英伟达DGX Station GB300，真正该看的是这三点！

一台放在办公桌旁的 AI 工作站，官方推荐用 240V/20A 专用插座。这个细节，比 748GB 内存更能说明它的定位。

英伟达 DGX Station GB300，把 GB300 Grace Blackwell Ultra 超级芯片塞进了桌面机箱。

但“桌面”这个词，容易让人低估它对部署环境的要求。

01

功耗：为什么推荐 240V 插座？

NVIDIA 官方规格表的写法很直白：总系统功率 1,600W，需要 20A 电路。

GB300 超级芯片空载功耗约 360W，满载峰值可达 1400W。整机接入市电后总功耗更高。美国标准 115V/15A 插座理论能带动，但长期满负载容易触发供电瓶颈。

这意味着它不是“插上电就能用”的设备。如果计划放在普通办公室，先确认电路容量。

我们维云在帮客户部署 GPU 服务器时，供电余量是第一个要确认的环节。很多稳定性问题，根源不在芯片，在供电。

02

748GB 内存，为什么只有 252GB 跑满速？

DGX Station 的内存由两部分组成：约 252GB HBM3e，带宽 7-8TB/s；近 500GB LPDDR5X，带宽约 500GB/s。两者构成 748GB 融合统一内存池。

Supermicro Super AI Station SSD

模型如果完整放进 HBM，推理速度拉满。一旦超过阈值，溢出部分进入低速内存，速度会明显下降。

真机实测中，能完整载入 HBM 的 Neatron 120B，预填充跑到 2200 token/s。GLM-5.2 量化后仍有 465GB，必须溢出，预填充只有 243 token/s。

选模型的时候，100B 级别、量化后能塞进 HBM 的，体验往往比硬上超大 MoE 好得多。

03

单用户聊天，为什么不是它的主场？

单用户聊天不是这台设备的设计目标。

Exxact 的公开测试里，在 40K 上下文、1M KV 池的条件下，DeepSeek V4-Flash 从 8 个智能体到 48 个智能体，吞吐量从 275.1 token/s 稳步上升到 345.7 token/s；Qwen3-235B 则在 24 个智能体时达到峰值 230.8 token/s，之后回落。

这说明它更擅长批量跑多智能体任务，而不是一个人对着聊天框用。

智能体数量越多，越能发挥它的并发能力；但并发也不是无上限，不同模型有各自的最优区间。

04

买回来只是第一步，运维才是真门槛

Exxact 上架的 Valence VWS 起售价约 94,930 美元，约合人民币 63.8 万元；顶配约 109,593 美元，约合人民币 73.7 万元。63.8 万只是入场价，买回来只是第一步。

DGX Station 支持 3 条 PCIe 插槽，可通过 400G ConnectX-8 网卡多台组网，横向扩展算力。

机身内部有大量铜质散热结构，采用液冷方案。

但这些配置也意味着更高的运维要求。液冷回路的长期状态、固件兼容性更新、多机互联调试，都是实际落地时要面对的环节。

维云在保 GPU 服务器超 100,000+ 万台，月均芯片级维修能力 1000 片以上，服务网络覆盖全球 50 多个地区。

这类桌面超算的部署和运维，和传统机架服务器有相似之处，也有新的维护点。

技嘉 NVIDIA GB300 桌面 AI 工作站框图

买回来能用只是第一步，长期稳定运行才是真正的门槛。

英伟达还计划 2026 年第四季度推出 DGX Station for Windows，支持 WSL 和 NVIDIA AI 软件栈，企业不用单独维护 Linux 环境，可以在现有 Windows 基础设施里部署 AI 负载。

05

谁适合买，谁没必要？

这个价位更适合 AI 独立开发者、本地大模型研发团队、需要批量部署智能体的中小企业，以及对数据隐私要求较高的科研、政企团队。

DGX Station GB300 值不值得上，先问自己：你的模型能不能吃满 252GB 高速内存？

能，它在这个价位段里是比较少见的桌面级选择。不能，建议先评估溢出到低速内存后的速度能不能接受。选对场景，也选对配套条件。

如果你正在评估桌面级 AI 算力方案，或者对这类设备的部署和运维有疑问，欢迎和维云聊聊。