Lenovo RTX Spark, yerel yapay zeka kodlamasında Mac Studio'yu geride bıraktıLenovo RTX Spark Overtakes Mac Studio in Local AI Coding

ÖzetSummary

ZDNET yazarı David Gewirtz, 3.720 €’luk Lenovo Yoga 9n’i (Nvidia RTX Spark NX1, 64 GB RAM, 6.144 CUDA çekirdekli Blackwell GPU) yerel yapay zeka kodlama testlerinde 5.500 €’dan pahalı Mac Studio M4 Max ile karşı karşıya getirdi. Testte laptop, istem işlemede yaklaşık 3 kat daha hızlı; ancak 64 GB bellek sınırı devreye girdiğinde token üretiminde 1,5 ile 2,5 kat daha yavaş kaldı.ZDNET writer David Gewirtz pitted the €3,720 Lenovo Yoga 9n (Nvidia RTX Spark NX1, 64 GB RAM, Blackwell GPU with 6,144 CUDA cores) against a more expensive €5,500 Mac Studio M4 Max in local AI coding tests. In the test, the laptop was approximately 3 times faster in prompt processing; however, when the 64 GB memory limit was reached, it remained 1.5 to 2.5 times slower in token generation.

Neden ÖnemliWhy it matters

Bu, Nvidia’nın cihaz üstü LLM çıkarımına yönelik yeni SoC sınıfı GPU’sunun ilk gerçek dünya, yan yana testlerinden biri. Bu alanda Apple sessiz bir tekel konumundaydı. Sonuçlar, 4.000 €’nun altındaki bir taşınabilir cihazın yapay zeka kodlamada masaüstü bir iş istasyonuna gerçekten rakip olabildiğini gösteriyor. Bu durum, geliştiricilerin yerel çıkarım donanımı hakkındaki düşüncelerini değiştirebilir. Öte yandan 64 GB’lık sert bellek sınırı ve 32 bin token’luk bağlam penceresi, yerel modellerin bulut ölçekli iş akışlarından ne kadar uzak olduğunu da ortaya koyuyor.This is one of the first real-world, side-by-side tests of Nvidia’s new SoC-class GPU for on-device LLM inference. Apple had held a quiet monopoly in this area. The results show that a portable device under €4,000 can genuinely compete with a desktop workstation in AI coding. This could change developers’ thinking about local inference hardware. On the other hand, the hard 64 GB memory limit and 32,000-token context window also reveal just how far local models are from cloud-scale workflows.

Öne ÇıkanlarHighlights

• Lenovo, istem işlemede Mac Studio’dan yaklaşık 3 kat daha hızlı. Ancak token üretiminde 8B modelde 1,5 kat, 32B modelde ise 2,5 kat geride. Yazar bu farkı bellek doymuşluğuna bağlıyor.Lenovo was approximately 3 times faster than the Mac Studio in prompt processing. However, it lagged by 1.5 times on the 8B model and 2.5 times on the 32B model in token generation. The author attributes this gap to memory saturation.
• Yerel kodlama yığını (OpenCode + Qwen3-Coder-Next 80B + llama.cpp/CUDA) 32.768 token’luk bir bağlam penceresiyle sınırlıydı. Bu, Claude Code gibi bulut ajanlarının rutin olarak kullandığı kapasitenin yaklaşık 30’da biri.The local coding stack (OpenCode + Qwen3-Coder-Next 80B + llama.cpp/CUDA) was limited to a 32,768-token context window. This is about one-thirtieth of the capacity routinely used by cloud agents like Claude Code.
• Sürekli yük altında Yoga’nın fanı belirgin şekilde gürültülü hale geliyor. 64 GB RAM sınırı yükseltilemiyor. Bu durum, daha büyük modeller için belirleyici kısıt oluşturuyor.Under sustained load, the Yoga’s fan becomes noticeably loud. The 64 GB RAM limit cannot be upgraded. This creates a decisive constraint for larger models.

EleştiriCritical take

Makalenin başlığındaki Spark’ın Mac Studio’yu ‘geride bıraktığı’ iddiası yalnızca yarı doğru. Laptop, istem alımında öne geçiyor; ancak kodu üreten token üretim aşamasında kaybediyor. Yazarın kendi 32 bin token’luk bağlam sınırı, ‘kodlama testinin’ gerçek bir ajansal oturumun yalnızca küçük bir parçası olduğunu gösteriyor. Yazı incelemenin ortasında kesildiği için okuyucu ne nihai bir yargı ne de token başına maliyet karşılaştırması görebiliyor. Bu da ‘hayran kaldık’ coşkusunu havada bırakıyor.The article’s claim in the title that the Spark 'outperformed' the Mac Studio is only half true. The laptop leads in prompt ingestion; however, it loses in the token generation phase where code is actually produced. The author’s own 32,000-token context limit shows that the 'coding test' is only a small part of a real agentic session. Because the review cuts off midway, the reader sees neither a final verdict nor a cost-per-token comparison. This leaves the 'we were impressed' enthusiasm hanging in the air.