Asus’un yeni mini yapay zeka süper bilgisayarı Ascent GX10’u inceliyoruz.
GX10, yerel yapay zeka işleriniz için optimize edilmiş kompakt ve sessiz bir süper bilgisayar. GX10 küçük boyutlarına rağmen 1 petaFLOP işlem kapasitesi ve verimli bir çalışma süreci sunuyor. Bunu da içerisindeki NVIDIA’nın geliştirdiği ARM tabanlı işlemci ve Blackwell mimarili GPU sayesinde başarıyor. İncelememizde bu özelliklere ve yapay zeka performansına yakından bakacağız.
Tasarım
Mini bilgisayarımız 15x15x5 cm boyutunda ve 1.48 KG ağırlığa sahip. Köseli bir tasarımı bulunan GX10’un gövdesi ise metalden yapılmış. Üst kapak ise cam-plastik gibi bir malzemeden oluşuyor ki bu da aslında WiFi ve Bluetooth bağlantılarının engellenmemesi için gerekli. Gücünü ise 240 Wattlık adaptörden alıyor ve yoğun yük altında en fazla 210W’a yaklaşabiliyoruz. Boşta ise 50-55W civarında geziyor GX10. Tüm giriş çıkış noktaları arkada ve bunlara baktığımızda;
- 3x 20 Gbps hızında ve DP alt modu da bulunan Type C portu.
- 1x 180W PD 3.1 destekli 20 Gbps Type C.
- 1X HDMI 2.1
- 1x 10 Gbit Ethernet girişi.
- 1x Kensington Kilidi.
- 2x NVIDIA ConnectX 7 bağlantısı. Bu bağlantı sayesinde 2 adet GX10’u birleştirip işlem kapasitemizi arttırabiliyoruz.
- Cihazda Type A USB portları ise bulunmuyor.
Soğutma sistemi ise havayı alt kısımdan alıyor ve arkadan tahliye ediyor. Tam yük altında GPU’muz 89 dereceye ulaşabiliyor ancak performans kaybı minimum düzeyde kalıyor.
Donanım Özellikleri
Girişte bahsettiğimiz gibi bu ARM tabanlı bir bilgisayar ve içerisinde özel bileşenler bulunuyor.
- 20 çekirdekten oluşan ARM v9.2-A işlemci.
- 20 çekirdeğin 10’u Cortex-X925 ve diğer 10 tanesi de Cortex-A725 mimarisine dayanıyor.
- RAM ise 128 GB LPDDR5X. Belleklerin veri yolu 256 bit ve 273 GB/sn bant genişliğine sahip. Yüksek bant genişliği önemli zira bu RAM, GPU ile ortak kullanılıyor.
- GPU’muz ise NVIDIA’nın Blackwell mimarili FP4 işlemleri için 1 petaFLOP’a kadar hesaplama kapasitesi sunan özel GB10 modeli. CPU ile NVLink üzerinden iletişim kuruyor.
- Depolama tarafında ise 1, 2 ve 4 TB M.2 2242 boyutlarında PCI-e 4.0 SSD’li seçenekler mevcut ancak elimizdeki modelde 1 TB SSD bulunuyor. Ayrıca 4 TB modelde PCI-e sürümünün 5.0 olarak belirtildiğini paylaşalım.
- Kablosuz olarak WiFi 7 ve Bluetooth 5.4 bağlantı seçenekleri öne çıkıyor.
Yazılım Özellikleri
Ascfent GX10’un içerisinde Ubuntu tabanlı, özelleştirilmiş NVIDIA DGX OS bulunuyor. İlk açılışta temel bilgileri grafik arayüzünden girip kullanmaya başlayabiliyoruz hemen.
NVIDIA sürücüleri ve geliştirme araçlarına ek olarak izleme araçları, NVIDIA Sync ve X11 pencere sistemi gibi bazı optimizasyonlar sunuyor DGX OS.
Bunların yanında ARM tabanlı ve güncel bir donanımla geldiği için NVIDIA, test edilmiş ve adımları takip ettiğinizde genellikle direkt çalıştırabileceğiniz PlayBooklar sunuyor. Bu PlayBooklar size yetmezse ve kendiniz bir özelleştirme yapmak isterseniz ARM ve yeni GPU’ya uygun derlemeler yapmanız gerekebilir.
Cihazın BIOS’una baktığımızda güvenlik ayarlarını görüyoruz, ayrıca RAM’i şifreleme ayarı da bulunuyor. Yine firmware bilgileri, temel internet ayarları ve boot seçeneklerini görüyoruz.
Son olarak DGX OS’u ASUS’un destek sayfasından indirip kurabildiğinizi belirtelim.
Performans
GX10’un en öne çıkan özelliği muhtemelen küçük ve verimli yapısıyla büyük dil modellerini çalıştırabilmesi. Özellikle FP4 ile quantize edilmiş modellerde büyük başarım sergiliyor. Büyük, çok güç tüketen ve gürültülü çalışan iş istasyonlarının aksine sessiz ve verimli bir şekilde istediğiniz yerde çalışıyor. 128 GB Unified RAM sayesinde 200 milyar parametreye kadar dil modelleriyle çalışabilmenizi sağlıyor. Sistem tam yük altındayken cihazın arka taraflarına doğru sıcaklık 50 dereceye kadar geliyor. Yine tam yükte ise ses şiddeti bir karış mesafeden 34-35 dB oluyor ki zaten fan sesi de dikkat etmediğiniz sürece duyulmuyor.
Yapay zeka testlerine geçeceğiz ancak önce CPU performansına bakalım.
İşlemcimiz ARM olduğu için test platformlarımız kısıtlı. Aslında Phoronix Test Suite ile kapsamlıca performansı test edecektik ancak güncel mimari ve ARM için bazı testler çalışmadı ve eksik sonuç almak istemedik. Zaten bu bilgisayarı çoğunlukla yapay zeka için kullanacaksınız, o yüzden daha çok buna ağırlık verdik.
İşlemci için Geekbench’in Beta ARM sürümünü kullandık. Elde ettiğimiz skorlar ise şöyle:
- Tek Çekirdek: 3075
- Çok Çekirdek: 18544
Yapay Zeka Performansı
Yapay zeka testleri için de hem hazır dil modellerini çalıştırdık hem de NVIDIA’nın PlayBook’larındaki görsel ve metin tabanlı yapay zeka araçlarını kullandık. Genel olarak hızlı ve başarılı sonuçlar almak mümkün. 128 GB ortak bellek ile büyük modelleri GPU’ya yükleyip çalıştırabiliyoruz.
LM Studio ile hazır dil modellerinin token performansına bakalım.
- OpenAI gpt-oss-2b: 58 token/sn
- Mistral magistrall-small: 3.08 token/sn
- Meta llama-3.3-70b: 4.18 token/sn
- OpenAI gpt-oss-120b: 39.53 token/sn
- Google gemma-3n-e4b: 37.37 token/sn
- Qwen qwen3-14b: 18.13 token/sn
- Qwen qwen3-8b: 32.61 token/sn
Bir diğer testimiz YoLo ile görüntü işleme performansı. Test için YoLo’daki benchmark komutunu kullandık.
- yolo11n
- coco
- imgsz=640
| Format | Status | Size (MB) | metrics/mAP50-95(B) | Inference time (ms/im) | FPS |
| 1 PyTorch | Success | 5.4 | 0.3922 | 130.59 | 7.66 |
| 2 TorchScript | Success | 10.5 | 0.3912 | 124.53 | 8.03 |
| 3 ONNX | Success | 10.2 | 0.3912 | 33.88 | 29.51 |
| 4 OpenVINO | Success | 10.4 | 0.3913 | 18.93 | 52.81 |
| 5 TensorRT | Failed | 0.0 | – | – | – |
| 6 CoreML | Failed | 0.0 | – | – | – |
| 7 TensorFlow SavedModel | Success | 25.7 | 0.3912 | 37.59 | 26.61 |
| 8 TensorFlow GraphDef | Success | 10.3 | 0.3912 | 38.97 | 25.66 |
| 9 TensorFlow Lite | Success | 10.3 | 0.3912 | 67.89 | 14.73 |
| 10 TensorFlow Edge TPU | Failed | 0.0 | – | – | – |
| 11 TensorFlow.js | Failed | 0.0 | – | – | – |
| 12 PaddlePaddle | Success | 20.5 | 0.3912 | 103.8 | 9.63 |
| 13 MNN | Success | 10.1 | 0.3913 | 13.82 | 72.37 |
| 14 NCNN | Success | 10.2 | 0.3908 | 23.21 | 43.08 |
| 15 IMX | Failed | 0.0 | – | – | – |
| 16 RKNN | Failed | 0.0 | – | – | – |
| 17 ExecuTorch | Success | 10.2 | 0.3912 | 183.97 | 5.44 |
ComfyUI’ı da kolayca kurup çalıştırabiliyoruz. Flux ve Qwen ile resim oluşturmayı da hızlı bir şekilde gerçekleştirebiliyoruz.
Qwen Image ile varsayılan ayarlarda resim 215 saniyede oluşturuluyor.
Varsayılan resim oluşturma işlemi ise yaklaşık 7 saniye sürüyor.
NeMo ile de Fine-Tuning testi yapıyoruz. Qwen/Qwen2.5-7B modelini kullanıyoruz bu iş için.
İşlem boyunca saniyede ortalama 900 token hız alabiliyoruz GX10’dan.
Yine LLaMA Factory’yi de kurup test ediyoruz. Buradan dil modellerini seçip hızlıca istediğiniz özelleştirmeleri yapmak mümkün.
Bizim test senaryomuzda ortalama 500-600 throughput verebiliyor Ascent GX10.
Yerel yapay zekaları kolay ve hızlıca çalıştırabiliyoruz. Dilerseniz direkt cihaza monitör bağlayıp grafik arayüzüyle de cihazı kullanabilirsiniz. SSH veya NVIDIA Sync ile de uzaktan erişmek mümkün. NVIDIA Sync’i Windows, MacOS ve Linux’ta kullanabiliyorsunuz. Hatta Tailscale ile yapılandırdığınız zaman kolayca evinizin dışından yerel yapay zeka araçlarınıza erişebilirsiniz.
Bir kıyas olması bakımından elimizdeki Mac Mini M2 Pro 16 GB ile LM Studio’da test yaptık. 16 GB RAM yüzünden genellikle küçük modelleri çalıştırabiliyoruz ancak performans farkını görmek için yine de paylaşalım.
- Google gemma-3n-e4b: 39.58 token/sn
- Qwen qwen3-4b: 57.16 token/sn
- Qwen qwen3-8b: 36.16 token/sn
Hafızaya sığdırabildiğimiz modeller hemen hemen benzer hızlarda çalışıyor ancak daha büyük modelleri çalıştıramıyoruz 16 GB RAM ile.
Son olarak bu cihazda oyun oynanabiliyor mu diye merak eden kullanıcıları da unutmadık. ARM tabanlı olduğumuz için pek seçeneğimiz yok aslında. Test için CrossOver’ın ARM uyumluluk katmanını kullandık ve Steam oyunlarını test etmek istedik. Forza Horizon 5 ve Cyberpunk 2077’yi çalıştıramadık ancak Counter Strike 2 çalıştı. FPS’miz 1080p’de 120’nin üzerinde seyrediyor ancak ufak FPS dalgalanmaları yaşıyoruz. Ayrıca oyun rastgele anlarda direkt çöküyor. Bazen ise sistemin kilitlenmesi ile sonuçlanabiliyor.
Aslında biraz uğraşla oyun da oynanabilir, bunun en güzel örneği, geçtiğimiz günlerde bir Reddit kullanıcısının CyberPunk 2077’yi Ultra RT ve 1080p’de DLSS yardımıyla 170 FS civarında çalıştırabilmesi. Biz de bunu test etmek isterdik ancak cihaz elimizde o kadar uzun süre kalmadı maalesef.
Artılar
- FP4 tabanlı yerel yapay zeka iş yüklerinde başarılı performans.
- Sessiz.
- Verimli.
- Hızlı ve stabil bağlantı özellikleri. 3 Type C noktasından da görüntü alabiliyoruz.
- Ölçeklenebilir mimari.
- NVIDIA’nın sunduğu yardımcı araçlar ve kılavuzlar.
Eksiler
- Bir tık fazla ısınabiliyor ancak throttle yaşamıyoruz.
- Type A USB portları yok ancak bir kere ayarladıktan sonra uzaktan yönetilebildiği için çok sorun değil.
- 1 TB SSD yetersiz olabilir ancak yükseltilebiliyor.
Sonuç
ASUS Ascent GX10 kompakt ve sessiz yapısıyla beğenimizi kazanıyor. NVIDIA’nın güçlü GPU’sunu sessiz ve şık bir formda kullanıcılara sunuyor.
Yapay zeka iş yükleri için optimize edilmiş donanım ve yazılımla özel çalışmalarınızı yürütebiliyorsunuz. Özellikle FP4 tabanlı iş yüklerinde performans çok iyi düzeyde. NVIDIA’nın sunduğu PlayBook’lar ve NVIDIA Sync gibi yardımcı yazılımlarla da yapay zeka işinde yeni olan kullanıcılar için de kolaylık sağlanıyor.
Benzer performansı birden fazla NVIDIA ekran kartını kullanarak da elde etmek mümkün olabilir ancak GX10’un avantajı bu gücü ufak form faktöründe, taşınabilir ve verimli olarak sunması. Sonuçta yapay zeka işleri uzun zaman alıyor ve büyük masaüstü PC’lerden daha az güç tüketmesi de işin ekonomik boyutunu yansıtıyor. Ayrıca 128 GB hızlı belleğin tamamına yakınını bu iş için kullanabiliyoruz.