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
- 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 - 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
- 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。