而使用者是去拜訪自己的記憶；在個人運算的模式裡，記憶屬於自己，模型是被請來的客人。
他另外舉了一個歷史對照：個人電腦出現之前，主流是分時制——向別人的大型主機租算力、排隊等候、在素未謀面的操作員所訂的規則裡工作。第一批個人電腦並沒有在原始效能上贏過大型主機，它們贏在把人與機器之間的距離縮到最短。
第一層 硬體：三條路線，以及此刻必須修正的數字
作者把硬體稱為整套堆疊裡最不迷人的一層，也是最多人卡住的一層，因為多數人想要一個通用答案。他的看法是這個問題本身問錯了：地端 AI 同時受記憶體容量、頻寬、加速器支援、軟體成熟度、散熱、電力、噪音，以及每天實際在做什麼所限制。因此該問的不是「哪一台最好」，而是要把哪一個工作負載收回自己手上。
影片給出的三條路線如下。
Mac Studio 私密寫作、文件檢索、本地編碼輔助 |
統一記憶體架構，CPU 與 GPU 共用同一池 安靜、省電，開箱即是一台電腦而非一項工程 強項不在原始張量吞吐 |
影片形容它「感覺像一台電腦，而不是一個專案」 |
RTX 5090 代理式編碼、需要吞吐的開發者 |
32GB GDDR7，記憶體頻寬 1,792 GB/s CUDA 生態最完整、速度最快 代價是驅動、散熱、電力、切分與維護 |
兩張卡是 64GB，但不是一個乾淨的 64GB 記憶體池 |
DGX Spark 想要 CUDA 原生又不想自己組塔式機 |
GB10 Grace Blackwell 超級晶片 128GB 一致性統一記憶體，頻寬 273 GB/s 附 NVIDIA 官方軟體堆疊 |
把 NVIDIA 路線包成一台成品，而不是一張零件清單 |
AMD Strix Halo 影片稱之為「價值面的變數」 |
正式名 Ryzen AI Max+ 395，128GB 統一記憶體 其中最高 96GB 可切給 GPU 使用 硬體條件吸引人 |
軟體成熟度仍不及 CUDA，順手程度也不及 Apple Silicon |
三台機器的規格數字取自各廠官方規格頁，查證日 2026 年 8 月 16 日；欄內敘述為影片觀點之整理。
兩張 5090 為何不等於 64GB
影片對這個限制只以一句帶過，成因則相當明確。GeForce RTX 5090 的官方規格頁明列 NVLink 支援為「否」，整個 GeForce 50 系列都沒有 NVLink 介面；更關鍵的是消費級 GeForce 連 GPU 對 GPU 的 PCIe 點對點傳輸都被官方關閉——NVIDIA 官方論壇版主在 2025 年 3 月針對雙 5090 的提問直接回覆「GeForce 系列不支援 GPU 對 GPU 的 P2P」。實務結果是兩張卡等於兩個各自獨立的 32GB 位址空間，跨卡資料交換必須經由主機端中轉。要用滿那 64GB，必須以張量並行把模型權重分片到兩張卡上，且單一層的張量與 KV 快取無法跨卡連續配置。
影片發布後，Mac 這條路線的數字已經改了
影片建議「Mac mini M4 Pro 搭 64GB 是很好的入門點」，並說 Mac Studio 在需要 128GB、256GB 乃至 512GB 統一記憶體時才變得有意思。這些配置在 2026 年 8 月已經買不到了。
依 Apple 官方規格頁（2026 年 8 月 16 日查），Mac Studio 的 M3 Ultra 機種只剩 96GB 單一配置，M4 Max 機種為 36GB 起、最高 64GB；Mac mini 的 M4 Pro 為 24GB 起、最高 48GB，基礎 M4 機種最高 24GB。變動的時序是：512GB 選項於 2026 年 3 月移除，128GB 與 256GB 於 5 月間陸續消失，原因是 AI 需求帶動的全球 DRAM 短缺。同一波供給緊縮也反映在 NVIDIA 身上——DGX Spark 創始版的官方建議售價於 2026 年 2 月 23 日由 3,999 美元調升至 4,699 美元，NVIDIA 在公告中直接寫明「此次價格調整反映全產業的記憶體供給限制」。
換句話說，這半年真正變動的不是誰比較快，而是買得到多少記憶體。影片主張「不要為讀到的最大模型買機器，要為每天實際會執行的工作買」，在容量普遍縮水的此刻反而更站得住腳。他另有一句話值得記下：機器到貨之前就該先有工作等著它做。
兩則影片未提、但寫在同一條時間線上的補充：NVIDIA 桌上型產品線在 DGX Spark 之上還有 DGX Station，採 GB300 Grace Blackwell Ultra，最高 748GB 一致性記憶體，2026 年春季起由 OEM 夥伴接單；AMD 這邊，Strix Halo 的後繼 Gorgon Halo（Ryzen AI Max 400 系列）最高 192GB 統一記憶體、其中最多 160GB 可配給 GPU，排定 2026 年第三季由系統商推出。
第二層 執行環境：決定這台機器是工具還是負擔
影片認為多數人低估了這一層，因為它不像模型名稱那樣引人注意，但它決定的是——地端 AI 究竟感覺像電腦的一部分，還是像一個永遠補不回來的週末。
底層是 llama.cpp。即使從不直接呼叫它，自建堆疊的人幾乎都在受益於它，因為地端模型的通用格式 GGUF 出自同一個 ggml 專案（llama.cpp 的同源底層函式庫，兩者同屬 ggml-org），而 llama.cpp 是它最主要的使用者。影片點名 CPU、Apple Metal、CUDA、Vulkan「還有更多」；llama.cpp 的官方後端表確實更長，另含 SYCL、HIP、MUSA、CANN、OpenCL、WebGPU 等。
再往上，影片給的實務預設是：日常用 Ollama、評估模型用 LM Studio、在 Apple Silicon 上走 MLX、服務化時用 vLLM，確定押注 CUDA 之後再進到更深的 NVIDIA 堆疊。這組建議大方向可用，但有三處需要修正到 2026 年 8 月的現況：
- LM Studio 是執行模型的桌面應用，不是評測工具。影片稱它為「測試模型與量化的精緻工作台」，並在實務預設裡把它派給「評估」；官方文件的定位則是在本機下載並執行開放模型的桌面應用——內建聊天介面、可接 MCP 工具、可把本機模型以 OpenAI 相容端點對外服務，底層 runtime 為 llama.cpp 與 MLX，並無評測或跑分功能。
- SGLang 與 vLLM 是同一層級的兩套選擇，不是階梯關係。兩者都是高吞吐服務框架、都提供 OpenAI 相容 API；SGLang 的硬體支援面更廣，涵蓋 NVIDIA、AMD、Intel Xeon、Google TPU 與 Ascend NPU。
- NVIDIA NeMo 屬於訓練與客製化，不是部署層。官方文件將它定位為建立、客製與微調生成式 AI 模型的框架，訓練完的模型要另接 Riva、NIM 或 TensorRT-LLM 才走到部署。影片把它與 TensorRT-LLM 並列為部署選項，這一格放錯了。
另有一項與影片論旨直接相關、值得留意的變化：Ollama 的模型目錄本身託管在雲端（registry.ollama.ai），拉取後模型才落在本機、之後可離線執行；而 2026 年起，帶 :cloud 後綴的模型是送往 Ollama 自家伺服器執行，不在本機跑。以「擁有底層」為前提選工具時，這個區別必須看清楚。
影片對這一層的總結相當精準：執行環境健康，模型就可以隨時替換；執行環境脆弱，每次換模型都變成一次搬遷工程。
第三層 模型：配一整櫃工具，不是選一個冠軍
影片主張不要圍繞單一模型名稱建置個人 AI 電腦，而要圍繞模型類別：一個負責便宜呼叫的快速小模型、一個較強的地端通用模型、一個編碼模型、一個供記憶層使用的 embedding 模型、一個語音模型、可能還有一個視覺模型，以及一個留給真正困難工作的雲端前沿模型。以編碼為例，合理的組合是小型自動補完模型、理解整個儲存庫的編輯器模型，加上處理架構變更、除錯與遷移的深度推理模型。
他特別點出 embedding 這一格：它便宜、易於快取，而且是隱私的核心。若文件只是為了變成向量就離開了機器，那就錯過了地端 AI 最容易拿到的一項好處。
片中列舉的開放權重家族在 2026 年 8 月仍然成立，惟授權條款一項經常被誤植，實際條款依各家官方文件為：
- OpenAI gpt-oss-20b 與 gpt-oss-120b：Apache 2.0，2025 年 8 月 5 日發布，混合專家架構，120b 為 1,168 億總參數／每 token 啟動 51 億。
- Meta Llama 4 Scout 與 Maverick：確為混合專家（Scout 1,090 億總參數／啟動 170 億，Maverick 4,000 億／啟動 170 億），但授權是 Llama 4 Community License，不是 Apache 2.0，內含月活躍使用者逾七億須另行取得授權等條款。
- Google Gemma 4：2026 年 4 月 2 日發布，且授權已改為 Apache 2.0——不再是 Gemma 1 至 3 那套自訂條款。首發四個尺寸，6 月 3 日再加入 12B 版本，現為五個變體。
- Qwen3.8：27B 稠密版為 Apache 2.0、原生脈絡 262,144 token；旗艦 Max 版（2.4 兆總參數／啟動 950 億）走自訂授權，兩者條款不同。
- Mistral：Mistral Large 3、Mistral Small 4 與 Ministral 3 系列皆以 Apache 2.0 釋出。
- DeepSeek V4：Pro 與 Flash 兩個變體於 2026 年 4 月 24 日以預覽版同步開源，授權為 MIT；Flash 於 7 月 31 日更新，Pro 正式版於 8 月 13 日發布。
影片提到「開源模型還是不如封閉前沿模型」時，對照的是 ChatGPT 5.5；截至本文查證日，ChatGPT 的主力已是 GPT-5.6 家族（Sol、Terra、Luna 三個級距）。模型清單本身會過期，這正是影片的論點——耐久的不是模型清單，是底下那套堆疊。
第四層 記憶：整支影片的真正主張
影片認為這是最多人建置不足的一層，也是把地端 AI 從玩具變成基礎設施的關鍵。理由只有一句：模型是無狀態的，人的生活不是。筆記、文件、逐字稿、郵件、任務、行事曆、程式決策、研究、偏好、長期專案狀態——每一套可用的個人 AI 系統都需要一份存在模型之外的持久記憶，而這份記憶應該屬於使用者本人，不屬於模型供應商。
作者自建了一套名為 Open Brain 的記憶系統，其授權狀態常被誤稱：它是公開原始碼，但不是 OSI 定義下的開源。其授權為 FSL-1.1-MIT（Functional Source License 1.1），禁止用於競品商業服務，並於釋出滿兩週年後自動轉為 MIT。技術上它以 Supabase（即 PostgreSQL）加 pgvector 為底，原文以純文字欄位保存、向量存在同一張表的另一個欄位，另附一個可接 Claude Desktop、ChatGPT、Cursor 等用戶端的 MCP server。
他也給了不必自建的替代路徑：文件量大的人用 Obsidian，把內容留在自己掌控的資料夾裡；純 markdown 加上 Git，是那個無趣但不朽的版本；結構化資料則走 Postgres。判準只有一條——當那個 AI 應用消失時，知識仍然存在。
檢索層的兩個預設值分別是 PostgreSQL 加 pgvector（關聯資料、中繼資料、權限與向量搜尋集中於同一套系統）與 SQLite 加 sqlite-vec（單一檔案、易於備份）。使用後者需注意一項風險：sqlite-vec 官方明寫仍在 v1 之前，SQL 介面與儲存格式可能出現破壞性變更，最新為 2026 年 5 月的預發行版。
影片對這一層最實用的一段是關於管線：好的檢索不是把所有文件切塊後碰運氣。不同種類的資料需要不同的處理方式——PDF 與 markdown 不同，會議逐字稿需要講者與時間戳，程式碼需要理解符號的索引，筆記需要保留連結。原始資料與向量必須分開保存，才能在更好的 embedding 模型出現時重建索引。他的結論是：記憶系統出問題時，多半不是模型的問題，是管線的問題。
至於 MCP，他的提醒相當節制：把 MCP server 擺在資料庫前面，讓各種用戶端都能查詢這份記憶，方向是對的，但不要當成魔法——它仍然需要權限、日誌、密鑰管理與邊界。這一點有官方規格背書：MCP 規格的安全章節明訂「工具代表任意程式碼執行，必須審慎對待」、「主機端在呼叫任何工具前必須取得使用者明確同意」。另需更新一項事實：MCP 已於 2025 年 12 月 9 日由 Anthropic 捐給 Linux Foundation 底下新成立的 Agentic AI Foundation，改為廠商中立治理，現行規格版本為 2026 年 7 月 28 日。
第五層 介面：多個入口，同一套底層
影片對這一層的判斷是：一套很好的執行環境若沒有順手的入口，就是一個用一週就會放棄的設定。地端 AI 不能只活在終端機裡，模型必須出現在工作發生的地方。聊天用 Open WebUI、重度檢索用 AnythingLLM、直接操作模型用 LM Studio；編輯器端 Continue 是明顯的橋樑，因為它可以指向任何 OpenAI 相容端點，Aider 則在終端機編碼上仍然好用；啟動器與命令列這些不起眼的工具反而重要——Raycast、Alfred、shortcuts、shell 指令、選單列小工具、一個 LLM 命令列介面。
他給出的原則是整段最好記的一句：多個入口，底下同一套堆疊。編輯器、筆記軟體、瀏覽器、啟動器、終端機與錄音工具不該各有各的記憶層，它們應該呼叫同一套地端執行環境與同一份記憶。而他也指出為什麼市面產品不會提供這件事：它們的商業模式，正是擁有那個輸入管道底下的記憶。
語音被他認為是遭到低估的一格——過去幾年的雲端語音助理把所有人的期待訓練成失望，但本機語音現在不一樣了：Whisper 負責轉寫，一個本機或混合模型負責意圖理解、清理、摘要與路由。關於 Whisper 有一項限定：它仍是這個生態的參考實作，whisper.cpp 與 faster-whisper 都是同一模型的不同推論實作，但上游 openai/whisper 自 2025 年 6 月起未再發行新版本，並已出現 Voxtral 這類 Apache 2.0 的挑戰者。
第六層 工作流：機器到底每天在做什麼
到這一層，問題從「模型能不能在本機跑」變成「除了模型之外，還掌握了哪些流程」。影片點名四種最先成立的工作流：
- 個人檢索與記憶。把筆記、草稿、PDF 建成索引。價值不在通用搜尋，而在逐年累積出一份屬於自己的工作史。前沿模型讀過公開網際網路，但沒讀過這幾年的會議紀錄，也不該讀。
- 私有編碼迴圈。具備儲存庫存取權的本機編碼助理，重構、產生測試、起草都做得到。它未必及得上前沿模型，但足以吸收掉大量日常工作。
- 會議記錄。本機 Whisper 加本機摘要模型，錄音、轉寫、摘要、抽出決策、建立任務，全程音訊不離開機器，也沒有按小時計費的轉寫帳單。連續一年在每場會議上執行，決策會變成可搜尋的資料，重複出現的對話會累積成一份私有的組織記憶。
- 長時運行的代理。雲端 API 的計價會讓人心理上不願意跑太多 token；當成本邊界變成電費，長時代理迴圈才划算。作者以 OpenClaw 現象為例——那是一套 MIT 授權的常駐型個人 AI 助理（原名歷經 Warelay、Clawdbot、Moltbot），由 Peter Steinberger 與社群開發，架構主打一個永遠開著的 gateway。需要註明的是：官方文件舉的常駐主機例子是小型 VPS、家用伺服器或 Raspberry Pi 級機器，「拿一台 Mac mini 常駐跑代理」是社群普遍做法，不是官方建議配置。
研究與綜合則被他判定會長期維持混合：地端模型可以檢索、整理、摘要、預備脈絡，真正困難的綜合仍需要前沿模型。
三種買家側寫
影片最後把選型收斂成三個人物。這一段是全片最接近採購建議的部分。
地端優先的知識工作者
寫作、研究、少量編碼、處理機敏文件，但不想把家裡的辦公室變成一間機房。影片建議從 Mac mini M4 Pro 或 Mac Studio M4 Max 起步，軟體用 Ollama、LM Studio、必要時加 MLX，配上本機 embedding、Whisper、Open WebUI、Continue，以及一套 SQLite 或 Obsidian 的簡單檢索組合，同時保留一份前沿模型的訂閱或 API 帳號給困難的工作。
全地端的極大化者
要隱私、要法遵、要主權，核心工作不容許外部相依。這條路指向高記憶體的 Mac Studio、DGX Spark 或條件相當的正規工作站；記憶層走 Postgres 加 pgvector，工具一律擺在 MCP 後面並配上權限與稽核日誌。作者自己的評語是：這不是最便宜的組合，但它是地端主張最乾淨的表達。
地端優先的建置者
開發者或小型團隊，跑代理、測產品，或想壓低雲端推論支出。這類人在意的是 CUDA 吞吐、服務化、評測與可重現性，因此雙張 RTX 5090、工作站級顯卡、DGX Spark 或地端與雲端混合的 GPU 配置都在考慮範圍；服務用 vLLM、原型用 Ollama，部署效率要緊時再上 TensorRT-LLM。影片對這條路的算式很清楚：地端推論不必取代每一次雲端呼叫才有價值，它只需要吸收掉足夠多重複、私密、高頻的工作。
影片的結論：這是一套路由系統，不是純度測試
作者把整支影片收束在一句話上——個人 AI 電腦不是一場純度測試，它是一套路由系統。有些工作留在本機，因為它私密、便宜、重複、且脈絡沉重；有些工作送往雲端，因為它罕見、困難、價值高、需要前沿能力。差別在於由誰決定路由。
他也把「省錢」降為次要理由：成本節省可能是真的，但長期建立這套堆疊的更深理由不是成本，而是知識的複利。每一個專案、筆記、會議、決策、修正、偏好與流程都能成為一份自己擁有的記憶；模型可能每幾個月換一次，記憶則每年變好一點。至於記憶本身，他給了兩項並存的要求：要能累積，也要能稽核——系統應該能從工作中學習，而使用者應該能檢視它存了什麼、刪掉錯的、追溯某項事實的來源，並在更好的 embedding 出現時重建索引。
權限是他最後的提醒，而且舉例極為具體：寫作代理不需要 shell 權限，編碼代理不需要看銀行對帳單，會議摘要工具不需要刪除檔案的權限。代理愈有用，可攻擊面就愈大，因此擴充性必須配上邊界。
把前沿模型當成專家聘用，讓它做最擅長的那件事，而不是把記憶、檔案系統、工作流引擎與作業層都租給它。
MAQ 觀點
影片提到的軟體——Ollama、LM Studio、MLX、vLLM、Open Brain、OpenClaw、Obsidian——沒有一項是 MAQ 的產品，這一整套堆疊也不需要向任何人採購才能開始。真正需要採購的只有最底下那一層，而那一層此刻的限制條件很明確：記憶體。
MAQ 型錄與影片三條路線的對應關係如下。Mac 這條路，站上供應 Mac mini（M4 與 M4 Pro）與 Mac Studio（M4 Max 64GB、M3 Ultra 96GB）。GB10 這條路，DGX Spark 與同晶片的 ASUS Ascent GX10 都在架上，兩者同為 128GB 統一記憶體，差別在儲存容量、品牌與價格。CUDA 這條路，MAQ 的答案是 RTX PRO Blackwell 系列而非 GeForce RTX 5090——單卡的顯示記憶體自 RTX PRO 4000 的 24GB 到 RTX PRO 6000 的 96GB，每一級都是一整塊連續的記憶體，正好避開前文那個「兩張卡不是一個記憶池」的限制。
至於該對到哪一格，判準與影片一致：先確定要收回本機的是哪一個工作負載，再回推目標模型量化後的記憶體需求與並行人數。這層對照完整整理在 AI 硬體選購指南。
延伸閱讀：NVIDIA DGX Spark 自主式 AI 代理實測解析（含官方實測數字）、Mac Studio vs NVIDIA 工作站：跑本地 LLM 哪個划算、跑 Llama 3.3 70B／gpt-oss-120b 要買幾張卡。
資料來源：影片為 Nate B Jones 於 YouTube 頻道「AI News & Strategy Daily」發布之「RTX 5090, Mac Studio, or DGX Spark? I tried all three.」（2026 年 5 月 1 日，片長 32 分 35 秒，https://www.youtube.com/watch?v=iUSdS-6uwr4 ）。影片內容之整理依據該片官方自動字幕全文，引號內文字為中譯，語意以原文為準；影片觀點歸屬原作者，本文之補正與判斷由 MAQ 編輯負責。修正與補充所依據之一手來源，均於 2026 年 8 月 16 日查證：NVIDIA 官方 DGX Spark、DGX Station 與 GeForce RTX 5090 規格頁、NVIDIA Developer Forums 之 2026 年 2 月 23 日調價公告與 GeForce P2P 官方答覆、NVIDIA TensorRT-LLM 與 NeMo 官方文件；Apple 官方 Mac Studio 與 Mac mini 規格頁，記憶體選項移除之時序參考 MacRumors 與 9to5Mac 報導；AMD 官方部落格與 Variable Graphics Memory 說明，Gorgon Halo 規格參考 ServeTheHome 報導；ggml 專案之 GGUF 規格文件與 llama.cpp、Ollama、LM Studio、vLLM、SGLang、MLX、pgvector、sqlite-vec、whisper.cpp 官方文件；Model Context Protocol 官方規格與 2025 年 12 月 9 日之治理移轉公告；OpenAI、Meta、Google、阿里巴巴、Mistral、DeepSeek 之官方模型卡與授權文件；Open Brain（GitHub NateBJones-Projects/OB1）與 OpenClaw（GitHub openclaw/openclaw）之官方授權與說明文件。凡未能取得一手證據者一律未寫入，包含 DGX Station 之售價與 Mac 新世代機種之上市時程傳聞。硬體規格、授權條款與定價依時間變動，實際規格請以各廠商官方最新公告為準；導入前應以自身工作負載實測。本文非受任何公司委託或贊助，亦未收受對價；MAQ 為 AI 硬體系統整合商，所銷售之工作站包含文中提及廠商之硬體產品，讀者於閱讀本文之產品觀察時宜一併考量。NVIDIA、CUDA、Blackwell、Grace、DGX、GeForce、RTX、NVLink、TensorRT、NeMo 為 NVIDIA Corporation 之商標；Apple、Mac、Mac mini、Mac Studio、Apple Silicon、MLX 為 Apple Inc. 之商標；AMD、Ryzen、Radeon 為 Advanced Micro Devices, Inc. 之商標；OpenAI、ChatGPT 為 OpenAI 之商標；Claude、Anthropic 為 Anthropic PBC 之商標；Meta、Llama 為 Meta Platforms, Inc. 之商標；Google、Gemma 為 Google LLC 之商標；Qwen、通義千問為阿里巴巴集團之商標；Mistral 為 Mistral AI 之商標；DeepSeek 為杭州深度求索之商標；ASUS、Ascent 為華碩電腦之商標；其餘商標歸各自所有者所有。