Što je vodič za implementaciju uređaja za zaključivanje lokalnog LLM agenta?

Ako razmišljate Izgradite AI agenta na vlastitom računalu I neovisno o oblaku, vjerojatno ste naišli na taj izraz „Vodič za implementaciju uređaja za zaključivanje lokalnog LLM-a I agenta“ ili putem web stranice llmdev.guide. Iza tog dugog imena krije se nešto vrlo specifično: praktični vodič, temeljen na stvarnim podacima, koji će vam pomoći odabrati pravi hardver za lokalno pokretanje velikih jezičnih modela bez trošenja novca.

Ideja iza ovog projekta je jednostavna, ali moćna: Prikupite stvarne referentne vrijednosti, koje je izmjerila zajednica, najčešće korištenih uređaja za lokalno zaključivanje de LLMs (posebno za AI agente) i predstaviti ih u jasnom, vizualnom i lako usporedivom formatu. Cilj je suprotstaviti se moru napuhanih brojki, sumnjivim marketinškim taktikama i zbunjujućim specifikacijama koje preplavljuju tržište AI akceleratora i GPU-a.

Što je vodič za implementaciju uređaja za zaključivanje lokalnog LLM agenta?

Poziv „Vodič za implementaciju uređaja za zaključivanje lokalnog LLM-a AI agenta“ je vodič za implementaciju usmjeren na pojedinačne korisnike. koji žele lokalno pokretati velike jezične modele, s posebnom pažnjom na opterećenje agenata (kao što su Claude Code, Cursor, OpenClaw(PicoClaw, itd.). Ove aplikacije obično troše ogromnu količinu tokena u usporedbi s jednostavnim chatom, pa performanse hardvera postaju ključne kako bi se izbjeglo frustriranje čekanjem odgovora.

Projekt se održava u llmdev.guide Strukturiran je kao otvorena i kolaborativna baza podataka, gdje zajednica doprinosi rezultatima performansi različitih uređaja koji pokreću određene modele. Minimalni zahtjev da bi se uređaj pojavio u vodiču je da može pokrenuti barem jedan model od otprilike (9B), odnosno nešto razumno za sastavljanje pristojnog AI agenta.

Osim što služi kao katalog, vodič je zamišljen kao svojevrsni protuotrov za obmanjujući marketing nekih proizvođačaOvi uređaji obećavaju ogromne kapacitete u TOPS-ima ili TFLOPS-ima, što se u praksi ne prevodi u više tokena u sekundi. Sam vodič objašnjava najčešće taktike napuhanih brojki kako se ne biste dali zavarati prilikom usporedbe uređaja.

Druga važna stvar je da se vodič usredotočuje na oprema čija je cijena obično ispod 10.000 USDTo se kreće od osobnih računala široke potrošnje s grafičkim procesorima do mini računala, naprednih SBC-ova, namjenskih akceleratora i nekih ozbiljnijih radnih stanica. Ideja nije natjecati se s podatkovnim centrima, već pokazati što ima najviše smisla za nekoga tko želi izgraditi vlastiti AI sustav kod kuće ili u uredu. Lokalno pokretanje LLM-a.

Napuhane marketinške taktike u AI hardveru

Jedna od dodatnih vrijednosti vodiča je ta što rastavlja nekoliko uobičajeni marketinški trikovi za napuhavanje "računalne snage" uređaja. Njihovo razumijevanje uvelike pomaže u razumnom tumačenju specifikacija.

Prva taktika je korištenje „rijetko računanje“ kao glavna TOPS figuraMnogi čipovi oglašavaju, na primjer, 200 TOPS-ova, ali ta se brojka postiže samo uz rijetkost (dio težina postavljen na nulu) i pod vrlo specifičnim uvjetima. Stvarni rezultat u gustim modelima lako može biti upola manji, pa se, kao opće pravilo, smatra da postoji barem 2x faktor inflacije.

Drugi način manipuliranja brojevima je oslanjanje na vrlo niske preciznosti kao što su FP4 ili INT4 pri prikazivanju sirove snageOve brojke značajno poboljšavaju teorijske performanse u usporedbi s INT8 ili FP16, ali nisu uvijek upotrebljive niti nude dovoljnu kvalitetu za sve modele. Stvarno poboljšanje performansi obično je između 2 i 4 puta veće od onoga što bismo vidjeli u realnim uvjetima.

Također je prilično uobičajeno da heterogeno računalno slaganjeDrugim riječima, jednostavno zbrajanje sirove snage CPU-a, GPU-a, NPU-a, DSP-a i svega ostalog što je uključeno, kao da se sve može koristiti istovremeno s savršenom učinkovitošću. U praksi je učinkovito zajedničko korištenje svih ovih komponenti vrlo teško, a ono što na kraju dobijete je lijepa ukupna brojka na papiru, ali ona koja teško predstavlja ono što ćete zapravo vidjeti s određenim LLM-om.

Konačno, postoje uređaji koji se slažu visoka računalna snaga s vrlo malom propusnošću memorijeNa papiru se čine kao TOPS zvijeri, ali čim počnu obrađivati ​​veliki jezični model, na kraju postanu potpuno ograničeni memorijom. Vodič naglašava da je stvarno ograničenje performansi obično više određeno propusnošću nego teorijskim TOPS-om.

Kako strukturirati informacije llmdev.guide

Web stranica llmdev.guide nudi nekoliko načina za vizualizirajte i usporedite uređaje za lokalno LLM zaključivanjedizajnirano za korisnike s različitim razinama tehničkog znanja. Nije to samo ravna tablica: postoji nekoliko interaktivnih prikaza koji uvelike olakšavaju usporedbe.

S jedne strane, imamo Klasična „ljestvica vodećih“ koja vam omogućuje sortiranje uređaja prema jednom kriterijukao što su brzina dekodiranja (tokeni u sekundi), omjer cijene i performansi ili energetska učinkovitost. Ovaj prikaz je idealan ako vas zanima samo, na primjer, koja opcija daje najviše tokena po potrošenom euru unutar vašeg proračuna.

Ako želite detaljnije informacije, vodič uključuje 2D dijagrami raspršenja gdje možete odabrati koju varijablu smjestiti na svaku os (cijena, potrošnja energije, propusnost, tokeni/s itd.) i koristiti veličinu mjehurića za predstavljanje dodatne metrike. To vam omogućuje da na prvi pogled vidite, na primjer, koji uređaji nude razumnu ravnotežu između cijene, performansi i potrošnje energije.

Za one koji maksimalno uživaju u podacima, tu je i interaktivna 3D grafika gdje se tri parametra istovremeno sijeku, s mjehurićima u trodimenzionalnom prostoru. Iako je to više "geekovski" prikaz, vrlo je koristan za razumijevanje, na primjer, kako su određene vrste hardvera grupirane u smislu tokena/sekundi, cijene i učinkovitosti po vatu.

Četvrti pogled je potpuna tablica podataka sa svim specifikacijama i rezultatima mjerenjaOvdje možete filtrirati, sortirati i pristupiti detaljnim informacijama za svaki GPU, NPU ili model sustava. Svaki uređaj ima svoju stranicu s tehničkim specifikacijama, rezultatima testiranja i dodatnim bilješkama, kao i poveznicama na dokaze testiranja koje su poslali korisnici.

Ujedinjeni referentni model: obitelj Qwen 3.5

Kako bi se izbjegao kaos uspoređivanja jabuka i naranči, vodič koristi Obitelj modela Qwen 3.5 kao standardna referencaIdeja je jednostavna: ako se sva mjerenja provode s istim arhitekturama modela, usporedba između uređaja je puno čišća.

U obitelji Qwen3.5 razmatraju se dva modela potrebno da bi se uređaj uvrstio na popisS jedne strane, tu je Qwen3.5-9B, koji je dizajniran za male ili početne uređaje. Ako vaš hardver ne može podnijeti ovaj model, malo je vjerojatno da će biti prikladan za zahtjevne AI agente.

Drugi obvezni model je Qwen3.5-27B, dizajniran kao referenca za uređaje srednje klaseAko tim može razumno pokrenuti ovaj model, on se već smatra solidnim za ozbiljnije upotrebe, kao što su profesionalne aplikacije za generiranje koda, analiza dokumenata ili interni asistenti.

Osim toga, vodič uključuje nekoliko modela Mješavine stručnjaka (MoE) kao opcionalne opcije: Qwen3.5-35B-A3B, Qwen3.5-122B-A10B y Qwen3.5-397B-A17BSvaki od njih služi kao referenca za uređaje s više memorije ili većim ambicijama: od uređaja s puno RAM-a do pravih "flagshipova" dizajniranih za vrlo teške zadatke.

U svim slučajevima, a minimalna kvantizacija od 4 bita (INT4/Q4)kako bi rezultati bili usporedivi i realni. Ako uređaj još nema izravne podatke za Qwen 3.5, u iznimnim slučajevima mogu se koristiti procjene temeljene na sličnim modelima, a one su označene zvjezdicom kako bi se jasno naznačilo da se ne radi o izravnim mjerenjima.

Koji se pokazatelji uspješnosti zapravo mjere?

Umjesto da se izgubite u tisuću brojeva, vodič se usredotočuje na dvije temeljne metrike za interaktivnu upotrebu AI agenata: brzina dekodiranja i brzina prethodnog ispunjavanja, obje izražene u tokenima u sekundi.

La Brzina dekodiranja je najvažniji faktor za korisničko iskustvoJer određuje koliko tokena u sekundi model može generirati nakon što odgovor započne. U osnovi, definira hoće li se tekst prikazivati ​​glatko ili isprekidano.

La Brzina prethodnog popunjavanja utječe na vrijeme do prvog tokenaDrugim riječima, to je koliko dugo sustav obrađuje početni upit (što može biti dugotrajno kod agenata s kontekstom, alatima, poviješću itd.) prije nego što počne generirati izlaz. To je ključno u aplikacijama koje učitavaju ogromne kontekste ili mnogo dokumenata odjednom.

Uz ova dva glavna pokazatelja, vodič posvećuje posebnu pozornost odnos između propusnosti memorije i stvarno postignute brzineZapravo, prijavljene vrijednosti tokena uspoređuju se s teoretskim limitom izračunatim iz dostupne propusnosti, a ako brojke premašuju razumnu vrijednost, označene su simbolom upozorenja koji ukazuje na sumnjiv miris.

Sve to nadopunjeno je informacijama o Potrošnja energije, približna cijena, kapacitet memorije, propusnost i deklarirani TOPSTo se zatim koristi za izvođenje omjera kao što su performanse po euru ili performanse po vatu. Ovi omjeri omogućuju vam da brzo vidite koji su uređaji "povoljni", a koji su očito preskupi.

Usporedbe hardvera iz stvarnog svijeta: značajni primjeri

Jedan od najilustrativnijih slučajeva o kojima se raspravljalo pomoću vodiča je onaj Usporedite skupe grafičke procesore i premium radne stanice s puno skromnijim opcijamaStavljanjem svih podataka na isti graf, postaje jasno da se cijena ne prevodi uvijek u veći broj tokena.

Na primjer, uzimajući kao referencu Qwen3.5 9BVodič pokazuje da sustavi koji koštaju preko 4.000 dolara, poput NVIDIA DGX Spark sustava ili Apple Mac Studio s M3 čipom, mogu ponuditi vrlo slične performanse u tokenima po sekundi kao i stroj izgrađen s puno jednostavnijim GPU-om, poput 12GB Intel Arc B580 koji košta oko 260 dolara.

S druge strane, ako novac nije problem i cilj je postići uspjeh, onda... maksimalna moguća brzina s modelima kompaktne veličineLogično je pogledati vrhunske grafičke procesore, poput hipotetske NVIDIA GTX 5090 s 32 GB memorije, koja nudi prilično razuman apsolutni omjer performansi i cijene ako vam je stalo samo do pomicanja granica i spremni ste uložiti.

Kada se bavite stvarno velikim modelima, kao što su Qwen 122B-A10BStvari se znatno mijenjaju jer memorija počinje postajati usko grlo. U tom kontekstu, uređaji poput NVIDIA DGX Sparka mogu ponuditi iznenađujuće dobar omjer cijene i performansi u usporedbi s računalima poput Apple Mac Studio M3 Ultra s 256 GB, uglavnom zbog načina na koji upravljaju memorijom i propusnošću.

Međutim, treba uzeti u obzir da Nisu svi unosi u vodiču identično detaljni u pogledu troškova.U nekim slučajevima navedena je cijena cijelog sustava, a u drugima samo cijena GPU-a. Unatoč tome, kao opći alat za usporedbu, vodič olakšava prepoznavanje kada je sustav značajno previše inženjerski zahtjevan za performanse koje zapravo pruža u LLM-ovima.

Mogućnosti pregleda i analize u vodiču

Sučelje llmdev.guide omogućuje vam igranje s više parametri za X i Y osi grafova i za veličinu mjehurićaMožete odabrati, na primjer, da X-os predstavlja cijenu, Y-os dekodirajuće tokene, a veličina mjehurića predstavlja potrošnju energije.

Također možete prijeći hardverske karakteristike (propusnost memorije, kapacitet, deklarirani TOPS) s rezultatima zaključivanja (brzina prethodnog punjenja, izlazna brzina) ili s izvedenim omjerima (performanse po vatu, performanse po dolaru). To pomaže u otkrivanju obrazaca, poput uređaja koji rade znatno iznad ili ispod onoga što bi njihove specifikacije sugerirale.

Što se tiče cijene, alat u početku nema izravno filtriranje prema rasponu troškovaMeđutim, nudi mogućnost korištenja logaritamske skale na cjenovnoj osi kako opcije početne i srednje klase ne bi bile zasjenjene skupljim stanicama. Osim toga, možete zumirati crtanjem pravokutnika mišem kako biste se fokusirali na određeni podskup uređaja.

Ako više volite nešto tradicionalnije, pogled u obliku Popis s tablicom koja se može sortirati omogućuje vam promjenu redoslijeda redaka po bilo kojem stupcuuključujući cijenu. Na taj način možete na prvi pogled vidjeti koji je najjeftiniji uređaj koji zadovoljava određene minimalne zahtjeve ili koji nude najbolje performanse unutar određenog proračuna.

Klikom na stavku na popisu ili na balončić na grafikonu otvara se list s više detalja o svakom uređajuTo uključuje potpune tehničke specifikacije, rezultate ispitivanja i bilješke o tome kako je provedeno mjerenje. Također navodi jesu li podaci izmjereni ili ekstrapolirani, kao i sve neobične aspekte postavke.

Podaci o zajednici, procjene i proces doprinosa

Jedan od stupova projekta je taj što Svi podaci o performansama temelje se na doprinosu zajednice.Ovo nije zatvorena baterija testova koje provodi jedan laboratorij, već živa baza podataka u koju svatko može dodati svoje rezultate ako slijedi utvrđeni postupak.

Kada uređaj nije izravno testiran s Qwen 3.5, neki rezultati mogu se pojaviti kao procijenjeno iz drugih modela, kao što je Llama 7B u slučaju Raspberry Pi 5 16GBTo se radi kako bi se pružila okvirna referenca, ali je izričito označeno kako nitko ne bi pomiješao stvarne mjere.

Proces doprinosa uključuje fork repozitorij projektaKopirajte predložak uređaja (devices/_template.md) i ispunite ga informacijama o hardveru i dobivenim rezultatima. Osim toga, priložite dokaze svojih testova, kao što su snimke zaslona ili izlaz terminala, kako bi drugi mogli provjeriti imaju li brojevi smisla.

Obavezno je, barem, trčati Qwen 3.5 9B s dovoljno dugim promptom Za dobivanje značajnih podataka o performansama, posebno u tipičnim slučajevima korištenja AI agenata, preporučuje se i fotografiranje ploče ili korištene opreme te dokumentiranje konfiguracije (kvantizacija, kontekst, pozadinski sustav itd.).

Zasad Sustav ne automatizira prikupljanje podatakaSve se mora ispuniti ručno prema predlošku. Neki korisnici su istaknuli da bi bilo idealno imati skripte poput „sbc-bench.sh“ koje pokreću testove i šalju rezultate, ali zasad ručni pristup omogućuje veću kontrolu kvalitete i sprječava popunjavanje tablica upitnim rezultatima.

Kontekst: Što su lokalni LLM-ovi i zašto su važni?

Osim samog vodiča, važno je razumjeti kontekst u kojem se on pojavljuje: veliki jezični modeli koji se izvršavaju lokalno, bez oslanjanja na oblakDoživljavaju procvat. Sve više korisnika i tvrtki želi imati vlastitog asistenta, agenta ili sustav za razgovor koji radi na njihovim računalima, bez slanja osjetljivih podataka trećim stranama.

Lokalni LLM-ovi predstavljaju promjenu u odnosu na tradicionalne usluge u oblaku jer Omogućuju vam održavanje suvereniteta nad vašim podacima i rad potpuno izvan mrežeUmjesto plaćanja poziva vanjskom API-ju, preuzimate model, pokrećete ga na svom hardveru i kontrolirate konfiguraciju i sve moguće prilagodbe ili fino podešavanje.

U trenutnom ekosustavu, modeli kao što su Nazovite 3.x, Qwen 2.5/3.5, DeepSeek R1 ili Phi-4koji su se poboljšali u učinkovitosti do te mjere da verzije parametara 7B-9B nude vrlo solidne rezultate na jednoj potrošačkoj grafičkoj kartici ili čak samo s snažnim CPU-om i dobrom RAM memorijom.

Za organizacije s intenzivnim radnim opterećenjima (masivna analiza dokumenata, kontinuirano generiranje koda, interni chatbotovi…), prelazak na lokalne LLM-ove može značiti ogromne uštede u usporedbi s ponavljajućim troškovima komercijalnih API-japosebno pri rukovanju milijunima tokena mjesečno. To je dodatno pogoršano potrebom za preciznom kontrolom nad modelom i njegovim ponašanjem.

AI agenti sve ovo idu korak dalje, jer Oni ne samo da odgovaraju na pitanja, već povezuju alate, kontekste i radnje u znatno duljim tokovima. To povećava broj tokena i čini performanse zaključivanja uređaja još kritičnijim faktorom - upravo onu vrstu scenarija za koju je vodič za implementaciju uređaja za zaključivanje lokalnog LLM-a I-Agenta najkorisniji; za dizajniranje ovih sustava korisno je razumjeti arhitekture agenata.

Hardverski zahtjevi za lokalni LLM: GPU, CPU i memorija

Jedna od najvećih glavobolja kada netko razmišlja o pokretanju LLM programa lokalno je Razumijevanje koji vam hardver stvarno treba i koji dio proračuna ima najveći utjecajGPU i memorija (VRAM i RAM) su obično odlučujući faktori, ali ne i jedini.

U području GPU-a, ključ leži u količina VRAM-a i propusnostZa početne modele s parametrima od 7-8B (poput Llama 3.1 8B ili Qwen 2.5 7B), obično je dovoljna GPU s 8-12 GB VRAM-a, posebno ako se koristi 4-bitna kvantizacija. To pokriva opće slučajeve upotrebe i osobne projekte bez previše komplikacija.

Ako je cilj nadogradnja na parametre modela 14-32B (kao što su Qwen 2.5 14B ili DeepSeek R1 32B), Razumno je ciljati na GPU-e sa 16-24 GB VRAM-a....ili konfiguracije s više GPU-ova u određenim slučajevima. Počevši od parametara od 70B, stvari kreću uzlaznom putanjom i govorimo o 48 GB ili više, često u sustavima s nekoliko vrhunskih GPU-ova ili namjenskim akceleratorima za poduzeća.

Postoji grubo pravilo za izračunajte koliko memorije model zahtijevaM = (P × Q/8) × 1,2, gdje je M memorija u GB, P je broj parametara u milijardama, a Q je preciznost u bitovima. Dakle, 70B model sa 16 bita može imati oko 168 GB VRAM-a, dok bi s 4-bitnom kvantizacijom to bilo blizu 42 GB. Nakon toga se može prilagoditi prema pozadinskom sustavu i dodatnim međuspremnicima.

Ulogu CPU-a ne treba podcijeniti: moderni procesori s dobrim vektorskim ekstenzijama i dobrom propusnošću memorije Mogu pokretati manje modele s iznenađujućim performansama. Nedavni primjeri pokazuju CPU-e poput određenih Ryzen AI procesora koji mogu premašiti 50 tokena/s s laganim modelima, otvarajući vrata postavkama bez GPU-a za neke namjene.

Popularni alati za implementaciju lokalnih LLM-ova

Nakon što je hardver čist, sljedeći korak je odabir softverska platforma za upravljanje modelima i zaključivanjemOvdje se alati namijenjeni početnicima kombiniraju s drugima čiji je cilj iscijediti svaki djelić snage CPU-a ili GPU-a iz sustava.

Ollama se etablirala kao jedna od najjednostavnijih opcija za početak korištenjaRadi s pristupom "Docker for Models", omogućujući vam preuzimanje i pokretanje modela vrlo jednostavnim naredbama. Automatski upravlja kvantizacijom, korištenjem GPU-a i memorije te nudi OpenAI-kompatibilan API, što uvelike pojednostavljuje integraciju agenta ili chatbota u vaše vlastite aplikacije.

Za one koji preferiraju uglađeno grafičko sučelje, LM Studio nudi visoko dotjerano vizualno okruženje za otkrivanje, preuzimanje i testiranje modelaIzravno se integrira s Hugging Faceom, ima sučelje za chat i olakšava promjenu modela, kvantizacije ili pozadinskog sustava bez dodirivanja naredbenog retka, uz cijenu gubitka ekstremne fleksibilnosti.

Na tehničkoj razini, llama.cpp ostaje mjerilo kada se traže maksimalne performanse i fina kontrolaRadi se o visoko optimiziranoj C++ implementaciji s podrškom za više backendova (CUDA, Metal, Vulkan, itd.) i naprednim tehnikama kvantizacije. Nadalje, značajno je poboljšana na ARM arhitekturama, što koristi i prijenosnim računalima s Apple Siliconom i uređajima sa Snapdragon X i sličnim procesorima.

Uz to, postoje projekti poput GPT4All ili LocalAI koji Odlučuju se za objedinjeno iskustvo na radnoj površini ili za izlaganje lokalnih API-ja vrlo jednostavno integrirati. Nadalje, alternative kao što su Jan AI Među opcijama za one koji traže lokalno iskustvo slično ChatGPT-u, izbor ovisi o ravnoteži koju svaka osoba traži između jednostavnosti, performansi i prilagodbe.

Strategije implementacije i optimizacije za AI agente

Kada je cilj pokrenuti složenije AI agente (s pozivima alata, navigacijom, dugim lancima zaključivanja itd.), sljedeće dolazi do izražaja dodatne strategije optimizacije za iskorištavanje hardvera koje već imate ili koje ćete kupiti slijedeći vodič.

Kvantizacija je prvi veliki saveznik: Rad u 4 bita obično pruža vrlo dobru ravnotežu između kvalitete i veličine.To omogućuje modelima od 7-9 bita da udobno stanu na 8-12GB GPU-ove, a dizajnima od 30 bita ili većim da rade na 24GB GPU-ovima ili konfiguracijama s više GPU-ova. Za slučajeve gdje je potrebna maksimalna kvaliteta, 8-bitni sustav nudi prilično kompaktan, ali uravnotežen srednji put.

Također je važno prilagoditi parametre kao što su duljina konteksta, veličina serije i broj slojeva koji se prenose na GPU U hibridnim CPU/GPU konfiguracijama, povećanje konteksta poboljšava sposobnost rukovanja dugim povijestima, ali značajno povećava potrošnju memorije; fino podešavanje tih vrijednosti prema specifičnoj upotrebi agenta je ključno.

U poslovnim ili laboratorijskim uvjetima, ima smisla razmotriti Konfiguracije s više GPU-ova i distribuirane implementacijeKorištenje tehnika poput tenzorskog paralelizma za dijeljenje velikih modela od 70B ili više na više kartica. Okviri poput vLLM-a ili određena napredna web sučelja nude izravnu podršku za ove načine rada, iako zahtijevaju više sistemskog znanja.

Konačno, s gledišta troškova, Lokalne implementacije često postaju vrlo konkurentne cloudu. Kada je količina obrađenih tokena velika i hardver se amortizira u srednjoročnom razdoblju, vodič za uređaje pomaže u pronalaženju idealne ravnoteže između ulaganja u opremu, troškova energije i performansi, tako da jednadžba ide u korist implementacije lokalnih agenata.

Uzimajući u obzir sve ove elemente - stvarne podatke o mjerilima, metode za filtriranje napuhanog marketinga, relevantne metrike i alate za implementaciju - Vodič za implementaciju uređaja za zaključivanje lokalnog LLM-a I Agent postaje neprocjenjiv resurs za svakoga tko želi učinkovito lokalno izgraditi AI agente. Pomaže u određivanju prioriteta propusnosti i memorije u odnosu na blještave TOPS brojke, pruža smjernice o tome koje modele iz obitelji Qwen 3.5 koristiti kao mjerilo i nudi jasne usporedbe cijena, performansi i učinkovitosti kako bi vam pomogao u odabiru hardvera bez preplaćivanja.