引言：本地 AI 的"灵魂拷问"

随着 DeepSeek R1、Llama 4、Qwen 3.5 等开源大模型不断刷新能力上限，越来越多的开发者和技术爱好者开始尝试本地部署 AI 模型。然而，一个绕不开的问题始终横亘在前：我的硬件到底能不能跑？

你是否曾花数小时下载了一个 70B 参数的模型，结果发现显存不够、推理速度慢到令人崩溃？或者在 Apple Silicon Mac 和 NVIDIA GPU 之间犹豫不决，不知道同样的模型在两种设备上表现差多少？

今天推荐的 CanIRun.ai（https://www.canirun.ai/），正是为了解决这个痛点而生。打开网站，**一键检测，秒出结果**——你的硬件能跑哪些模型、跑得多快、用哪种量化方案最合适，一目了然。

核心功能：四大模块，全面覆盖

CanIRun.ai 的核心体验围绕四个功能模块展开，每一个都精准对准了本地 AI 部署中的实际需求。

1. 首页模型检测——"我能跑什么？"

打开网站首页，你的浏览器会自动检测 GPU、VRAM、RAM 和 CPU 核心数，然后即时给出一份模型兼容性报告。每个模型被标注为六个等级：

等级含义说明
S - Runs great完美运行快速推理，充裕的显存余量
A - Runs well运行良好速度舒适，显存占用合理
B - Decent尚可使用可用但体验一般
C - Tight fit紧巴巴速度慢，上下文窗口受限
D - Barely runs勉强运行输出极慢
F - Too heavy跑不动显存装不下

网站数据库覆盖了从 0.6B 的 Qwen 3 0.6B 到 1T 参数的 Kimi K2 共 70+ 个主流开源模型，涵盖了 Meta（Llama 系列）、Alibaba（Qwen 系列）、Google（Gemma 系列）、DeepSeek、Microsoft（Phi 系列）、Mistral AI、OpenAI（GPT-OSS）、NVIDIA（Nemotron）等 20+ 家厂商。

筛选功能极为强大：你可以按运行等级（只看能跑的 S/A/B 级）、任务类型（Chat / Code / Reasoning / Vision）、许可证类型（Apache 2.0、MIT、商业可用等）、架构类型（Dense / MoE）进行多维度过滤，还能按评分、参数量、上下文长度、推理速度等排序。

每个模型卡片还展示了 7 种量化级别的显存需求（Q2_K → F16），让你精准选择最适合自己硬件的版本。

2. Tier List 排行榜——"经典 Tier 视角"

/tier 页面将所有模型按照你的硬件表现排列成经典的 S/A/B/C/D/F 分级表，直观展示"哪些是神仙级体验、哪些勉强能用、哪些完全没戏"。支持隐藏 F 级、只看热门模型、下载为图片或复制到剪贴板分享——非常适合发推文或论坛讨论。

3. Compare 设备对比——"A 卡还是 N 卡？Mac 还是 PC？"

/compare 页面允许你选择两台设备进行逐模型对比，系统会自动高亮胜出方。比如你可以直接对比 RTX 4090 vs M4 Max，或者 RTX 4060 vs RX 7900 XTX，一目了然地看到每个模型在两台设备上的运行评分和推理速度差异。

这对于硬件选购决策尤其有价值——在购买新 GPU 或 Mac 之前，先来 CanIRun.ai 对比一下，看看你的目标设备能跑多少个模型、体验如何，远比单纯看参数更有参考意义。

4. Docs 文档——"新手友好，概念清晰"

/docs 页面用简洁的可视化图表解释了本地 AI 的核心概念：

  • Parameters（参数量）：1-3B 快但弱，70B+ 强但吃硬件，13-34B 是甜点区间
  • Quantization（量化）：Q4_K_M 是性价比之王（体积缩小至 30%，质量保留 88%），Q8_0 近乎无损，F16 是完整精度
  • VRAM（显存）：模型必须完整装入显存才能流畅运行，装不下就会退化到 CPU 推理，速度暴跌
  • MoE（混合专家模型）：如 Mixtral 8x7B 总参数 46.7B 但每次推理只激活 12.9B，兼顾质量和速度，但总参数仍需全部装入显存
  • Context Length（上下文长度）：128K 上下文约等于 10 万字，但越长越吃内存
  • Tokens/s（推理速度）：60+ tok/s 即时感，30-60 快速舒适，<5 痛不欲生
  • GGUF 格式：llama.cpp / Ollama / LM Studio 通用的量化模型文件格式
  • Memory Bandwidth（内存带宽）：推理的真正瓶颈——RTX 4090 带宽 1008 GB/s，RTX 4060 仅 272 GB/s，这就是为什么同 VRAM 用量下 4090 快得多

技术原理：浏览器里完成一切，零隐私风险

CanIRun.ai 最令人印象深刻的一点是：所有检测和计算都在你的浏览器本地完成，没有任何数据发送到服务器。

硬件检测三件套

  1. WebGL：创建隐藏的 WebGL 画布，通过 WEBGL_debug_renderer_info 扩展获取 GPU 型号和厂商信息
  2. WebGPU：如果浏览器支持，请求适配器获取额外的设备和架构详情
  3. Navigator API：navigator.hardwareConcurrency 获取 CPU 核心数，navigator.deviceMemory 获取近似 RAM 容量，还运行一个约 30ms 的 CPU 微基准测试估算单核性能

GPU 数据库

检测到 GPU 后，在内置数据库中查找匹配的 ~40 款 NVIDIA/AMD/Intel GPU 和 ~12 款 Apple Silicon 芯片，获取 VRAM 容量和内存带宽两个关键参数。

评分算法

综合评分（0-100）由三大因素构成：

  • 速度评分（55% 权重）：基于 GPU 内存带宽和模型显存占用估算 tok/s，80+ tok/s 得 100 分，<5 tok/s 仅 10 分
  • 显存余量（35% 权重）：模型占用显存越少，余量越充裕，得分越高
  • 质量加成（约 10%）：更大参数量的模型获得小幅加成（上限 15 分），体现"大模型更聪明"的常识

特别地，如果模型只能"紧巴巴"地塞进显存，总分会被乘以 0.65 的惩罚系数，警示你实际体验可能远不如分数所示。

Apple Silicon 特殊处理

Apple Silicon Mac 采用统一内存架构，CPU 和 GPU 共享内存。CanIRun.ai 将可用内存上限设为总 RAM 的 75%（再乘以 70% 的安全系数），这意味着一台 36GB 的 MacBook Pro 实际可用约 27GB 来跑模型——远超普通 8GB 显卡的能力。

模型库：紧跟前沿，持续更新

CanIRun.ai 的模型库更新非常及时，截至撰稿时已包含以下最新模型：

  • Gemma 4 系列（E2B / E4B / 26B-A4B / 31B，2026 年 4 月发布，5 天前更新）
  • GPT-OSS 20B / 120B（OpenAI 首个开源权重模型，Apache 2.0 许可）
  • DeepSeek V3.2（685B 参数，当前最强 MoE 之一）
  • Qwen 3.5 系列（0.8B 到 397B-A17B，原生多模态）
  • Kimi K2（1T 参数，384 个专家的巨型 MoE）
  • Devstral 2 123B（Mistral 专为代码设计，SWE-bench 72.2%）
  • Llama 4 Scout / Maverick（Meta 最新 MoE 架构）

数据来源包括 HuggingFace API（下载量、点赞数）、Ollama Library（拉取次数和可用变体）以及模型官方论文和公告，在每次构建时自动拉取更新。

谁适合用？使用场景一览

用户类型典型场景
AI 入门者"我刚买了 RTX 4060，能跑什么模型？"——打开即知
硬件选购者"加 2000 块从 4060 升到 4070，体验差距多大？"——Compare 对比
Mac 用户"M4 Pro 24GB 能跑 DeepSeek R1 吗？"——即时检测
模型开发者"我的新模型 Q4 量化后需要多少显存？"——查看各量化级别
技术内容创作者"想做个 GPU 横评，需要直观的对比图"——Tier List 导出

优点与局限

👍 值得称赞的：

  • 零门槛：无需注册、无需安装、无需下载，打开浏览器就能用
  • 隐私安全：所有计算在本地完成，硬件信息不会上传
  • 模型覆盖广：70+ 模型，7 种量化级别，持续更新
  • 教育价值高：Docs 页面是本地 AI 入门的优秀教材
  • 免费开源：由 midudev 为本地 AI 社区构建，完全免费
  • 设计精良：深色/浅色主题切换，移动端适配，交互流畅

⚠️ 需要注意的：

  • 结果为估算值：浏览器 API 提供的硬件信息有限，GPU 名称可能模糊，RAM 数值为近似值，实际性能受散热降频、后台进程、驱动版本等多因素影响，误差可能达 ±20%
  • GPU 数据库有限：约 40 款桌面 GPU + 12 款 Apple Silicon，部分老型号或小众 GPU 可能无法识别
  • 不支持多 GPU 配置：目前仅检测单 GPU 场景
  • Linux 用户可能检测不到 GPU：部分 Linux 浏览器的 WebGL/WebGPU 支持受限

总结与展望

CanIRun.ai 用最简单的方式回答了本地 AI 最常被问到的问题。它不需要你翻阅冗长的模型文档、不需要你手动计算 VRAM 需求、不需要你在 Reddit 或论坛上等回复——打开网页，答案就在眼前。

随着开源大模型的爆发式增长和本地部署工具（Ollama、LM Studio、llama.cpp）的日益成熟，像 CanIRun.ai 这样的"硬件-模型匹配器"将从锦上添花变为刚需工具。未来如果加入多 GPU 支持、自定义硬件配置、模型性能基准测试等进阶功能，它的价值还将进一步放大。

无论你是刚接触本地 AI 的新手，还是经验丰富的部署老手，CanIRun.ai 都值得加入你的书签栏。