Stand: 17. Oktober 2026. Viel gemeinsamer Speicher kann einen kleinen KI-Rechner tatsächlich nützlicher machen. Daraus folgt noch nicht, dass jedes neue Notebook sämtliche MacBooks ersetzt. Der vollständige Test von c’t 3003 zeigt konkrete Stärken und Grenzen des ASUS ProArt P14 mit RTX Spark. Evidico prüft die technischen Grundlagen, die Aussagekraft der Benchmarks und die Stellen, an denen aus einem einzelnen Versuch zu viel werden könnte.
Wichtig vorweg: Wir haben kein eigenes Exemplar getestet. Zahlen zu Akkulaufzeit, Geräusch, Tokenrate und Spielen sind berichtete Messungen der Originalredaktion. Der 19:51 Minuten lange Beitrag enthält außerdem eine ausdrücklich gekennzeichnete Werbepassage. Der Werbekunde ist nicht ASUS; das Notebook wird laut Redaktion als Leihgerät ohne Testvorgaben bereitgestellt. Diese Transparenz ist hilfreich, ersetzt aber keine unabhängige Wiederholungsmessung.
Was RTX Spark wirklich verbindet
NVIDIA beschreibt RTX Spark als Plattform mit Grace-Arm-CPU, Blackwell-Grafik und gemeinsamem LPDDR5X-Speicher. Bis zu 128 GB sind möglich, aber nicht in jedem Gerät. ASUS nennt für den ProArt P14 ausdrücklich die große gemeinsame Speicherausstattung als Option. Das kleine Testmodell hat laut Beitrag 32 GB. Wer nur die Plattformhöchstzahl liest, könnte fälschlich glauben, sie sei auch im günstigeren getesteten Gerät vorhanden.
Der globale Produktstart von P14 und P16 wurde am 7. Oktober angekündigt. Die Existenz der Geräte und ihre Arm-Basis sind damit belegt. „MacBook-Killer“ ist hingegen eine zugespitzte Titelfrage, kein technischer Messwert. Entscheidend sind konkrete Software, Speichervariante, Laufzeit und Preis. Die Plattform ist auch nicht mit der DGX Spark-Desktopmaschine gleichzusetzen: Ein anderer Leistungsrahmen und ein anderes Betriebssystem können trotz verwandter Technik wesentlich andere Ergebnisse liefern.
Warum 32 GB nicht 32 GB frei für das Sprachmodell bedeuten
Bei gemeinsamem Speicher greifen CPU und GPU auf denselben großen Bestand zu. Das hilft, wenn Modellgewichte größer sind als der separate Grafikspeicher vieler herkömmlicher Notebooks. Betriebssystem, Browser, Kontextspeicher und weitere Programme beanspruchen denselben Vorrat. 128 GB Gesamt-RAM bedeuten deshalb ebenso wenig 128 GB ausschließlich für die KI wie 32 GB die Sicherheit, jeden großen Agentenablauf parallel ausführen zu können.
Die Originalmodellkarte zu Qwen3.8-27B bestätigt ein dichtes Modell dieser Größenordnung. Eine überschlägige Rechnung mit 27 Milliarden Parametern und vier Bit je Gewicht ergibt allein 13,5 Milliarden Byte. Reale Quantisierungen haben Zusatzdaten und unterschiedliche Formate. Die im Film genannte Größenordnung um 14 GB ist damit plausibel, die konkrete Datei und deren Laufzeitbedarf müssen dennoch getrennt geprüft werden. Kontext benötigt zusätzlich Speicher; wie viel, hängt unter anderem von Länge, Modellarchitektur und Cacheformat ab. 18 GB Gesamtbedarf sind ein beobachteter Anwendungsfall, keine universelle Mindestzahl für jede Konfiguration.
Unified Memory gehört nicht allein NVIDIA
Der Beitrag weist selbst auf Apple und AMD als Alternativen hin. Dass auch AMD große Sprachmodelle über gemeinsamen Speicher ausführen kann, zeigt die eigene technische Dokumentation für Ryzen AI Max. Herstellerbenchmarks bleiben dabei interessengeleitete Primärangaben; sie bestätigen die Funktion und Versuchsbedingungen, nicht automatisch Überlegenheit gegenüber jedem Konkurrenten.
Die Aussage zur NPU ist enger zu lesen: Ein GPU-basierter llama.cpp-Workflow wird nicht allein durch eine vorhandene NPU schneller. Daraus folgt aber nicht, dass NPUs für sämtliche KI-Anwendungen nutzlos sind. Modell, Laufzeitumgebung und tatsächlich angesprochenes Rechenwerk bestimmen den Nutzen. Eine aufgedruckte TOPS-Zahl beantwortet nicht, ob genau Ihr Modell unterstützt wird.
14,5 oder 61 Token pro Sekunde: Welche Frage wird da gemessen?
c’t nennt ungefähr 14,5 Token pro Sekunde für das dichte Modell und knapp 61 für das anders aufgebaute MoE-Modell. Das sind Ergebnisse des berichteten Aufbaus, keine garantierten Werte jeder RTX-Spark-Konfiguration. Die Qwen-Modellkarte des 35B-A3B-Modells beschreibt eine Architektur, bei der pro Token nur ein Teil der Parameter aktiv ist. Ein solcher Wechsel verändert die Modellwahl und nicht bloß den Rechner.
Die offizielle llama-bench-Dokumentation trennt die Verarbeitung eines Eingabetextes, die Erzeugung neuer Token und kombinierte Tests. Bei langen Agentenverläufen kann die Eingabeverarbeitung stark ins Gewicht fallen. Die Zeit bis zur vollständigen Antwort enthält außerdem Dinge, die der reine Benchmark nicht erfasst, etwa Tokenisierung, Werkzeuge, Netzabrufe und Sampling. Hohe Ausgaberate und schnelle Gesamterledigung sind deshalb verschiedene Ziele.
Gut ist, dass die Redaktion eine Grenze offenlegt: Ein AMD-Desktop mit anderem Strombudget wird mit einem Notebook verglichen, außerdem stammen einzelne Apple-Werte von einem Mac mini. Für einen fairen Effizienzrang bräuchte es identische Aufgabenergebnisse und gemessene Energie pro Aufgabe unter vergleichbaren Bedingungen. Der niedrigere zugelassene Leistungsrahmen allein beweist keine allgemein höhere Effizienz. Ebenso wenig lässt sich aus einer nominellen TDP der komplette Stromverbrauch an der Steckdose ableiten.
Mehr Tempo durch Vorausberechnung ist möglich, 25 Prozent sind keine feste Garantie
Bei spekulativer Decodierung werden Token vorgeschlagen und durch das Zielmodell geprüft. Die llama.cpp-Dokumentation zeigt das Prinzip. Bei korrekt implementiertem exaktem Sampling lässt sich so die Zielverteilung erhalten. Der Geschwindigkeitsgewinn hängt jedoch davon ab, wie viele Vorschläge angenommen werden und welchen Zusatzaufwand das Verfahren erzeugt.
„Mindestens 25 Prozent mehr“ sollte deshalb als Erwartung aus bestimmten Versuchen gelesen werden, nicht als zugesicherte Untergrenze für jeden Prompt, jede Quantisierung oder jeden Build. Auch ist eine Qualitätserhaltung durch das Decodierverfahren etwas anderes als die Qualitätserhaltung nach stärkerer Gewichtskomprimierung. Das sind zwei getrennte Eingriffe.
34 Punkte sind belegt – aber nicht die gesamte Wahrheit über das Modell
Der aktuelle Vergleich von Artificial Analysis weist für Qwen3.8-27B in der Xhigh-Einstellung 34 Punkte aus, für das genannte MoE-Modell in dessen getesteter Reasoning-Konfiguration 18. Das stützt die im Video gezeigte Einordnung innerhalb dieses Index. Es belegt nicht, dass die lokal quantisierte Variante in jeder Anwendung genau dasselbe Ergebnis liefert.
Der Index ist nach der offenen Methodik eine Zusammenfassung verschiedener Prüfungen, darunter Arbeit mit Werkzeugen, Programmieren, Schlussfolgern und Wissenszuverlässigkeit. Er ist kein AGI-Prozentwert und auch kein reiner Werkzeugtest. Die Aussage, er habe mit Wissen nur wenig zu tun, verkürzt seine Zusammensetzung. Unterschiedliche Teilprüfungen und Einstellungen gehören zur Interpretation dazu. Eine gelungene oder misslungene automatisch erzeugte Website bleibt ein anschauliches Beispiel; daraus entsteht noch keine allgemeine Fehlerquote des Modells.
Lokales Modell bedeutet bei einem Internetagenten nicht automatisch vollständig lokale Daten
Ein auf dem Notebook ausgeführtes Modell kann ohne externe Inferenz auskommen. Wenn der Agent anschließend Webseiten abruft, Informationen sucht oder einen Cloud-Dienst ansteuert, verlassen dennoch Anfragen das Gerät. Die im Video gezeigte Recherche über einen Menschen benötigt solche externen Quellen. Lokale Gewichte allein garantieren daher weder richtige Biografien noch einen vollständig netzfreien Arbeitsablauf. Welche Werkzeuge Zugriff haben, bleibt entscheidend.
CUDA ist ein echter Vorteil für passende Workflows, kein allgemeines Monopol
CUDA ist NVIDIAs eigene Plattform. Manche Erweiterungen und Modelle sind darauf besonders gut abgestimmt. Aus „mit CUDA bequemer“ wird aber nicht „nur mit NVIDIA möglich“: Die offiziellen ComfyUI-Anforderungen nennen auch AMD und Apple Silicon. Der Originalbeitrag räumt diese Alternativen ebenfalls ein.
Vor einer Anschaffung zählt deshalb die konkrete Liste aus Modell, Erweiterungen, Treibern und unterstütztem Backend. Die erfolgreiche Photoshop-Ansteuerung im Film zeigt eine funktionierende Werkzeugkette. Ob sie eine bestimmte produktive Aufgabe zuverlässiger oder günstiger erledigt, wird durch ein einzelnes aufwendig wirkendes Bild nicht bewiesen.
Spielen auf Arm funktioniert vielfach, ist aber kein Vollkompatibilitätsversprechen
Microsoft beschreibt die x86/x64-Emulation von Windows auf Arm über Prism. Damit ist die grundsätzliche Erklärung des Films richtig. Die gemeldeten 63 fps in Cyberpunk 2077 gelten für das genannte Ultra-Preset ohne Raytracing in Full HD und den Testaufbau der Redaktion. Das ist kein Versprechen für sämtliche Spiele, Anti-Cheat-Systeme, Treiber und Versionen. Auch mit DLSS erzielte Werte wären ohne gleiche Einstellungen nicht direkt vergleichbar.
Ein selbst angepasstes Linux ist noch kein offiziell fertiges Gesamtpaket
Die Redaktion berichtet zunächst von fehlenden Eingabe- und Grafiktreibern und später vom erfolgreichen Einsatz nach Kernelanpassung. Dies ist kein logischer Widerspruch, sondern ein im Film nachgelieferter Entwicklungsstand. Die öffentliche Plattformspezifikation nennt Windows 11 als Betriebssystemunterstützung; daraus ist keine offizielle Linux-Vollunterstützung des konkreten Notebooks ableitbar.
Die berichteten 9 beziehungsweise 14 Prozent Mehrtempo unter Linux bleiben Vergleiche der Redaktion mit bestimmten Builds. Sie lassen sich weder auf jede Linux-Distribution übertragen noch als von Evidico reproduziert kennzeichnen. Wer auf eine verlässlich funktionierende Arbeitsmaschine angewiesen ist, muss neben dem Startbildschirm auch Tastatur, Touchpad, Energiemanagement, Standby und Grafik prüfen.
Laufzeit, OLED, Lüfter und Preise: Verschiedene Messbedingungen beachten
19 Stunden Videolaufzeit bei 200 Nits beschreiben keine 19 Stunden KI-Rechenlast. Die ASUS-Produktseite nennt eine HDR-Spitzenhelligkeit; der Film nennt dagegen 599 Nits aus einem konkreten Labortest. Beide Zahlen können wegen anderer Messbedingungen nebeneinander stimmen. Lautstärkeangaben in Sone benötigen gleiche Lastszenarien. Die Störung durch häufiges Lüfteranlaufen im Leerlauf ist darüber hinaus eine nachvollziehbare Erfahrung des Testers, kein von uns gemessener Serienfehler.
Die genannten Europreise hängen von Ausstattung, Zeitpunkt und Händler ab. Sie werden hier nicht als aktuelle Kaufangebote bestätigt. Ein 32-GB-Leihgerät, eine 128-GB-Option und ein 48-GB-MacBook bilden unterschiedliche Pakete. Die Herstellerseiten bestätigen die Produktfamilien; ein allgemeiner Preis-Leistungs-Sieger entsteht daraus nicht.
Schweizer Cloud: Den Werbesatz zu US-Gesetzen eng begrenzen
Der Sponsor Infomaniak beschreibt sich als unabhängigen Schweizer Anbieter mit eigener Infrastruktur. Das ist für die Frage nach Anbieterabhängigkeit relevant. Die im Werbeblock weitgehende Zusage, mit keinem US-Gesetz könne auf Daten zugegriffen werden, geht als absolute Rechtsgarantie jedoch zu weit.
Nach dem US-Justizministerium hängt die direkte Herausgabepflicht unter dem CLOUD Act unter anderem von Gerichtsbarkeit und Datenkontrolle ab, nicht allein vom Serverstandort. Daneben bestehen internationale Rechtshilfewege. Ein Schweizer Standort allein beweist folglich keine Unmöglichkeit jedes rechtmäßigen US-Auskunftsersuchens. Das ist keine Behauptung eines heimlichen Zugriffs bei diesem Anbieter, sondern die Begrenzung einer pauschalen Werbeaussage.
Das sinnvolle Fazit ist eine Anforderungsfrage
Großer gemeinsamer Speicher, CUDA und eine Arm-basierte Windows-Plattform sind reale Eigenschaften. Benchmarks können helfen, wenn Modell, Speicher, Softwareversion und Leistungsrahmen mitgenannt werden. Der Originaltest liefert dafür nützliche Beispiele und benennt etliche Grenzen selbst. Für einen allgemeinen MacBook-Killer fehlen dagegen ein einheitlicher Vergleichsmaßstab und ein Ergebnis, das auf alle Nutzer passt. Entscheidend ist, welche Programme und Modelle tatsächlich laufen sollen und welche Grenzen man akzeptieren kann.