ASUS Ascent GX10 im Review: 128 GB für lokale KI zum Profipreis

128 GB Unified Memory und 4 TB SSD für lokale 200B-Modelle mit CUDA
- Konfiguration
- SSD 4 TB
- Chip
- NVIDIA GB10
- Arbeitsspeicher (Unified)
- 128 GB
- Speicherbandbreite
- 273 GB/s
- 128 GB Speicher: 200B-Modelle lokal
- ConnectX-7: zwei Geräte, 256 GB
- DGX-Plattform: kein Windows-Alltags-PC
Für 8.505,99 € lohnt sich der ASUS Ascent GX10 nur, wenn du auf Nvidias KI-Software und CUDA angewiesen bist und Agenten oder Feinabstimmung entwickelst. Für reine Inferenz bieten AMD-Mini-PCs mit 128 bis 192 GB Unified Memory mehr Speicher pro Euro. Hier erfährst du, welche Modellgrößen in die 128 GB passen, wo die Grenzen liegen und welche Alternative für wen sinnvoller ist.
Design, Kühlung und Handhabung
Der ASUS Ascent GX10 kommt als kompakter Mini-PC in Grau (Modellnummer 90MS0371-M000V0). Auf dem Schreibtisch wirkt er eher wie ein besserer Büro-Rechner als wie das, was ASUS ihn nennt: ein „KI-Supercomputer“. Diese Bauform ist der eigentliche Unterschied zu einer klassischen GPU-Workstation. Du brauchst keinen Tower, kein Rack und kein eigenes Serverzimmer. Ein freier Platz neben dem Monitor reicht.

Speicherausstattung: 4 TB sind hier kein Luxus
Die Konfiguration, um die es in diesem Review geht, hat laut Händler eine 4-TB-SSD. Andere Speichergrößen des Modells sind nur Optionen und nicht Gegenstand dieser Einordnung. Für lokale KI ist die große SSD sinnvoller, als sie auf den ersten Blick wirkt. Ein einziges 120B-Modell belegt in Q4 schon rund 60 GB. Wer mehrere Quantisierungsstufen, Checkpoints aus der Feinabstimmung und Container-Images parallel vorhält, füllt 1 TB schnell. Mit 4 TB kannst du eine Modellbibliothek lokal pflegen, statt ständig Dateien nachzuladen oder auszulagern.
| Merkmal | Angabe laut Händler/Hersteller |
|---|---|
| Bauform | Kompaktes Desktop-Gehäuse (Mini-PC) |
| Farbe | Grau |
| Modellnummer | 90MS0371-M000V0 |
| SSD (diese Konfiguration) | 4 TB |
| Arbeitsspeicher | 128 GB kohärenter, gemeinsamer Arbeitsspeicher |
| Kühlung | Eigens entwickeltes Kühlsystem für Labor, Büro und Edge |
| Vernetzung | NVLink-C2C (intern), ConnectX-7 für Dual-System-Stacking |
Kühlung: Entscheidend ist der Dauerbetrieb
ASUS verspricht ein speziell entwickeltes Kühlsystem, mit dem das Gerät trotz geringer Stellfläche zuverlässig in Laboren, Büros und Edge-Umgebungen laufen soll. Das ist eine Herstelleraussage. Konkrete Werte zu Lautstärke oder Leistungsaufnahme unter Last nennt das Händlerangebot nicht. Für deine Entscheidung zählt eine praktische Frage: Hält der Rechner Stunden unter Volllast durch, ohne zu drosseln oder das Büro mit Lüftergeräuschen zu füllen?
Diese Frage ist beim GX10 wichtiger als bei einem normalen Mini-PC. Eine Feinabstimmung oder ein langlaufender Agent erzeugt keine kurzen Lastspitzen. Er hält den Chip über Stunden oder Tage am Limit. Plane deshalb so, wie du es bei jedem kompakten Rechner mit hoher Dauerlast tun solltest: Lüftungswege frei lassen und das Gerät nicht in einen geschlossenen Schrank oder unter einen Papierstapel stellen. Wenn er neben einem Arbeitsplatz steht, an dem telefoniert wird, rechnest du besser mit hörbarem Lüfterbetrieb, als mit Stille zu planen.
Für Einzelentwickler und kleine Teams ist der Platz am Schreibtisch realistisch, solange die Belüftung stimmt. Laufen mehrere Jobs rund um die Uhr, ist ein Nebenraum oft die bessere Wahl. Der Zugriff per SSH aus der Linux-Umgebung funktioniert ohnehin genauso gut, als stünde der Rechner direkt neben dir.
Anschlüsse: ConnectX-7 ist kein Heimnetz-Port
Die auffälligste Schnittstelle ist ConnectX-7. Nvidia setzt diese Netzwerktechnik sonst in Rechenzentren ein. Beim GX10 dient sie laut ASUS dem Dual-System-Stacking: Du koppelst zwei Geräte mit schneller Kommunikation, damit sie Modelle gemeinsam verarbeiten. Diese Schnittstelle ist also kein gewöhnlicher LAN-Anschluss, den du an die Fritzbox oder an einen günstigen Büro-Switch steckst. Ihr Nutzen zeigt sich erst, wenn du tatsächlich einen zweiten GX10 einplanst. Dann wird sie zum Kern des Konzepts. Mit nur einem Gerät bleibt sie ungenutzt.
Intern verbindet NVLink-C2C CPU und GPU über den gemeinsamen Speicher. Für die Handhabung bedeutet das: Du musst keine Grafikkarte einbauen, keine Treiber für eine separate GPU abstimmen und kein Netzteil dimensionieren. Das System ist ein geschlossenes Gerät, kein Baukasten. Genau das unterscheidet es von einem Selbstbau-PC mit RTX-Karte. Du bekommst weniger Aufrüstbarkeit, dafür ein Gerät, das aus dem Karton heraus als Entwicklerplattform gedacht ist.
Welche Modelle passen in 128 GB gemeinsamen Arbeitsspeicher?
Ob ein Sprachmodell auf dem GX10 läuft, hängt vor allem von einer Zahl ab: Parameter × Bit ÷ 8 ergibt den Speicherbedarf der Gewichte in Gigabyte. Minisforum nutzt diese Faustregel selbst. In Q4 braucht ein 70B-Modell rund 35 GB, ein 120B-Modell rund 60 GB, und zwar nur für die Gewichte. Dazu kommen KV-Cache, Puffer und das Betriebssystem. Je länger das Kontextfenster, desto stärker wächst der KV-Cache.
Weil CPU und GPU im GB10 denselben kohärenten Speicher nutzen, sind die 128 GB kein reiner Grafikspeicher. Linux, deine Entwicklungsumgebung und gegebenenfalls laufende Agenten-Container belegen ebenfalls einen Teil davon. Plane daher mit deutlich weniger als 128 GB für das Modell ein, statt die Grenze auszureizen.
| Modellklasse | Q4 (4 Bit) | Q8 (8 Bit) | Einschätzung für 128 GB |
|---|---|---|---|
| 70B (dicht) | ca. 35 GB | ca. 70 GB | Passt in beiden Stufen, in Q4 mit viel Platz für Kontext |
| 120B | ca. 60 GB | ca. 120 GB | Q4 komfortabel, Q8 praktisch ohne Reserve |
| 125B MoE (Qwen3.8-Flash-Next) | ca. 63 GB | ca. 125 GB | Q4 gut machbar, Q8 nicht sinnvoll |
| 284B MoE (DeepSeek V4 Flash) | ca. 144 GB laut Minisforum | ca. 284 GB | Passt nicht in einen einzelnen GX10 |
Werte für die Gewichte nach der Faustregel gerundet. KV-Cache und Systemreserve kommen hinzu.
Qwen3.8-Flash-Next: der realistische Sweetspot
Das frei verfügbare Qwen3.8-Flash-Next ist ein Mixture-of-Experts-Modell mit 125 Mrd. Parametern, von denen pro Token nur rund 6 Mrd. aktiv sind. Jede der 48 Schichten hat 512 Experten, von denen jeweils 10 arbeiten. Für den GX10 ist das eine gute Kombination: Quantisiert passen die Gewichte in die 128 GB, und es bleibt Spielraum für ein langes Kontextfenster. Weil pro Token nur ein kleiner Teil der Gewichte gelesen wird, fällt das Antworttempo deutlich besser aus als bei einem gleich großen dichten Modell.
Selbst eine RTX 5090 mit 32 GB kann das Modell laut dev.to nur ausführen, wenn es auf Grafik- und Systemspeicher aufgeteilt und stark auf 3,05 Bit geschrumpft wird (Details im Vergleich weiter unten). Auf dem GX10 entfällt diese Aufteilung, weil alles im gemeinsamen Arbeitsspeicher liegt. Dadurch kannst du eine höhere Quantisierungsstufe mit besserer Qualität wählen, statt das Modell stark zu schrumpfen. Laufen kann das Modell unter anderem in llama.cpp. Seit dem Update vom 4. November gibt es außerdem die Dynamic-v3.1-GGUF-Quantisierungen von Unsloth.
DeepSeek V4 Flash 284B belegt in Q4 rund 144 GB Modellspeicher. Das sind mehr als die gesamten 128 GB des GX10, bevor Kontext und Betriebssystem überhaupt eingerechnet sind. Eine noch stärkere Quantisierung wäre denkbar, kostet aber spürbar Qualität. Der Minisforum MS-S1 MAX-P495 mit 192 GB LPDDR5X, von denen bis zu 160 GB als Grafikspeicher zugewiesen werden können, führt dieses Modell laut Hersteller mit 12,35 Tokens/s aus.
Einordnung gegenüber der Konkurrenz
Bei der reinen Speichermenge liegt der GX10 gleichauf mit Strix-Halo-Rechnern wie dem Bosgame M5 und am oberen Ende der RTX-Spark-N1X-Systeme. Gegenüber dem MS-S1 MAX-P495 fehlen ihm 64 GB, und genau diese Lücke entscheidet über die 284B-Klasse.
Für die Praxis heißt das: Bis etwa 120B in Q4 ist der GX10 gut aufgestellt, und MoE-Modelle wie Qwen3.8-Flash-Next sind hier die beste Wahl. Wenn dein Ziel aber die nächste Größenklasse ist, kaufst du mit dem GX10 bei gleicher Speichermenge vor allem das Nvidia-Ökosystem, nicht mehr Platz für Modelle.
Spanne der hier verglichenen Produkte
| Konfiguration | SSD 4 TB |
|---|---|
| Chip | NVIDIA GB10 |
| Arbeitsspeicher (Unified) | 128 GB |
| Speicherbandbreite | 273 GB/s |
| SSD | 4 TB |
Software: DGX-Plattform, NemoClaw und OpenShell
Hardware mit 128 GB gemeinsamem Arbeitsspeicher bekommst du inzwischen auch billiger. Was du beim GX10 wirklich bezahlst, ist Nvidias Software-Stack. Das Gerät basiert auf der DGX-Spark-Plattform und kommt laut ASUS mit einer vorkonfigurierten NemoClaw-Umgebung für die Entwicklung von KI-Agenten. Du musst also keine CUDA-Treiber, Container-Laufzeit und Agenten-Frameworks von Hand zusammensuchen. Die Werkzeugkette ist von Anfang an auf den GB10-Superchip abgestimmt.
Für Teams, die ohnehin auf Nvidia-Infrastruktur arbeiten, spart das viel Zeit. Ein Agent, den du lokal auf dem GX10 entwickelst, nutzt dieselbe CUDA-Basis wie die DGX-Systeme im Rechenzentrum. Auf Strix-Halo-Rechnern wie dem Bosgame M5 läuft lokale KI dagegen über AMD-Werkzeuge wie ROCm oder Vulkan in llama.cpp. Das reicht für Inferenz meist völlig aus. Bei Feinabstimmungs-Skripten und Bibliotheken, die CUDA voraussetzen, endet es aber oft in Bastelarbeit.
Gesicherte Container für lang laufende Agenten
Der zweite Baustein betrifft die Sicherheit. ASUS kombiniert gesicherte OpenShell-Container mit NemoClaw-Sandboxes. Damit soll die Inferenz privat auf dem Gerät bleiben, und autonome Agenten erhalten eine geregelte Zugriffskontrolle. Das wird wichtig, sobald ein Agent nicht nur antwortet, sondern über Stunden oder Tage selbstständig arbeitet: Er ruft Werkzeuge auf, liest Dateien und führt Code aus.
In der Praxis heißt das: Du legst fest, worauf ein Agent zugreifen darf, und isolierst ihn vom restlichen System. Für Forschungsgruppen und Unternehmen mit sensiblen Daten ist genau das der Grund, Agenten nicht über eine Cloud-API laufen zu lassen. Die Daten verlassen das Gerät nicht. Ein Agent, der aus dem Ruder läuft, bleibt in seiner Sandbox eingesperrt. Wer dagegen nur mit einem Chatbot plaudern will, braucht diese Schicht nicht. Für ihn ist sie ein Kostenfaktor ohne Nutzen.
Profi-Tipp
Prüfe vor dem Kauf, ob deine bestehenden Projekte CUDA-spezifische Bibliotheken nutzen, etwa für Feinabstimmung mit parametersparenden Verfahren. Ist das der Fall, ist der GX10 ein direkter Ersatz für Cloud-GPU-Stunden. Läuft dein Workflow dagegen komplett über llama.cpp oder Ollama, nutzt du den größten Teil der Nvidia-Software gar nicht.
Die Kehrseite: Linux und Plattformbindung
Der Software-Vorteil hat eine klare Bedingung. Die DGX-Spark-Plattform läuft unter Linux. Windows-Anwendungen, gewohnte Office-Workflows oder Spiele sind nicht vorgesehen. Der GX10 ist ein Entwicklerwerkzeug, kein Allround-PC, der nebenbei auch KI kann. Dazu kommt die Bindung an Nvidia: NemoClaw und OpenShell sind auf diesen Stack zugeschnitten. Je tiefer du deine Agenten darauf aufbaust, desto schwerer fällt später ein Wechsel zu AMD oder Apple.
Wer lokale KI unter Windows betreiben will, hat seit Oktober 2026 eine Nvidia-Alternative: Mini-PCs mit dem RTX Spark N1X und Windows 11 on Arm.
| Merkmal | ASUS Ascent GX10 (DGX Spark) | Mini-PCs mit RTX Spark N1X |
|---|---|---|
| Betriebssystem | Linux (DGX-Plattform) | Windows 11 on Arm |
| Gemeinsamer Arbeitsspeicher | 128 GB | 24 bis 128 GB, davon bis zu 96 GB als Grafikspeicher |
| Agenten-Werkzeuge | NemoClaw vorkonfiguriert, OpenShell-Container | Windows-Software-Umfeld |
| Stacking mit zweitem Gerät | ja, über ConnectX-7 | nicht vorgesehen |
| Zielgruppe | Agenten-Entwicklung, Feinabstimmung | lokale KI im Windows-Alltag |
Die Entscheidung hängt also weniger an Teraflops als an deinem Arbeitsalltag. Entwickelst du Agenten, die später auf Nvidia-Servern laufen sollen, ist der GX10 die konsequente Wahl, und die Linux-Bindung ist dann eher ein Vorteil als ein Nachteil. Brauchst du einen Rechner, auf dem neben dem Sprachmodell auch Outlook, Adobe-Programme oder deine gewohnte Windows-Software laufen, ist der GX10 das falsche Gerät, egal wie gut die Agenten-Werkzeuge sind.
ASUS Ascent GX10 oder eine Alternative?
Für lokale KI gibt es 2026 fünf Plattformansätze, und sie unterscheiden sich vor allem in drei Punkten: wie viel Speicher die GPU nutzen kann, welches Betriebssystem läuft und welcher Software-Stack dahintersteht. Der GX10 setzt auf GB10 mit 128 GB kohärentem Unified Memory, Linux und das komplette Nvidia-Ökosystem. Die Alternativen sind in mindestens einem dieser Punkte stärker, verzichten dafür aber an anderer Stelle.
| Kriterium | GB10 (ASUS Ascent GX10) | AMD Strix Halo | RTX Spark N1X | Mac mini M6 | Gaming-PC mit RTX 5090 |
|---|---|---|---|---|---|
| Speicher für Modelle | 128 GB kohärent | 128 GB (Bosgame M5) bis 192 GB (MS-S1 MAX-P495) | 24 bis 128 GB, bis zu 96 GB als Grafikspeicher | maximal 32 GB | 32 GB VRAM plus Systemspeicher |
| Betriebssystem | Linux (DGX-Plattform) | Windows 11 (MS-S1 MAX-P495) | Windows 11 on Arm | macOS | Windows oder Linux |
| Software-Stack | CUDA, NemoClaw, OpenShell | AMD-Treiber, kein CUDA | Nvidia-Blackwell-GPU, Arm-CPU | Apple-Chip mit Neural Accelerators | CUDA auf klassischer x86-Basis |
| Stacking | zwei Geräte über ConnectX-7 | nicht vorgesehen | nicht vorgesehen | nicht vorgesehen | nicht vorgesehen |
| Stärke | Agenten, Feinabstimmung, Nvidia-Werkzeuge | maximaler Speicher fürs Geld | Windows-Alltag plus lokale KI | kompakt, leise, effizient | Tempo bei Modellen, die fast in den VRAM passen |
| Schwäche | Preis, kein Windows | keine CUDA-Werkzeuge | weniger GPU-Speicher als GB10 | zu wenig Speicher für große Modelle | Auslagerung in den langsameren Systemspeicher |
Strix Halo: mehr Speicher pro Euro

Wer große Sprachmodelle einfach nur lokal ausführen will, landet bei AMD Strix Halo. Der Bosgame M5 bringt 128 GB RAM und eine 2-TB-SSD mit, also dieselbe Speichermenge wie der GX10. Notebookcheck zählt ihn zu den Anwärtern auf den besten Mini-PC des Jahres. Noch einen Schritt weiter geht der Minisforum MS-S1 MAX-P495 mit Ryzen AI Max+ PRO 495 und 192 GB LPDDR5X-8533, von denen sich bis zu 160 GB als VRAM zuweisen lassen. Damit passen Modelle, für die ein einzelner GX10 schlicht zu klein ist. Dazu kommt Windows 11, sodass du keine eigene Linux-Maschine pflegen musst.
Der Haken liegt in der Software. Ohne CUDA fallen NemoClaw, OpenShell und viele Nvidia-optimierte Trainingswerkzeuge weg. Für reine Inferenz mit llama.cpp spielt das kaum eine Rolle. Bei der Feinabstimmung und beim Agenten-Workflow, für die ASUS den GX10 positioniert, ist es dagegen ein echter Nachteil.
RTX Spark N1X: der Windows-Nachfolger im Nvidia-Lager
Nvidias RTX Spark N1X, gemeinsam mit MediaTek entwickelt, kombiniert eine Arm-CPU mit einer Blackwell-GPU im TSMC-N3-Verfahren. Laut ComputerBase gibt es ihn mit 24 bis 128 GB Unified Memory, davon sind bis zu 96 GB als Grafikspeicher nutzbar. In Mini-PCs darf der Chip bis zu 140 W aufnehmen, und er läuft unter Windows 11 on Arm. Zu den ersten Geräten seit Oktober gehören Mini-PCs von Asus und MSI.
Für dich heißt das: Selbst in der Vollausstattung bleiben der GPU rund 32 GB weniger als beim GX10. Ein 120B-Modell in Q4 passt noch hinein, für Kontextreserve und mehrere parallel laufende Agenten wird es aber enger. Dafür bekommst du einen Rechner, der auch Office, Browser und Windows-Software ohne Umweg ausführt. Bei Windows on Arm solltest du allerdings vorher prüfen, ob deine Werkzeuge nativ laufen.
Mac mini M6: stark, aber zu klein für große Modelle
Tom's Guide kürt den Mac mini M6 zum besten Mini-PC insgesamt, und PCMag vergibt die Editors' Choice. Für dieses Vorhaben ist er trotzdem keine Option: Der Speicher endet bei 32 GB, was laut PCMag 400 US-Dollar Aufpreis auf die Basisversion mit 16 GB kostet. Abzüglich des Betriebssystems bleibt Platz für Modelle der 27B- bis 30B-Klasse in Q4, aber nicht für 70B- oder 120B-Modelle. Für Programmierassistenten und kleine Modelle ist er ein effizienter Begleiter, als Ersatz für einen GX10 kommt er nicht infrage.
Gaming-PC mit RTX 5090: schnell, solange das Modell mitspielt
Eine RTX 5090 mit 32 GB VRAM ist bei MoE-Modellen mit wenigen aktiven Parametern überraschend stark. Laut dev.to erreicht sie mit einer 3,05-bpw-EXL3-Quantisierung von Qwen3.8-Flash-Next rund 50 Tokens/s bei einem Kontextfenster von 262.144 Tokens. Dafür belegt das Modell etwa 26 GB VRAM und zusätzlich rund 43 GB Systemspeicher, empfohlen sind 64 GB DDR5. Möglich ist das nur, weil pro Token lediglich rund 6 Mrd. Parameter aktiv sind. Bei dichten 70B-Modellen oder größeren MoE-Varianten bremst die Auslagerung über PCIe deutlich stärker.
So triffst du die Wahl
Bindet dich deine Arbeit an CUDA, NemoClaw oder eine spätere DGX-Infrastruktur, ist der GX10 die konsequente Wahl. Geht es dir vor allem um möglichst große Modelle pro Euro, liefert Strix Halo mit bis zu 192 GB mehr Speicher. Brauchst du Windows und Nvidia in einem Gerät, lohnt der Blick auf den RTX Spark N1X. Und wer bereits einen Gaming-PC mit RTX 5090 besitzt, kann mit 64 GB RAM aktuelle MoE-Modelle schon heute flott ausführen.
Vorteile
- 128 GB Speicher: 200B-Modelle lokal
- ConnectX-7: zwei Geräte, 256 GB
- 4 TB SSD: Platz für viele Modelle
- CUDA-Stack: NVIDIA-Tools laufen direkt
Nachteile
- DGX-Plattform: kein Windows-Alltags-PC
- 128 GB: MS-S1 MAX bietet 192 GB
- GB10 von 2025: RTX Spark N1X neuer
Für wen sich der GX10 eignet und wer besser wartet
Der GX10 ist kein Mini-PC, den du dir für lokale KI „einfach mal“ hinstellst. Er ist ein Entwicklerwerkzeug für Nvidia-Infrastruktur. Sein Wert hängt fast vollständig davon ab, ob du die mitgelieferte DGX-Software, CUDA und die Agenten-Werkzeuge wirklich nutzt. Wer sie nicht braucht, zahlt bei der 4-TB-Konfiguration vor allem für ein Ökosystem, das ungenutzt bleibt.
Wo der GX10 seine Stärken ausspielt
Die klarste Zielgruppe sind KI-Entwicklerteams, die Agenten bauen und diese später in die Cloud oder auf DGX-Server übertragen. Der GX10 läuft auf derselben DGX-Spark-Plattform wie Nvidias größere Systeme. Was du lokal in einer NemoClaw-Sandbox oder einem OpenShell-Container entwickelst, nutzt also denselben Software-Stack wie die Zielumgebung. Das spart dir die typische Portierungsarbeit, wenn ein Prototyp vom Schreibtisch in die Produktion wandert. Für ein Team, das ohnehin CUDA-Code pflegt, ist das ein handfester Zeitgewinn – und genau dafür ist der Aufpreis gedacht.
Die zweite Gruppe sind Forschungsgruppen, die lokal und datenschutzkonform feinabstimmen wollen. Wer mit Patientendaten, internen Dokumenten oder Material unter Geheimhaltung arbeitet, darf diese oft gar nicht an einen Cloud-Anbieter geben. Die 128 GB gemeinsamer Arbeitsspeicher reichen laut ASUS für die Feinabstimmung von Modellen bis 200 Mrd. Parametern – realistisch mit Quantisierung und parametersparenden Verfahren wie LoRA. Die Daten verlassen dabei nie das Gerät. Wird ein Projekt größer, lassen sich zwei Geräte über ConnectX-7 koppeln, statt sofort einen Server anzuschaffen.
Die entscheidende Frage vor dem Kauf
Frag dich nicht „Wie viel Arbeitsspeicher brauche ich?“, sondern „Ist meine Arbeit an Nvidia-Werkzeuge gebunden?“. Lautet die Antwort Ja, ist der GX10 eine der kompaktesten Möglichkeiten, diesen Stack lokal zu betreiben. Bei Nein bekommst du anderswo mehr Speicher für weniger Geld.
Wer mit einem anderen Gerät besser fährt
Willst du nur Chatbots lokal ausführen – also ein großes LLM laden und damit chatten, programmieren oder Texte zusammenfassen –, ist der GX10 überdimensioniert. Für reine Inferenz zählt vor allem, wie viel Arbeitsspeicher dem Modell zur Verfügung steht. Hier sind Strix-Halo-Rechner klar im Vorteil: Sie bieten 128 bis 192 GB ohne Nvidia-Aufpreis, und auf dem MS-S1 MAX-P495 läuft sogar die 284B-Klasse, für die ein einzelner GX10 zu klein ist.
Wer Windows braucht, ist beim GX10 falsch. Mit einem Mini-PC mit RTX Spark N1X bleibst du im Nvidia-Lager, ohne auf deine gewohnte Software zu verzichten. Auch der Minisforum MS-S1 MAX-P495 kommt mit Windows 11.
Und wer aufs Budget achtet, sollte ohnehin woanders suchen. Laut TechRadar treibt die anhaltende Knappheit bei RAM und SSDs die Preise für Mini-PCs allgemein nach oben, laut CHIP kostet selbst ein einfacher Mini-PC inzwischen 500 bis 600 €. Bei einem Gerät mit 128 GB und 4 TB schlägt das besonders zu Buche.
Passt zu
- KI-Entwicklerteams, die Agenten mit NemoClaw und OpenShell bauen und später auf DGX-Server oder in eine Nvidia-Cloud übertragen
- Forschungsgruppen, die Modelle bis zur 200B-Klasse quantisiert und mit LoRA lokal feinabstimmen müssen, ohne Daten in die Cloud zu geben
- Teams mit bestehendem CUDA-Code, die einen kompakten Linux-Arbeitsplatz für Labor, Büro oder Edge suchen
- Nutzer, die sich die Option offenhalten wollen, über ConnectX-7 zwei Geräte auf 256 GB zu koppeln
Nicht für
- Alle, die nur große LLMs lokal ausführen wollen – Strix-Halo-Rechner mit 128 bis 192 GB liefern mehr Speicher fürs Geld
- Nutzer, die auf Windows angewiesen sind – hier passen N1X-Mini-PCs mit Windows 11 on Arm besser
- Käufer mit begrenztem Budget oder ohne konkreten Bedarf an Nvidia-Agenten-Werkzeugen
- Wer Modelle der 284B-Klasse auf einem einzigen Gerät betreiben will
Kurz gesagt: Der GX10 lohnt sich, wenn er in einen bestehenden Nvidia-Arbeitsablauf passt. Fehlt dieser Bezug, ist Warten oder Ausweichen die vernünftigere Entscheidung. Ein Strix-Halo- oder N1X-Rechner deckt den Alltag mit lokaler KI günstiger ab.
Fazit zum ASUS Ascent GX10
Der ASUS Ascent GX10 ist ein Werkzeug für Entwickler, kein Rechner für Sprachmodelle zum günstigen Preis. Für 8.505,99 € bekommst du in der 4-TB-Konfiguration den GB10 Grace Blackwell Superchip, 128 GB kohärenten gemeinsamen Arbeitsspeicher und eine vorkonfigurierte DGX-Spark-Umgebung unter Linux. Die Hardware allein rechtfertigt den Preis nicht. Er ergibt erst Sinn, wenn du die Software und die Anbindung an Nvidias Infrastruktur tatsächlich nutzt.
Die Stärke liegt im Ökosystem, nicht in den Speicherwerten
Bei den reinen Zahlen hebt sich der GX10 kaum ab: 128 GB Unified Memory bieten auch Strix-Halo-Rechner, der MS-S1 MAX-P495 sogar mehr. Die 1 PFLOP sind eine Herstellerangabe; beim Ausführen großer LLMs entscheidet vor allem, ob das Modell überhaupt in den Speicher passt.
Den eigentlichen Vorsprung bringt der Software-Stapel: CUDA, die vorkonfigurierte NemoClaw-Umgebung für die Agentenentwicklung und die gesicherten OpenShell-Container mit Sandboxes für lang laufende, autonome Agenten. Wenn dein Team Agenten lokal baut und später auf DGX-Systeme oder Nvidia-Cloud-Instanzen überträgt, fällt die Portierung praktisch weg. Code, Container und Bibliotheken bleiben gleich. Das spart Arbeitszeit, und die ist in einem Entwicklerteam schnell mehr wert als der Aufpreis gegenüber einem AMD-System.
Was in 128 GB passt und was nicht
Für die meisten aktuellen Open-Weight-Modelle reicht der Speicher. Ein 120B-Modell in Q4 braucht nach der Faustregel rund 60 GB für die Gewichte. Damit bleibt genug Platz für KV-Cache, ein langes Kontextfenster und das Betriebssystem. Auch MoE-Modelle wie Qwen3.8-Flash-Next mit 125 Mrd. Parametern passen quantisiert gut hinein.
Bei der 284B-Klasse wie DeepSeek V4 Flash ist die Grenze erreicht. Dann brauchst du ein zweites Gerät, das du über ConnectX-7 koppelst. So kommst du auf 256 GB, zahlst aber auch den doppelten Preis, während der MS-S1 MAX-P495 dasselbe Modell auf einem einzigen Gerät schafft.
| Einsatz | Ein GX10 (128 GB) | Zwei GX10 (256 GB) |
|---|---|---|
| 70B-Modelle in Q4 (rund 35 GB) | passt mit viel Reserve | nicht nötig |
| 120B-Modelle in Q4 (rund 60 GB) | passt komfortabel | nicht nötig |
| 284B-MoE in Q4 (rund 144 GB) | passt nicht | passt |
| Agenten mit NemoClaw/OpenShell | voll unterstützt | voll unterstützt, mehr Spielraum |
| Feinabstimmung großer Modelle | mit quantisierten, parametersparenden Verfahren | mehr Spielraum |
Unsere Empfehlung
Kauf den GX10, wenn deine Arbeit an Nvidia-Werkzeuge gebunden ist. Das gilt zum Beispiel, wenn du Agenten auf NemoClaw entwickelst, Modelle datenschutzkonform lokal feinabstimmst oder deine Pipeline von CUDA abhängt. In diesen Fällen bezahlst du für Kompatibilität und Planungssicherheit, nicht für Speicher.
Lass ihn liegen, wenn du nur große Modelle lokal ausführen willst. Ein Strix-Halo-System mit 128 bis 192 GB bietet dir für weniger Geld mindestens genauso viel Speicher, beim MS-S1 MAX-P495 sogar mehr und dazu Windows 11. Brauchst du Nvidia-Hardware unter Windows, ist ein Mini-PC mit RTX Spark N1X der passendere Weg.
Die Entscheidung in einem Satz
Wenn CUDA, NemoClaw und OpenShell fest zu deinem Arbeitsalltag gehören, zahlt sich der GX10 aus. Wenn du vor allem Speicher für große Modelle brauchst, bekommst du ihn bei einem AMD-Rechner günstiger.
Für Entwicklerteams im Nvidia-Ökosystem ist der GX10 ein durchdachtes, kompaktes Werkzeug für Agenten und Feinabstimmung. Als reiner Rechner zum lokalen Ausführen von LLMs ist er zu teuer: Ein Strix-Halo-System bietet gleich viel oder mehr Speicher für weniger Geld.