# Lenovo ThinkStation PGX w praktyce: przetestowaliśmy komputer AI z NVIDIA GB10

> Przetestowaliśmy Lenovo ThinkStation PGX z superchipem NVIDIA GB10: 128 GB pamięci unified, modele 120B lokalnie, agent Hermes. Zobaczcie, co potrafi.

- Source: https://snok.ai/pl/aktualnosci/blog/lenovo-thinkstation-pgx-gb10-test/
- Author: Jacek Bugajski
- Published: 2026-08-05

---
Rzadko piszę o sprzęcie. Tym razem robię wyjątek, bo przez nasz lab przeszła maszyna, która zmienia sposób myślenia o firmowym AI - i zdążyliśmy ją porządnie przećwiczyć, zanim pojechała dalej, do klienta.

Mowa o Lenovo ThinkStation PGX: korporacyjnym wariancie klasy urządzeń zbudowanych na superchipie NVIDIA GB10 Grace Blackwell, czyli tej samej rodziny co NVIDIA DGX Spark. Z zewnątrz wygląda jak elegancki mini-pecet. W środku jest coś, co jeszcze dwa lata temu wymagało szafy serwerowej: komputer zaprojektowany wyłącznie pod rozwój i uruchamianie sztucznej inteligencji.

## Co siedzi w środku

Konfiguracja, którą testowaliśmy, wygląda tak (pełna specyfikacja: [Lenovo Press](https://lenovopress.lenovo.com/lp2321-thinkstation-pgx)):

- superchip **NVIDIA GB10 Grace Blackwell** - CPU i GPU w jednym układzie,
- **20 rdzeni ARM** (10x Cortex-X925 + 10x Cortex-A725),
- GPU **NVIDIA Blackwell** z Tensor Cores 5. generacji,
- **128 GB pamięci LPDDR5X unified** - współdzielonej przez CPU i GPU, o przepustowości 273 GB/s,
- dysk NVMe do 4 TB z szyfrowaniem sprzętowym,
- sieć 10 GbE plus karta ConnectX-7 i Wi-Fi 7,
- system **NVIDIA DGX OS** (Ubuntu na ARM64),
- a wszystko zasilane zasilaczem o mocy 240 W - mniej, niż potrafi pobrać jedna gamingowa karta graficzna.

Kluczowa liczba to 128 GB pamięci unified. W klasycznej stacji roboczej model językowy musi zmieścić się w pamięci karty graficznej, a to zwykle 24-48 GB. Tutaj CPU i GPU dzielą jedną, wspólną pulę - więc na maszynie wielkości książki uruchamiacie modele, które dotąd wymagały serwera z kartami za kilkaset tysięcy złotych.

## Co na nim uruchomiliśmy

Nie testowaliśmy benchmarkami dla samych benchmarków. Postawiliśmy kompletne środowisko pracy, takie, jakie realnie stawia się u klienta:

- **backend wnioskowania** (Ollama i vLLM) serwujący modele przez standardowy, zgodny z OpenAI endpoint,
- **[Hermes Agent](https://hermes-agent.ai)** od Nous Research - open-source'owy agent, który łączy się z tym endpointem, wykonuje zadania narzędziami i buduje własną pamięć,
- zestaw modeli lokalnych: **gpt-oss-120b** jako flagowy generalista, **Qwen3-Coder 30B** do kodu i pracy agentowej oraz **gpt-oss-20b** do szybkich, tanich zadań.

Największe wrażenie robi pierwsza z tych pozycji. Model o 120 miliardach parametrów - klasy, która jeszcze niedawno była zarezerwowana dla chmury - działa lokalnie, płynnie i z sensownym czasem odpowiedzi (realna prędkość zależy przy tym mocno od silnika wnioskowania - zoptymalizowany stos potrafi być kilkukrotnie szybszy od ustawień domyślnych). W architekturze Mixture-of-Experts na każdy token aktywna jest tylko część parametrów, więc mimo rozmiaru model w kwantyzacji MXFP4 zajmuje około 60-65 GB i zostawia zapas na długi kontekst.

## Trzy lekcje z testów

**Po pierwsze: MoE bije dense.** Duże modele o gęstej architekturze (na przykład Llama 70B) mieszczą się w pamięci bez problemu, ale w pojedynczej rozmowie są wolne - przepustowość 273 GB/s to naturalna granica, co potwierdzają także [publiczne benchmarki](https://presenc.ai/research/local-llm-tokens-per-second-benchmarks-2026). Modele Mixture-of-Experts omijają tę granicę z gracją. Dobór architektury modelu ma na tej maszynie większe znaczenie niż sam rozmiar.

**Po drugie: to maszyna dla agentów, nie dla jednego czatu.** Przewaga GB10 ujawnia się przy wielu równoległych zapytaniach - dokładnie tak pracują agenty AI i pipeline'y przetwarzania dokumentów. W trybie wsadowym urządzenie osiąga wielokrotnie wyższą łączną przepustowość niż w pojedynczej rozmowie. Jeśli planujecie [wdrażać agentów na produkcję](https://snok.ai/pl/aktualnosci/blog/od-pomyslu-do-agenta-na-produkcji/), to jest sprzęt skrojony pod ten scenariusz.

**Po trzecie: pełny offline naprawdę działa.** Cały łańcuch - model, agent, narzędzia, pamięć - pracuje bez jednego pakietu wysłanego do internetu. Dla firm z danymi pod NDA, danymi osobowymi albo wymaganiami regulacyjnymi (NIS2, DORA) to nie jest ciekawostka, tylko odpowiedź na pytanie, które słyszymy najczęściej: "jak korzystać z AI, żeby nasze dane nie wyjechały z organizacji?". Pisaliśmy o tym podejściu przy okazji [fabryki AI dla SAP bez chmury](https://snok.ai/pl/aktualnosci/blog/technologiczny-czwartek-ze-snok-jak-zbudowalismy-fabryke-ai-dla-sap-bez-chmury/) - PGX to ten sam kierunek, tylko w formacie, który stawia się na biurku w godzinę.

## Dla kogo to jest

Po tych testach widzimy trzy naturalne zastosowania:

1. **Poufne AI na własnych danych.** Analiza dokumentów, kodu i danych, które nie mogą opuścić organizacji - lokalny model plus RAG na wewnętrznej bazie wiedzy.
2. **Środowisko deweloperskie zespołów AI.** Prototypowanie agentów i pipeline'ów bez licznika kosztów API - po zakupie sprzętu koszt krańcowy wnioskowania wynosi zero.
3. **Pierwszy krok do prywatnej infrastruktury AI.** Zanim zainwestujecie w pełną [prywatną chmurę pod obciążenia enterprise](https://snok.ai/pl/aktualnosci/blog/technologiczny-czwartek-ze-snok-lenovo-truscale-prywatna-chmura-pod-rise-with-sa/), na PGX sprawdzicie na realnych danych, czy lokalne modele udźwigną Wasze przypadki użycia.

Dla pełnego obrazu - ograniczenia: to nie jest maszyna do trenowania dużych modeli ani do zastąpienia chmury tam, gdzie potrzebujecie najwyższej jakości frontier models. To urządzenie do wnioskowania, prototypowania i pracy agentowej - i w tej roli jest dziś w naszej ocenie najciekawszą propozycją w swojej klasie cenowej.

## Werdykt

Egzemplarz, który testowaliśmy, pojechał już do klienta - i szczerze mówiąc, trochę nam go brakuje. Maszyn, które w tym rozmiarze i przy poborze 240 W serwują modele klasy 120B, po prostu do tej pory nie było.

Jeżeli zastanawiacie się, jak mogłoby wyglądać takie środowisko u Was - od doboru sprzętu, przez modele, po [agentów zintegrowanych z Waszymi procesami](https://snok.ai/pl/oferta/automatyzacja-ai/) - jako [partner Platinum Lenovo](https://snok.ai/pl/lenovo-snok/) pomagamy przejść tę drogę od testu do produkcji. [Napiszcie do nas](https://snok.ai/pl/kontakt/), pokażemy to na żywo.