Är 64 GB DDR5-6000 C40 den nya optimala lösningen för AI och spel?

Som vi nämnde förra året var den rekommenderade ideala RAM-kapaciteten för spel och AI-arbetsbelastningar 96 GB systemminne. Sedan dess har mycket förändrats, och ett 96 GB-kit är kanske inte längre ett rekommenderat alternativ.

Minnesmarknaden har förändrats dramatiskt. AI-infrastrukturen förbrukar enorma mängder DRAM- och HBM-kapacitet, vilket sätter stor press på utbudet och priserna på DRAM för konsumentmarknaden. År 2026 kan det vara svårt att få tag på 96 GB-kit, eller så kan de kosta betydligt mer, vilket gör dem betydligt mindre attraktiva för en vanlig entusiast som bygger sin egen dator.

Så, tillbaka till labbet för att försöka hitta den bästa lösningen under rådande omständigheter.

Konfigurationerna på 32 GB och 64 GB jämfördes med hjälp av ett RTX 4090-grafikkort och lokala LLM-arbetsbelastningar, samtidigt som man undersökte effekten av DDR5-prestandan.

Testsystemet var följande:

• Processor: Intel® Core™ Ultra 7-processor 270K Plus
• DRAM: CORSAIR VENGEANCE RGB CMH64GX5M2D6000C40
• SSD: MP600 ELITE 2 TB PCIe Gen4 x4
• AIO: iCUE LINK TITAN 360 RX RGB AIO
• VGA: RTX 4090 24 GB XLR8 Gaming UPRISING EPIC-X

Slutsatsen är tydlig: För ett modernt spel- och AI-system är 64 GB DDR5 den perfekta lösningen, och DDR5-6000 C40 erbjuder en utmärkt balans mellan kapacitet, prestanda och praktisk användbarhet.

Som väntat räcker inte 32 GB minne till för att hantera en stor LLM med 70 miljarder parametrar. RAM-utnyttjandet ligger långt över 95 %, vilket gör att systemet blir långsamt. Däremot hade systemet med 64 GB cirka 15 GB RAM kvar, vilket gör det möjligt för användarna att utföra andra uppgifter samtidigt.

När det gäller den tid det tar att generera tokens märks ingen större skillnad. 64 GB 6000C40-satsen ligger något före, men det betyder inte att den i praktiken är den bästa. För just denna graf har de snabbaste respektive de långsammaste körningarna valts ut bland de två satserna.

Men om man tar genomsnittet av tre körningar blir resultaten desamma. Satserna 5600C40 och 6000C40 tog nästan lika lång tid på sig att slutföra uppgifterna. Satsen 6000C40 var något snabbare, med 0,5 sekunder, men det ligger inom felmarginalen.

Sammantaget räckte 64 GB minneskapacitet för att köra betydligt större lokala AI-arbetsbelastningar utan att systemet utsattes för allvarlig minnesbelastning. Den skillnaden är viktig.

Men varför lokala LLM:er? Varför inte använda ett online-API som ChatGPT eller liknande? Integritet. Data som användare importerar till en onlinetjänst kan bli tillgängliga för allmänheten. Genom att köra en LLM på en dator som du själv kontrollerar behöver du inte ansluta till internet och kan ha full kontroll över dess beteende. Fördelarna med lokala LLM:er begränsar sig inte bara till integritet. Kostnad, anpassningsmöjligheter och kontextlängd är viktiga faktorer som talar till förmån för lokala LLM:er.

För testningen användes Metas modell ”Llama 3.1 70B Instruct”, som kördes lokalt via Ollama. 70B-modellen innehåller cirka 70 miljarder parametrar och stöder ett kontextfönster på 128K. Detta är inte avsett att antyda att varje AI-användare bör köra en 70B-modell. Även om större modeller generellt sett har större kapacitet att representera kunskap och relationer och kan prestera bättre vid krävande uppgifter som resonemang, kodning, analys och att följa instruktioner.

Ett RTX 4090-grafikkort har 24 GB dedikerat VRAM. Det är en enorm mängd grafikminne, men det räcker inte nödvändigtvis för större lokala AI-modeller. När en modell överskrider det tillgängliga VRAM-minnet måste en del av arbetsbelastningen placeras i systemminnet (RAM). Det är då systemminnet blir mycket mer än bara en resurs för Windows, spel och bakgrundsprogram.

För den primära prestandatestbelastningen valdes Llama3.1 8B. Den är betydligt mindre än de 24 GB VRAM som finns tillgängliga på RTX4090, vilket innebär att systemminnet spelar en mindre viktig roll i testbelastningen.

I stället för att be modellen utföra ett konstlat test, som att generera tusentals ord, användes uppgifter som speglar den dagliga användningen av AI.

Dessa omfattade aktiviteter som planering, sammanfattning, analys och strukturerad innehållsskapande.

Följande uppgift användes: ”Jag planerar en 10-dagars resa till Japan som omfattar Tokyo, Kyoto, Osaka och Hiroshima. Skapa en detaljerad resplan dag för dag. För varje dag ska du inkludera de viktigaste sevärdheterna, i vilken ordning jag bör besöka dem, ungefärlig restid mellan platserna, förslag på restauranger eller matställen samt praktiska tips. Förklara resonemanget bakom resplanen och peka på eventuella problem med tidsplaneringen. Avsluta med en kortfattad packlista och en sammanfattning av den totala tiden som ägnas åt resor respektive sightseeing.”

Marknaden för PC-entusiaster håller på att förändras.

• 32 GB är fortfarande ett fullgott alternativ för spelsystem och enklare AI-uppgifter, men det begränsar i allt högre grad vad ett system i toppklass kan klara av utan problem.
• 96 GB är fortfarande ett utmärkt val för specialanvändare, men med tanke på dagens priser och tillgänglighet på minne är det svårt att motivera det som standardrekommendation för entusiaster.
• 64 GB-satserna ligger i mitten, och det är därför de är ett bra val.

De erbjuder tillräcklig kapacitet för modernt spelande, multitasking och krävande lokala AI-arbetsbelastningar, samtidigt som man undviker de kostnads- och tillgänglighetsproblem som i allt högre grad förknippas med större system.

Tillsammans med specifikationerna för DDR5-6000 C40 ger de en bra balans mellan kapacitet och minnesprestanda.