你的机器能运行AI模型吗？
网页检测你的机器，能够运行哪些本地的 AI 模型。
370
深度指南
-
2026年办公写总结做报告AI工具推荐指南
2026年写总结做报告推荐：日常周报用豆包或WPS AI零门槛起草，深度报告用DeepSeek搭框架，PPT用Kimi Slides一键生成，会议纪要用钉钉悟空或通义千问整理。霂明导航按场景分类汇集各类AI办公工具，帮你快速找到匹配自己岗位的工具组合。
-
2026年零基础职场人最易上手AI办公工具完整推荐
零基础职场人首选豆包、Kimi Work、DeepSeek、通义千问四款AI工具：写文档选Kimi Work，做PPT选豆包，用钉钉选通义千问，严肃分析选DeepSeek。大多数功能免费可用。霂明导航按场景整理了完整推荐，会打字即可上手。
-
2026年职场高效办公AI工具推荐清单
霂明导航整理2026年职场四大高频场景AI工具推荐：文档写作首选Kimi或DeepSeek，PPT生成推荐Kimi与通义千问，会议纪要用Kimi或豆包，数据分析DeepSeek表现最突出。按岗位匹配工具组合，效率提升更明显。
-
2026年AI编程工具选型与使用指南
2026年国内免费AI编程工具首选豆包MarsCode（完全免费、中文优化）和通义灵码（免费调用DeepSeek满血版）。前端开发者推荐MarsCode，后端Java开发者推荐通义灵码，进阶用户可用DeepSeek+Continue插件组合。霂明导航收录全部主流工具直达入口，快速对比体验。
当你纠结手里的RTX 4060能不能跑Llama 3.1 8B、MacBook的M4 Max能否带动DeepSeek R1时，CanIRun.ai在浏览器里直接检测你的硬件，给出每款模型的具体量化档位与运行评级，省去翻文档算VRAM的麻烦。
| 收费 | 完全免费，无需注册 |
|---|---|
| 平台 | 浏览器端（WebGPU检测），支持NVIDIA/AMD/Apple Silicon/Intel |
| 中文 | 界面为英文，但模型数据支持中文模型（如Qwen、DeepSeek） |
| 用途 | 检测GPU/CPU/RAM，判断本地能运行哪些AI模型，提供量化等级与VRAM估算 |
它能做什么
网站通过浏览器API自动读取GPU型号、VRAM、带宽、RAM和核心数，随后从380+模型中筛选出你能本地运行的列表，并按「Runs great」「Barely runs」「Too heavy」等6档分级。每个模型都标注了参数量、架构（Dense/MoE）、上下文长度、发布方与许可证，且支持按任务（Chat/Code/Reasoning/Vision）、供应商（Meta/DeepSeek/Alibaba等）、许可证（Apache 2.0/MIT/Llama Community等）和量化格式（Q2_K到F16）过滤。
- 量化VRAM估算：每个模型列出各量化档位的显存需求，例如Llama 3.1 8B在Q4_K_M下约4.6 GB
- MoE模型特殊标注：显示总参数量与活跃参数量，如Kimi K2总1T参数但活跃仅32B
- 排序维度：支持按评分、参数量、新发布、上下文长度、推理速度、VRAM占用和流行度排序
- Playground与Compare：可直接在网页上对比多款模型的参数量、VRAM与量化选项
核心概念文档
官网子页提供了量化、VRAM、参数、MoE架构等术语的简明解释。例如量化部分用7B模型示例：F16约13 GB（100%质量），Q8_0约6.7 GB（~99%质量），Q4_K_M约3.9 GB（~88%质量），Q2_K约2.5 GB（~60%质量），并指出Q4_K_M是平衡尺寸与质量的最流行选择。MoE部分以Mixtral 8x7B为例，说明总参数46.7B但每token仅激活约12.9B，全量仍需全部载入VRAM。
- 参数与能力关系：1-3B适合基础任务，7-8B为良好，13-14B更好，27-34B优秀，70B+接近前沿，405B+为前沿
- VRAM原则：整个量化文件必须完全放入GPU显存（或Apple统一内存），否则回退CPU推理速度极慢
- Dense vs MoE：Dense模型每token激活全部参数，MoE仅激活子集但总参数量仍须全部载入
模型覆盖与数据源
收录模型从0.6B的Qwen 3到1T的Kimi K2，涵盖Alibaba、Meta、Microsoft、DeepSeek、Google、Mistral AI、OpenAI、Zhipu AI、Moonshot AI等20+供应商。每个模型均标注发布时间、架构、许可证、上下文长度及推荐量化档位。例如DeepSeek R1 671B（MoE，37B活跃，64K上下文，MIT许可证），GLM-5.2 753B（1M上下文，IndexShare稀疏注意力，MIT许可证）。数据来自Hugging Face、Ollama及官方文档。
- 边缘设备模型：专门列出0.6B-3B的超轻量模型，如Qwen 3 0.6B（0.8 GB）、TinyLlama 1.1B（1.1 GB），适合嵌入式或移动端
- 代码与推理专项：Phi-4 14B（微软推理模型）、Qwen 2.5 Coder 32B（发布时出色开源编码模型）、Devstral 2 123B（SWE-bench 72.2%）
- 图像与视频生成：通过第三方工具WillItRunAI补充，支持Flux、SDXL、Wan Video、HunyuanVideo等56款模型，并单独提供VRAM计算器
常见问题
Q1：CanIRun.ai检测我的硬件时会上传数据吗？
A1：不会。所有检测均在浏览器本地通过WebGPU API完成，网站仅读取GPU型号、VRAM、带宽等基本信息用于匹配模型，不上传至服务器。
Q2：为什么CanIRun.ai上显示某模型“Too heavy”，但我的VRAM刚好够？
A2：网站评估不仅看VRAM，还综合带宽、速度、上下文长度、卸载能力、量化质量等10个维度。即便VRAM数值够，若带宽不足或量化质量过低，仍可能被归为“Tight fit”或“Too heavy”。建议查看具体量化档位（如Q4_K_M）的VRAM需求，并确认你的GPU支持该量化格式。
Q3：CanIRun.ai和WillItRunAI有什么区别？
A3：CanIRun.ai更侧重模型量化档位与运行评级，提供6档分级和详细的量化VRAM数据；WillItRunAI则额外覆盖图像/视频生成模型（56款），并支持多GPU配置（x1/x2/x4/x8）和10维适配评分。两者数据源一致（Hugging Face/Ollama/官方文档），但CanIRun.ai的文档部分对量化、MoE等概念的讲解更系统。
更多同类工具与网站,可在部署训练分类继续挑选。
评论
暂无评论