DEEPX DX-M2：2nm 80TOPS 5W 跑 10B 模型，边缘芯片怎么选

一句话结论：韩国边缘 AI 芯片公司 DEEPX 在 2026 年 11 月 10 日宣布，下一代芯片 DX-M2 入选 CES 2027 人工智能类别创新奖，它采用三星 2nm GAA 工艺，集成 80 TOPS 算力、功耗约 5W，可挂载最高 96GB 的 8 通道 LPDDR5X 内存，在设备本地跑 10B 以上参数的大语言模型与视觉语言模型，首批试制品预计 2027 年 3 月交付，正式量产排在 2028 年。

如果你正在给机器人、工业相机或者车载设备选推理加速卡，大概率正在 Jetson Orin Nano、Hailo-8、瑞芯微 RK3588 和 Intel NPU 之间反复横跳。DEEPX 这次发布的 DX-M2 把选择范围又拉宽了一档：它用 2nm 工艺换来了 80 TOPS 的整数算力，并且把整机的功耗压到 5W 这个量级，规格上限可以摸到 100B 参数模型。

这篇把 DX-M2 已经公开的规格、SDK 生态、官方实测精度和量产节奏逐项拆开，顺便和主流边缘芯片做一次横向对比，帮助你判断这款芯片值不值得等两年。

DX-M2 是什么：全球首款 2nm 边缘 AI 加速器

DX-M2 是 DEEPX 第二代旗舰级边缘 AI 加速芯片，定位是让大模型推理在设备本地完成，不再把数据发往云端数据中心。DEEPX 在 2024 年 CES 拿到 3 个门类奖项，2026 年 CES 再拿 2 个，DX-M2 是这家公司第三次登上 CES 创新奖舞台，2027 年的奖项归类在人工智能门类，评级为 Honoree。

芯片由三星电子代工，采用 2nm GAA（SF2P）工艺。DEEPX 在 2026 年 11 月初完成设计数据交付的流片，也就是媒体所称的光罩流片，官方给出的时间表是 2027 年 3 月拿到首批试制品，2027 年第二季度向客户交付评估样品，2027 年第四季度开始初期量产，2028 年进入正式量产。CES 2027 本身将在 2027 年 1 月 6 日至 9 日于拉斯维加斯举办，届时展台会进一步展示实物。

前一代 DX-M1 用的是三星 5nm 工艺，2025 年 8 月开始量产。DEEPX 公布的数据显示，DX-M1 目前已在 10 多个国家拿到 1330 万美元订单。对一家把全部收入押在边缘推理芯片上的公司来说，这个体量说明赛道确实有真实采购方，但离 DX-M2 所描述的市场规模还有距离。

核心规格：80 TOPS、5W、96GB 内存的三个数字

DX-M2 官方产品页给出的三个核心计数器是：世界首款 2nm 边缘 AI 加速器、80 TOPS NPU 算力、约 5W 功耗，配套最高 153.6 GB/s 的内存带宽和约 30 TPS 的单批次生成速度，官方表述的模型规模上限是约 100B 参数级别。CES 官方产品说明中的口径更保守一些，写的是 5W 级 AI 加速器、80 TOPS 性能，模块标准形态下整机设计功耗约 10W。

内存是这颗芯片最值得关注的部分。DX-M2 支持 128bit 的 LPDDR5X-9600 接口，可以挂 4 颗 24GB 颗粒组成 96GB，8 通道对应 153.6 GB/s 带宽。这个容量对本地跑大模型的意义在后面会展开讲，因为它直接决定了模型能不能整份驻留在显存里。

这里需要提醒一点：80 TOPS 是整数运算指标，实际跑大语言模型时的瓶颈通常在内存带宽而非算力。153.6 GB/s 的带宽配上 96GB 容量，这类场景以权重全驻留、每轮只做一次前向为主，固定视频流的实时分析正落在这一档；每秒处理几十帧的密集生成任务则超出了这条路径的舒适区。

三个型号怎么选：DX-M2F、DX-M2M 与 DX-M2M Pro

DX-M2 系列由三颗芯片组成，是一条产品线。DEEPX 按内存是外挂还是封装内置、容量大小和接口形态，分了三个型号。这个区别很关键，因为封装内置内存的型号在 2026 年 11 月还处于暂定规格阶段，量产版本随时可能调整。

简单说，DX-M2F 是给需要大内存、且能接受外挂内存颗粒的开发板和工控机准备的，17×17 的 BGA 封装面积小，支持 PCIe 插卡形态，接入现有服务器的难度最低。DX-M2M 系列把内存直接做进封装，模组更小、启动更快、信号完整性更好，代价是容量上限被压在 24GB 或 48GB，功耗也要算上 DRAM 的那一份。

如果你要在机器人本体或小型网关里塞一颗，M.2 形态的 DX-M2M Pro 是更现实的选项，48GB 足够放下一个 10B 量化模型加视觉编码器，还留了余量。想要更大模型或多路并发，DX-M2F 的 PCIe 形态几乎没得选。

DXNN SDK：不改代码就能跑起来

DEEPX 把 DXNN SDK 分成三层：连接层允许直接接入现有框架和 API，官方列出的兼容清单包括 OpenAI 兼容接口、PyTorch、llama.cpp、Ollama、vLLM、ExecuTorch；优化层提供 M2 原生的 DX-LLM 运行时，做模型、内存和计算优化，并配备 NPU 与 DSP 计算库；统一层是 M2 中间件和驱动 HAL，加上统一编译器和自定义算子构建流程。

这一层的意义在迁移成本。做过端侧推理的人都知道，把一个模型从 CUDA 搬到 NPU 上，量化误差、算子不支持、精度对齐是三座大山。DEEPX 的做法是让现有代码路径先跑起来，再由编译器和模型库接手优化。如果你的项目已经在用 llama.cpp 或 Ollama，参考站内这篇 MLX 跑 8B 模型实测：比 Ollama 快 17% 里的性能对比方法，评估 DX-M2 时可以在同一台机器上跑一遍换硬件对照。

官方模型库（Model Zoo）里的覆盖范围相当广，文本生成有 Llama 3.1 8B、Qwen3 4B、Qwen2.5 Coder 系列、DeepSeek-R1-Distill-Llama-8B、Mistral 系列、Phi-4-mini、gpt-oss-20b；多模态有 Qwen3-VL 2B 与 8B、gemma-4 系列、InternVL3.5 系列；图像生成有 stable-diffusion 3.5 large 与 medium、FLUX.2-klein-4B；语音有 whisper-large-v3 与 turbo；机器人方向有 GR00T-N1.7-3B、openvla-7b、pi0、pi05、Alpamayo-R1-10B。DEEPX 还把这些模型的推理调用统一到 DX-LLM 运行时上。

官方实测精度：W8A8 量化后没有掉点

DEEPX 在产品页公开了一组自己在设备上跑的量化对比，方法是拿 W8A8 量化版本与 bf16 基线做精度对齐。这一组数字值得看，因为它回答了「量化到底损失多少」这个端侧部署里最常见的疑问。

九个模型的量化差值全部落在 0 到 0.57 之间，没有出现负值。这是厂商自测数据，测试集和评分脚本没有完全公开，但至少说明 W8A8 这条路线的量化损失在 DX-M2 上控制得比较干净。对比站内 本地大模型显存怎么算：8B 每 1K 上下文 144MB 里的估算方法，可以先按这个公式算清你的模型要吃多少内存，再看 DX-M2 的 24GB / 48GB / 96GB 三档容量是否够用。

横向对比：DX-M2 和主流边缘芯片差在哪

把 DX-M2 放到边缘推理芯片的坐标系里看，它的定位相当清晰。算力密度极高，功耗极低，内存容量大，代价是算力绝对值在旗舰桌面级面前并不突出。

DX-M2 在 TOPS 上打不过 AGX Orin，但对手的功耗和板载内存规模都在另一个量级。Orin Nano 的 16GB 板载内存装不下一个 10B 的 4bit 量化模型加运行时，DX-M2 的 96GB 可以。这就是 96GB 这个数字真正的意义：它把「模型整份驻留」这件事从算力权衡变成了容量权衡，直接决定你能不能避免 CPU 与内存之间的搬运开销。想知道内存搬运到底吃多少时间，可以参考站内 NVIDIA Dory 1.0 4B 怎么跑：3.7GB GGUF 四档算力实测 里对四档硬件的实测对照。

另外一条线索是能效比。DEEPX 的产品页专门用了一节讲每瓦能跑多少智能体，对比对象包括数据中心 CPU 方案，这类口径在服务器侧同样受关注，站内 英伟达 Vera CPU 实测：每瓦多跑 1.6 倍智能体 给出了同类的能效视角。

什么时候能买到：2027 年 3 月出样，2028 年量产

这是决定要不要等的关键变量。按 DEEPX 公布的时间表：

• 2026 年 11 月初，DX-M2 完成流片，设计数据交付三星代工
• 2027 年 1 月 6 日至 9 日，CES 2027 展会，展示实物与完整规格
• 2027 年 3 月，首批试制品到手
• 2027 年第二季度，向客户交付评估样品
• 2027 年第四季度，初期量产开始出货
• 2028 年，进入正式量产

也就是说，如果你的项目排期是今年或明年的量产设备，DX-M2 不在选项里，只能继续用现有方案。如果是 2027 年下半年启动、2028 年量产的项目，它值得进入选型清单，等 2027 年第二季度的评估样品做实测验证。

还要留意 DX-M2M 和 DX-M2M Pro 目前标注为暂定的规格。19×19 与 29×21 的封装尺寸、24GB 与 48GB 的内置内存配置、功耗拆分，官方都留了变数。真正可依赖的是 DX-M2F 这一路，它的规格表述最完整，因为外挂内存方案不需要在封装内解决内存堆叠问题。

从应用形态看，DEEPX 把目标场景放在机器人与工业设备。官方模型库里已经放进了 NVIDIA GR00T-N1.7-3B、openvla-7b、pi0、pi05、Alpamayo-R1-10B 这类机器人策略模型，配合 Qwen3-VL 这类视觉语言模型。视觉语言模型的实际部署延迟表现，可以参照站内 智元 WITA-Omni：400 毫秒响应与四榜第一 的实测口径。图像生成类任务在 DX-M2 上同样有官方实测，站内 Qwen-Image 与 FLUX 显存对比：22GB 卡跑 1024 给出了同类模型在不同显存条件下的表现基线。

常见问题

DX-M2 能跑多大的模型，10B 是硬上限吗

硬上限取决于容量档位。官方口径是约 100B 参数级模型可本地运行，但这个数字依赖内存容量与量化方案。DX-M2F 满配 96GB 时才有足够空间容纳 100B 的 4bit 量化权重加上运行时开销，DX-M2M Pro 的 48GB 对应的实际可用规模大约在 20B 到 30B 区间。按每 1K 上下文 144MB 的显存增量估算，模型能跑起来之后剩余的才是上下文空间。

现在能买到 DX-M2 吗

不能。芯片 2026 年 11 月初才完成流片，首批试制品预计 2027 年 3 月交付，评估样品在 2027 年第二季度，初期量产从 2027 年第四季度开始，正式量产在 2028 年。当前阶段只能通过 DEEPX 官方渠道登记关注，等待评估样品。

DXNN SDK 兼容 OpenAI 接口意味着什么

意味着现有调用 OpenAI 兼容接口的客户端代码可以把 base URL 指向本地 DX-M2 服务，不用改业务逻辑就能把请求从云端切到本地。这对已经跑通 OpenAI 接口的项目迁移成本最低。真正的性能收益还需要 DX-LLM 运行时和定制算子库介入，因为通用兼容路径通常拿不到峰值算力。想了解端侧框架切换的性能差异，可以看站内 MLX 跑 8B 模型实测：比 Ollama 快 17%。

小结

DX-M2 的三个数字值得记住：80 TOPS、约 5W、96GB LPDDR5X。它用 2nm 工艺把边缘 AI 加速器的能效比推到一个新位置，真正的差异化在内存容量和官方 W8A8 量化精度数据。对做机器人、工业视觉和本地多模态的团队来说，这是 2027 年之后值得重新评估的选项。

但时间线同样要记住：2027 年 3 月才有试制品，2028 年才正式量产。如果你的项目周期在两年以内，现在就该继续围绕 Jetson Orin、QCS8550 和 Hailo 路线做优化，参考站内 本地大模型显存怎么算：8B 每 1K 上下文 144MB 这类容量估算工具，先把现有硬件榨干。

相关阅读

• DEEPX DX-M2 边缘 AI 芯片：2nm 80TOPS 功耗 5W
• 本地大模型显存怎么算：8B 每 1K 上下文 144MB
• NVIDIA Dory 1.0 4B 怎么跑：3.7GB GGUF 四档算力实测
• Qwen-Image 与 FLUX 显存对比：22GB 卡跑 1024