MSI EdgeXpert MS-C931 AI 超級電腦

MSI 推出全新 EdgeXpert 桌上型 AI 超級電腦，為 NVIDIA DGX Spark 原型設計的第三方版本，擁有高出 NVIDIA 原版約 10% 的性能設計，1.18L 主機尺寸下，採用 NVIDIA GB10 Grace Blackwell 超級晶片，具備 20 核心 ARM CPU 和 NVIDIA Blackwell GPU，搭配 128GB LPDDR5X 記憶體，並搭載均熱板散熱器模組，可提供高達 1 petaFLOP FP4 AI 運算效能，支援高達 200B LLM 模型，透過 ConnectX-7 NIC 模組，可同時連接兩部 EdgeXpert，可支援高達 405B LLM 模型，滿足學生、業餘愛好者、開發者、小型創新公司等個人或小型團體的需求。

包裝內附有 EdgeXpert 主機、電源線、240W USB-C PD 電源器。

MSI EdgeXpert 附有一個 NVIDIA 原裝 240W USB-C PD 3.1 電源器，型號為 ADP-240LB B，支援 100 ~ 120V 3.1A 和 200 ~ 240V 1.56A 電源輸入，支援 5V / 9V / 15 3A、20V / 28V / 36V / 48V 5A 240W 電源輸出。

扁正方機身設計、1.18L 尺寸

MSI EdgeXpert 超級電腦採用超迷你主機設計，尺寸為 151mm x 151mm x 52mm，體積容量為 1.18L，採用黑色塑膠金屬外殼機身，機身呈扁正方體設計，搭配圓潤圓角設計。正側面設有髮絲紋設計和蜂巢散熱開孔設計，後側面設有垂直格柵散熱開孔設計，而機身靠後的側面部分加入線條設計裝飾，帶來低調沉實的外觀風格。整體機身尺寸比一般桌上電腦更加細小，適合空間有限的辦公或居住環境使用。

MSI EdgeXpert 官方重量為 1.2g，實測重量為 1250g，相對輕巧的主機重量，可滿足攜帶外出的需求。

底部設有四角的防滑橡膠墊，可平穩於桌面上，另外設有產品 SN 、安全認證等貼紙內容。

3x USB-C 接口、HDMI 接口、10G LAN 網絡接口、NVIDIA ConnectX-7 模組

I/O 接口方面，MSI EdgeXpert 後側面提供 1 組 USB 3.2 Type-C 電源接口、3 組 USB 3.2 Gen2x2 Type-C 20Gbps 電源接口、1 組 HDMI 2.1 接口、1 組 10G RJ45 網絡接口，以及 1 組 NVIDIA ConnectX-7 NIC 模組接口 (2x QSFP)。HDMI 接口支援最大 8K@120Hz 顯示輸出。

USB 接口方面，MSI EdgeXpert 的 3 組 USB-C 接口支援最大 USB 20Gbps 傳輸、DisplayPort 2.1 4K@120Hz 顯示輸出功能。

供電方面，MSI EdgeXpert 配備 1 組 USB‑C 電源接口 (左一)，整機峰值功耗可達 240W。

MSI EdgeXpert 後側面左方設有開機鍵。

MSI EdgeXpert 配備 1 組 NVIDIA ConnectX-7 NIC 模組，提供 2 組 QSFP 200G 光模組接口，每組接口提供 200Gbps 速度，合共最大 400Gbps 速度。單個 EdgeXpert 裝置可同時串接兩個 EdgeXpert 裝置，足以應付 405B 或更大數據量的 AI 模型。

MSI EdgeXpert 拆機

EdgeXpert 底蓋防滑腳墊設有四個螺絲，移除螺絲便可拆卸底蓋。

拆卸正側面蓋板、後側面蓋板、後側面擋板，便可把主機 PCB 與外殼分離。

EdgeXpert 主機內部由散熱器模組、PCB、金屬背板等部分組成。

MSI EdgeXpert 採用均熱板散熱器模組設計，由均熱板銅底、銅板底座、純銅導熱管、銅散熱鰭片等部分組成，散熱器覆蓋至 GB10 晶片、記憶體顆粒、VRM 供電模組、NVIDIA ConnectX-7 模組晶片。從主機正側面吸入冷空氣，並由後側面排走廢熱，提供高效能低聲噪的散熱表現。官方表示可應付高達 200W 功耗運作。

NVIDIA GB10 Grace Blackwell 超級晶片、128GB 系統記憶體

MSI EdgeXpert 搭載 NVIDIA GB10 Grace Blackwell 超級晶片，由 NVIDIA 與 MediaTek 聯發科合作設計的 SOC 晶片，整個 GB10 晶片同時整合了 20 核心 Grace ARM CPU 及 NVIDIA Blackwell GPU，兩者均採用 TSMC 3nm 製程，透過 2.5D 封裝技術組成，分別為 S-DIE 部分和 G-DIE 部分，並使用 NVIDIA NVLink-C2C 技術傳輸連接，並搭配 128GB 統一一致性系統記憶體，提供 140W TDP 熱設計功耗。

CPU DIE 部分由聯發科提供，搭載 20 核心的 ARM v9.2 架構的處理器，分別是 10 個 Arm Cortex-X925 核心叢集和 10 個 Arm Cortex-A725 核心叢集，一組核心叢集提供 8MB L3 Cache，一組核心叢集提供 16MB L3 Cache，合共 24MB L3 Cache，並且每個核心具備獨立 L2 Cache。

GPU DIE 部分由 NVIDIA 提供，搭載 NVIDIA Blackwell 架構的 iGPU，型號名稱為 NVIDIA GB10，配備 6,144 個 CUDA Cores、48 個 SM 單元、24MB L2 Cache、第五代 Tensor Cores、第四代 Tensor Cores、1 個 NVENC 編碼器、1 個 NVDEC 解碼器、2 個 Copy 引擎，搭配 128GB LPDDR5X 記憶體，支援 256bit 介面，記憶體頻寬達 273GB/s，支援 FP4 精度，提供 1 petaFLOP (1000 TOPS) AI 效能，並可處理高達 200B (2000億個參數) AI 模型。GB10 AI 性能與 NVIDIA RTX 5070 相近。

MSI EdgeXpert 搭載 8 顆 SK hynix LPDDR5-8533 16GB 記憶體，顆粒編號為 H58G78CK8B，共合提供 128GB 系統記憶體。

搭載 4TB PCIe 4.0 NVMe M.2 SSD、1x M.2 SSD 插槽

MSI EdgeXpert 配備 1 個 M.2 2242 SSD 插槽，支援 PCIe 4.0x4 / PCIe 5.0 x4 速度、M.2 2242 / 2230 SSD 規格，並提供 1TB M.2 2242 PCIe 4.0 x 4 SSD、2TB M.2 2242 PCIe 4.0 x 4 SSD、4TB M.2 2242 PCIe 5.0 x 4 SSD 配置選購。

本次開箱為預載 1 個 ESL04TBTLCZ-27J4-TYN 4TB SSD (PCIe 4.0x4)，採用 Phison PS5027-E27T 控制器，PCIe 4.0x4 Dramless 方案，支援 7400/6600 MB/s 連續讀寫性能。

Realtek 10G LAN 網絡模組

有線網絡方面，MSI EdgeXpert 採用 Realtek RTL8127 10G LAN 網絡晶片，支援 10Gbps / 5Gbps / 2.5Gbps / 1Gbps 網絡連接速度。

MediaTek Wi-Fi 7 無線網絡模組

無線網絡方面，MSI EdgeXpert 採用 MediaTek MT7925 Wi-FI 7 無線網絡模組，支援 802.11be 雙頻 2x2 160MHz Wi-Fi 技術、4K QAM，並向下支援 IEEE 802.11 a/b/g/n/ac/ax 無線網絡協定，支援 2.4GHz / 5GHz / 6GHz 頻段，近距離傳輸速度更高、更低延遲，同時具備 Bluetooth 5.4 支援新一代智能手機、穿戴裝置以及智能家居產品等連結。

NVIDIA DGX OS with Ubuntu Linux

MSI EdgeXpert 搭載 NVIDIA DGX OS，建基於客製化的 Ubuntu Linux 系統，具備系統最佳化設定、專屬的附加驅動程式，以及診斷和監控工具，提供一個穩定、經過全面測試、可相容的作業系統，可讓 DGX 超級電腦 (EdgeXpert) 執行 AI 運作、機器學習、數據分析等應用程式。出廠時已預先安裝 DGX OS，首次開機將運行設定精靈，以進行系統初始設定，讓用家快速上手使用，帶來開箱即用的特色。

目前開箱的系統版本為 DGX OS 7.5.0 / Ubuntu 24.04 (24.04.4 LTS)，搭載 Linux 核心版本 6.17，提供最新的硬件與安全性更新，以及軟件套件的更新，預裝 NVIDIA GPU 驅動程式 (580.142)、CUDA Toolkit (13.0.2)、cuDNN、TensorRT、NVIDIA AI Workbench、以及更多 NVIDIA AI 堆疊的 AI 框架和工具。開發人員能夠開箱即用，使用 PyTorch、Jupyter、vLLM、TRT-LLM、Ollama 等常用工具與函式庫，在 DGX 超級電腦 (EdgeXpert) 快速進行實驗、微調，以及模型推論。

用家可按照 NVIDIA DGX Spark Build Playbook 指南，簡單安裝佈署 VS Code、DGX Dashboard、Open WebUI with Ollama、ComfyUI、NVIDIA NIM、RAG、LM Studio、OpenClawZ、NemoClaw 等工具，以滿足運行 LLM  對話推理、圖像生成、影片生成、語音生成、程式碼生成、數據分析、機器學習、深度學習等 AI 應用。

DGX Dashboard 在瀏覽器中提供 GUI 介面，提供 System Memory 和 GPU Utilization 實時監控，以及 jupyterlab notebook 工具，並提供系統更新功能。

NVIDIA 提供使用 NVIDIA Sync 工具，為桌面應用程式，可讓本地網絡 (LAN) 中的其他 Windows、macOS 電腦裝置，透過 SSH 遠端連接 DGX 系統裝置 (EdgeXpert)。

NVIDIA Sync 連接 DGX 裝置後，程式主頁會顯示已安裝的 DGX Dashboard、Terminal、Cursor、VSCode、VSCode Insiders 應用程式，並可新增自訂應用程式，提供方便的快捷鍵功能。進入設定頁面後，可管理自訂應用程式和遠端的 DXG 裝置。此外，NVIDIA Sync 新增 Tailscale VPN 功能，透過虛擬區域 IP 遠端連線，外部網絡的外部電腦也能使用 SSH 遠端連接 DGX 裝置主機，不再局限 LAN 網絡連接。

執行 nvidia-smi 指令可顯示 NVIDIA GPU 的驅動程式版本、CUDA 版本、GPU 溫度 / 使用率、程式佔用記憶體情況。

llama.cpp Benchmark

筆者安裝 llama.cpp 工具，參考 Github 效能測試 ，執行 llama-bench -m [model.gguf] -fa 1 -d 0,4096,8192,16384,32768 -p 2048 -n 32 -ub 2048 -mmp 0 指令，以測試 MSI EdgeXperth 在不同模型中的 PP (prefill/prompt-processing) 和 TG (response tokens) 效能。

Benchmark 測試使用 gpt-oss-20b (MXFP4)、gpt-oss-120b (MXFP4)、Qwen3.6-27B (Q8_0 / Q4_K_M)、NVIDIA-Nemotron-3-Nano-Omni-30B-A3B (Q8_0 / Q4_K_M / MXFP4) 模型及量化格式。

gpt-oss-20b (MXFP4) 和 gpt-oss-120b (MXFP4) 分別獲得 PP 4788.82 (tokens/second) / TG 84.21 (tokens/second)、PP 2487.41 (tokens/second) / TG 59.28 (tokens/second)。

Qwen3.6-27B (Q8_0 / Q4_K_M) 分別獲得 PP 942.53 (tokens/second) / TG 7.89 (tokens/second)、PP 855.73 (tokens/second) / TG 11.93 (tokens/second)。

NVIDIA-Nemotron-3-Nano-Omni-30B-A3B (Q8_0 / Q4_K_M / MXFP4) 分別獲得PP 3052.95 (tokens/second) / TG 57.53 (tokens/second)、PP 3191.35 (tokens/second) / TG 76.55 (tokens/second)、PP 3460.41 (tokens/second) / TG 68.87 (tokens/second)。

Open WebUI with Ollama 應用

▲ GPT-OSS-20B

▲ GPT-OSS-120B

參考 Open WebUI with Ollama Playbook，用家可輕鬆建立 Open WebUI 瀏覽器網頁 GUI 介面的 Ollama LLM 模型框架，在本地網絡下透過 SSH 與 MSI EdgeXpert 主機遠端連接，網頁的左上位置可快速搜尋及安裝 LLM 模型。

筆者使用 MXFP4 量化格式的 GPT-OSS-20B 及 GPT-OSS-120B 開源 LLM 模型作示範，分別擁有中型 210 億和大型 1170 億總參數量，前者記憶體需求相對較低，適合快速部署；後者具備更強的指令遵循能力與上下文理解能力，對硬體資源要求更高。搭載 128GB 記憶體的 EdgeXpert 能應付使用需求，兩者均能流暢運行。

GPT-OSS-20B 模型下，MSI EdgeXpert 可提供約 60 Response Token Per Second (tokens per second)，佔用約 20GB ~ 30G RAM 容量。

GPT-OSS-120B 模型下，MSI EdgeXpert 可提供約 40 Response Token Per Second (tokens per second)，佔用約 70GB ~ 80GB RAM 容量。

LM Studio 應用

參考 LM Studio on DGX Spark Playbook，用家可輕鬆建立 LM Studio Service headless 無頭模式，即是無 GUI 介面的 LM Studio，能夠運行 server 服務，下載模型和載入模型，並提供 LM Studio API 和 OpenAI 相容 API。此外，LM Studio 亦提供 LM Link 功能，用家可使用外地網絡的電腦遠端存取使用模型，帶來十分方便的 LLM 使用體驗。

筆者使用沉浸式翻譯瀏覽器插件工具，使用 LM Studio 提供的 OpenAI 相容 API 和 qwen3.5-9b 模型進行即時字翻譯。當 YouTube 影片播放外語字幕時，系統能將其轉換為更自然、易於理解的繁體中文，並以輕微延遲達成近乎即時的翻譯速度，讓觀影體驗更便利、更順暢。

ComfyUI 應用

參考 ComfyUI Playbook，用家可快速建立及部署 ComfyUI 工具，ComfyUI 為主流的圖片影片生成平台，提供 Web UI 介面，可瀏覽器中使用。ComfyUI 支援 Prompt 文字提示詞、圖片、影片作為輸入，提供多種類的模型載入和 Node 節點功能，提供高效且靈活的創作體驗。

筆者以 Flux.2 Klein 4B Text-to-Image Workflow 進行示範，搭配 flux-2-klein-4b-fp8 (distilled) 模型，可透過文字 Prompt 進行文字圖片生成。MSI EdgeXpert 花費約 2 ~ 4 秒完成單次生成 (套用模型後)。

筆者以 Flux.2 Klein 4B Image Edit Base Workflow 進行示範，搭配 flux-2-klein-base-4b-fp8 (undistilled) 模型，可透過一張或兩張圖片結合文字 Prompt 進行靈活的圖片編輯生成。MSI EdgeXpert 花費約 60 ~ 65 秒完成單次生成 (套用模型後)。

OpenClaw 應用

參考 OpenClaw Playbook，用家可快速建立及部署 OpenClaw 工具。OpenClaw 是一個套用 LLM 模型的 AI Agent 助理工具，除了基本的聊天溝通功能外，還能智能地執行用家提供的任務，支援現有的通訊應用程式 (如 WhatsApp、Telegram、Discord)，可直接操作用家主機電腦，自行運作和分析用家的需要，例如搜尋相關資料、系統配置設定、檢查郵件、自動化工具等，同時擁有長期記憶功能，能記憶用家的對話內容和喜好。

筆者把 OpenClaw 連接到 LM Studio server，並使用 Qwen3.6-35B-A3B-MXFP4_MOE 模型。

筆者把 OpenClaw 連接至 Whatsapp，建立 openclaw 機械人風格，執行定時天氣預報的任務。

筆者把 OpenClaw 連接至 Discord，請 OpenClaw 連接到 ComfyUI 工具，把 ComfyUI workflow 轉換至適合格式的 API workflow，使用 /promt 指令快速執行文字圖片生成和圖片編輯生成的功能。

MSI EdgeXpert 運行 Cyberpunk 2077 遊戲，使用 1920x1080、光線追蹤最高 (最高畫質/高材質)設定，開啟 DLSS 效能、MFG 4x 功能，獲有平均 187.69 FPS。

MSI EdgeXpert MS-C931 桌上型 AI 超級電腦

售價︰HK$39,999 (gen4 1TB)、HK$41,999 (gen4 4TB)、HK$43,999 (gen5 4TB)

查詢︰Hornington (3626-9898)

平平評語：

全新 MSI EdgeXpert 為強大的小型平民化的 AI 運算電腦，搭載 NVIDIA GB10 Blackwell 超級晶片和 128GB LPDDR5X 記憶體，提供高達 1 petaFLOP FP4 AI 運算效能，單機可支援高達 200B 參數的大型 AI 模型，並預載 NVIDIA DGX OS 客製化作業系統，提供開機即用的特色。EdgeXpert 僅為 1.14L 超迷你尺寸主機和 1.5kg 重量，搭配 240W PD 電源器，可讓用家在有限空間擺放，並能滿足攜帶外出的需求。搭載 GB10 Blackwell 晶片的 EdgeXpert 電腦與作業系統經過 NVIDIA 的最佳化調校，配合使用 NVIDIA playbook 指南和專屬報署工具，可讓開發人員快速上手使用，以更安全的本地形式進行實驗、微調、模型推論等 AI 應用。在超小型主機尺寸下，提供不俗的 AI 運算性能和大容量 GPU 記憶體能力，可滿足學生、創作者、小規模開發者、小型企業等客群的需求，更能省去昂貴的長期開支。

在儲存容量方面，大型 AI 模型除了需要高容量的 GPU 記憶體外，亦同樣仰賴充足的硬碟空間。一般而言，單個模型檔案的大小通常介於 20GB 至 80GB 之間。筆者認為 EdgeXpert 1TB SSD 版本適合初學者或僅專注於單一應用的開發者，而 2TB 或 4TB 更適合經驗豐富、同時進行多項應用的開發者，以避免因儲存空間不足而影響工作流程。