hiroblue’s LIFE LOG

< 新しい記事

新着記事一覧(全1693件)

過去の記事 >

2026.10.13

GMKtec EVO-X2（64GB）、EVO-X3（128GB）、EVO-X5 Pro（192GB）の3機種比較検討

カテゴリ： AI　人工知能

GMKtec EVO-X2（64GB）、EVO-X3（128GB）、EVO-X5 Pro（192GB）の3機種について、「追加学習」「エージェント運用時のコンテキスト長」「拡張性（OCuLinkの有無）」および「価格差の妥当性」の観点を統合し、最終的な比較分析をご提示いたします。

GMKtec EVO シリーズ統合比較分析：追加学習・エージェント運用視点

1. 仕様・価格・実効VRAMの比較

AMD Ryzen AI Max+ シリーズは Unified Memory Architecture (UMA) を採用しており、システムメモリをVRAMとして動的に割り当てます。OSの安定動作に必要なメモリ（約16GB〜32GB）を差し引いた「実効最大VRAM」が、AIタスクの物理的な限界値となります。

機種	システムメモリ	実効最大VRAM(目安)	OCuLink ポート	外部 GPU (eGPU) 接続手段	参考価格 (日本国内)
EVO-X2	64GB LPDDR5X	約 48GB	なし	USB4 (40Gbps) のみ ※M.2改造は非公式・保証外	約 ¥350,000
EVO-X3	128GB LPDDR5X	約 96GB	あり(PCIe Gen4 x4)	OCuLink(低遅延・高帯域) + USB4	約 ¥607,999
EVO-X5 Pro	192GB LPDDR5X	約 160GB	なし	USB4 v2 (80Gbps) ×2 + デュアル10GbE	約 ¥1,029,990

2. 追加学習（ファインチューニング）の観点

追加学習では、モデルの「重み」に加え、「勾配」「オプティマイザ状態」「アクティベーション」をVRAM上に保持する必要があるため、推論時よりもはるかに多くのVRAMを消費します。ここでは、VRAM消費を抑える QLoRA（4-bit量子化）を適用した場合の実行可能性を示します。

学習対象モデル規模	必要VRAM目安 (QLoRA)	EVO-X2 (実効48GB)	EVO-X3 (実効96GB)	EVO-X5 Pro (実効160GB)
7B 〜 14B (例: Llama 3 8B)	10GB 〜 20GB	快適に実行可能（バッチサイズ増も可）	余裕で実行可能	過剰スペック
32B (例: Qwen 2.5 32B)	25GB 〜 35GB	実行可能だが逼迫（コンテキスト長を極端に制限）	快適に実行可能	余裕で実行可能
70B 〜 72B (例: Qwen 2.5 72B)	45GB 〜 65GB	不可能(OOMエラー)	実行可能（コンテキスト長 4k〜8k程度に制限）	非常に快適（長いコンテキスト長や較大バッチサイズも対応可）
100B 〜 110B (例: Qwen 2.5 110B)	75GB 〜 95GB	不可能	ギリギリ〜不可能（極限の最適化が必要）	実行可能（単一マシンでのQLoRA学習が成立するライン）

技術的制約への注記: いずれの機種も統合GPUであるため、NVIDIAの上位ディスクリートGPUに比べ学習速度は大幅に低速になります。「学習は可能だが、完了までに時間がかかる」ことを前提とする必要があります。また、AMD環境での学習はセットアップの難易度が高いため、 Ubuntu (Linux) 環境での運用を強く推奨いたします。

3. エージェント運用時の「コンテキスト長」の観点

AIエージェントは、「システムプロンプト＋対話履歴＋ RAG取得ドキュメント＋ツール実行ログ（Thought/Action/Observation）」が累積するため、推論時でもVRAMを激しく消費します。以下は、 4-bit量子化（モデル重み＋KVキャッシュ）、バッチサイズ1を前提とした、現実的な最大コンテキスト長の目安です。

運用モデル規模	EVO-X2 (実効48GB)	EVO-X3 (実効96GB)	EVO-X5 Pro (実効160GB)
32B クラス	約 16k 〜 32k トークン（中規模なRAGタスクに最適）	約 150k トークン以上（事実上モデル仕様の上限まで到達）	約 300k トークン以上（同左）
70B 〜 72B クラス	約 4k トークン未満（重みでVRAMを圧迫。エージェントの複数ステップ推論では即座にOOMリスク）	約 60k 〜 80k トークン（数十ページの技術文書RAGや、中規模自律エージェントに十分）	約 150k 〜 200k トークン（大規模コードベース解析や、複雑なマルチステップ推論を安定維持）
100B 〜 110B クラス	実行不可能	約 32k トークン程度（実行は可能だが、履歴が蓄積すると破綻しやすい）	約 100k 〜 120k トークン（100B級の高度推論を、実用的な文脈長で活かせる唯一の単体構成）

4. 拡張性（OCuLinkの有無）が決定的な理由

将来のアップグレードパスを考慮すると、OCuLinkの有無は単なるポートの差ではなく、アーキテクチャ戦略の差となります。

● EVO-X2 の限界: OCuLink がありません。将来的にデスクトップクラスの NVIDIA GPU などを外付けして計算能力を補強したい場合、帯域幅と安定性で劣る USB4 (40Gbps) 経由での接続に限定され、重い追加学習や大規模エージェント運用においてボトルネックとなります。

● EVO-X3 の優位性: OCuLink (PCIe Gen4 x4) を標準搭載しています。これにより、将来的に「重い追加学習や推論は外部の NVIDIA GPU ドックにオフロードし、EVO-X3 自体はエージェントのオーケストレーション制御や RAG 用ベクトルDBホストとして使う」という、コストパフォーマンスに優れたハイブリッド構成への道が開けています。

● EVO-X5 Pro の戦略: OCuLink はありませんが、代わりに USB4 v2 (80Gbps) とデュアル 10GbE、エンタープライズ機能 (AMD DASH, dTPM) を備えており、「単体での完結性能」と「ネットワークインフラとしての堅牢性」に特化しています。

5. 最終結論：投資対効果に基づく選定ガイド

ご提示いただいた価格（35万円 vs 60万円 vs 103万円）を基準に、追加学習とエージェント運用を主目的とする場合の推奨は以下の通り明確に分かれます。

① 【EVO-X3 (約60万円)】を推奨する場合 ★最もバランスが良い最適解

● 目的: 「70Bクラスのモデルをローカルで実用的に運用（推論＋軽微なQLoRA学習）したい」。

● 理由: EVO-X2 (35万円) との約25万円の差額は、「実効VRAMを48GB→96GBへ倍増させ、70Bクラスの運用を『物理的に不可能』から『実用的』に引き上げる決定的な価値」および「OCuLinkによる将来の拡張権」を購入するものです。投資対効果が最も高い選択となります。

② 【EVO-X2 (約35万円)】を選択する場合

● 目的: 7B〜14Bクラスの小規模モデルのカスタマイズ、またはAI開発の入門・検証用。

● 理由: 単体での大規模モデル運用は不可能ですが、コストは抑えられます。ただし、「将来的に外部GPUで拡張したい」という希望がある場合は、OCuLinkがない点が致命的な足かせとなるため、その点は割り切る必要があります。

③ 【EVO-X5 Pro (約103万円)】を選択する場合

● 目的: 「100Bクラス以上のモデルを単体で扱いたい」、または「70Bクラスでも極端に長いコンテキスト長（100kトークン以上）を維持したい」。

● 理由: EVO-X3との約42万円の差額は、「100Bクラスの学習/推論可能性」と「エンタープライズ機能（10GbE, DASH, dTPM）」に対するプレミアムです。純粋なコスパよりも「単一マシンでどこまでやれるか」の物理的上限を重視する研究開発・特殊要件場合にのみ正当化されます。