- Nový čip Nvidia RTX Spark kombinuje 20jádrový procesor, grafiku Blackwell a 128 GB sjednocené paměti
- Mnou testovaný Asus ProArt P14 nabízí výborný dotykový OLED, kvalitní zpracování a bohatou konektivitu
- Využití s lokální AI je zajímavé, počítat ale musíte s vysokou pořizovací cenou
Nvidia se po letech, kdy dodávala především grafické čipy, pouští do světa počítačových procesorů. Výsledkem je zbrusu nová platforma RTX Spark, která v jediném čipu spojuje výkonný procesor, grafiku a až 128 GB sjednocené paměti. Jedním z prvních notebooků na trhu, které tuto kombinaci využívají, je Asus ProArt P14. Čtrnáctipalcový model na první pohled připomíná běžný prémiový ultrabook, uvnitř ale ukrývá hardware navržený především pro práci s lokální umělou inteligencí.
Klady
- špičkový 120Hz Tandem OLED displej
- kvalitní zpracování a kompaktní konstrukce
- 128 GB sjednocené paměti pro náročné lokální AI modely
- bohatá konektivita včetně tří USB4
- pohodlná klávesnice, haptický touchpad a kvalitní reproduktory
- malý pokles výkonu při provozu na baterii
Zápory
- velmi vysoká pořizovací cena
- pomalé generování u lokálních AI modelů
- výrazná hlučnost při náročném zatížení
- omezená kompatibilita některých aplikací a her na Arm
- slabá výdrž baterie při využívání GPU
- pouze 1TB SSD vzhledem k ceně
Testovaná konfigurace má rovnou 128 GB paměti, což je hodnota, kterou v současnosti jen tak běžně u notebooků nenajdete. Zaujme také špičkovým dotykovým OLED displejem, elegantním hliníkovým tělem nebo hmotností pod 1,5 kilogramu. V obchodech na něj narazíte za přibližně 126 tisíc korun. Dokáže si Asus ProArt P14 obhájit takto vysokou částku?
Abychom možnosti lokální umělé inteligence otestovali skutečně důkladně, připravili jsme s pomocí AI vlastní sadu benchmarků, které jdou výrazně dál než běžné měření výkonu a rychlosti generování textu. Modely v nich musí od nuly vytvářet webové aplikace, interaktivní 3D scény, „počítačové hry“ s procedurálně generovanými světy nebo detailní modely v Blenderu. Nechybí ani praktické úkoly, jako je tvorba firemního webu, prezentace v češtině nebo stránka představující nový produkt.
Samotné výsledky můžete sami vyzkoušet a porovnat si je na této speciální stránce, k dispozici zde jsou i původní prompty. Všechny modely dostaly stejné zadání a jejich výsledky porovnáváme v tabulce níže. Benchmarky navíc budeme využívat i v dalších recenzích, takže postupně vznikne dlouhodobé srovnání schopností lokální i cloudové AI.
Design a konstrukce
Řada ProArt si dlouhodobě zakládá na střídmém, avšak funkčním designu a nový P14 v tomto směru nepřináší žádnou revoluci. Nenajdete zde žádné výrazné podsvícení nebo agresivní designové prvky. Jediným výraznějším prvkem je logo na víku. U notebooku potěší speciální povrchová úprava, která pomáhá snižovat ulpívání otisků prstů a šmouh. Bohužel u testované černé varianty to tolik nepomáhalo a šmouhy byly docela vidět. Existuje nicméně i bílá varianta, která by s tímto neduhem neměla mít žádné problémy.
Po konstrukční stránce se Asusu ProArt P14 nedá téměř nic vytknout. V ruce působí prémiově, vše perfektně drží a nikde se nic neprohýbá, a to ani u klávesnice. Rozměry jsou cca 31,1 × 21,9 centimetru, tloušťka se podle místa měření pohybuje mezi 13,9 a 15,9 milimetru. Hmotnost se pak zastaví těsně pod 1,5 Kg. Na čtrnáctipalcový notebook nejde o nic skvělého, na druhou stranu skvělé zpracování a velká 90Wh baterie to částečně kompenzují.
Samotný displej se dá otevřít přibližně do úhlu 150 stupňů. Úplné položení do roviny možné není, takže se mimo jiné také neřadí mezi konvertibilní notebooky, přestože displej podporuje dotykové ovládání.
Klávesnice, touchpad a konektivita
Asus ProArt P14 používá klávesnici s poměrně hlubokým zdvihem 1,7 milimetru. Klávesy mají mírně prohnutý povrch a psaní je velmi pohodlné a velmi rychle jsem si na ni zvyknul. Pod klávesnicí se nachází rozměrný skleněný touchpad s haptickou odezvou. Na rozdíl od klasických mechanických touchpadů tak kliknutí simuluje vibracemi. Ovládání gesty, které známe z jiných Asus notebooků, funguje i zde. Obecně také u touchpadu není co kritizovat.
Zajimavé to pak je u samotných konektorů. K dispozici jsou hned tři USB4 typu C s přenosovou rychlostí až 40 Gb/s. Dva najdeme na levé a jeden na pravé straně. Všechny podporují připojení externího monitoru i napájení. Obzvlášť možnost napájení z obou stran je vítaná a může ušetřit čas i nervy, pokud často nabíjíte zařízení na různých místech.
Nechybí také klasické USB-A, HDMI 2.1, kombinovaný 3,5mm audio konektor a čtečka SD karet. Co se týče bezdrátové konektivity, nechybí podpora pro Wi-Fi 7 a Bluetooth 5.4. Pro videohovory je připravena Full HD kamera s infračerveným senzorem pro přihlašování prostřednictvím Windows Hello. Trochu pak zamrzí absence čtečky otisků prstů, nicméně samotné skenování obličeje funguje velmi dobře a spolehlivě.
Zvuk nabízí na poměry čtrnáctipalcových notebooků překvapivě solidní basy, dostatečnou hlasitost i dobře čitelné výšky. Celkově jich je pak šest, takže i přes menší velikost zařízení se v tomto ohledu nešetřilo a reproduktory patří mezi povedené součásti výbavy.
Špičkový dotykový OLED
Jedním z největších lákadel ProArtu P14 je bezpochyby displej. Asus použil čtrnáctipalcový dotykový panel Lumina Pro OLED s rozlišením 2 880 × 1 800 pixelů a poměrem stran 16:10. Obnovovací frekvence dosahuje až na 120 Hz. S odlesky pak pomáhá speciální antireflexní vrstva.
Panel využívá technologii Tandem OLED, díky které například dosáhne vyššího jasu než běžné OLED displeje. Při přehrávání HDR obsahu může dosáhnout až na 1 600 nitů, při klasickém SDR je to pak cca 650 nitů, což jsou na notebookový OLED panel skvělé hodnoty. Zároveň pokrývá 100 procent barevného prostoru DCI-P3 a rovnou z továrny má kalibraci s odchylkou Delta E pod hodnotou jedna.
Sečteno a podtrženo – jde o jeden z nejlepších OLED panelů, který v současnosti v noteboocích naleznete a může se jen chválit. Nicméně vzhledem k ceně bychom nečekali ani nic jiného.
Nvidia RTX Spark
Největší novinka se pečlivě ukrývá uvnitř notebooku. Nvidia RTX Spark představuje čipovou platformu, která kombinuje procesor založený na architektuře Arm a grafickou část, o niž se stará Blackwell RTX. V nejvyšší konfiguraci nabízí procesor celkem dvacet jader, konkrétně deset výkonných Cortex-X925 a deset úspornějších Cortex-A725. Grafická část disponuje 6 144 CUDA jádry. Podporovány jsou také technologie jako TensorRT, DLSS nebo ray tracing.
Výrobce uvádí teoretický AI výkon až jeden petaflop při výpočtech FP4. To na první pohled vypadá působivě, nicméně nejde o univerzální ukazatel výkonu, podle kterého by se dala odvozovat rychlost běžných aplikací nebo přímo porovnávat výkon různých grafických karet.
Podstatně zajímavější je architektura paměti. Zatímco klasický výkonný notebook obvykle kombinuje systémovou RAM a samostatnou videopaměť grafické karty, RTX Spark používá společný paměťový prostor. Procesor i grafika tak mohou využívat stejnou paměť, jejíž velkou část lze vyhradit právě GPU. Neznamená to však, že by grafika měla k dispozici celých 128 GB, protože část kapacity potřebuje operační systém a ostatní aplikace. Poměr přidělené paměti lze upravovat prostřednictvím aplikace Nvidia.
Testovaná konfigurace disponuje 128 GB LPDDR5X s rychlostí až 9 400 MT/s. Paměťový řadič má šířku 256 bitů a teoretická propustnost dosahuje až 300 GB/s. Právě v tomto ohledu však RTX Spark za klasickými výkonnými grafickými kartami výrazně zaostává.
Pro srovnání, notebookové GeForce RTX 5080 a RTX 5090 nabízejí propustnost paměti 896 GB/s, tedy téměř trojnásobek. Ještě výraznější rozdíl najdeme u desktopových modelů. GeForce RTX 5080 dosahuje 960 GB/s a nejvýkonnější RTX 5090 dokonce 1 792 GB/s, což je téměř šestinásobek hodnoty RTX Spark. Samozřejmě zde už se musí také brát v potaz to, že minimálně v době psaní recenze je RTX 5090 téměř dvakrát dražší než samotný Asus ProArt P14 v top konfiguraci.
Novinka od Nvidie tak sice nabízí podstatně větší paměťový prostor, zaostává však v rychlosti přenosu dat. To může být limitující například při provozu velkých jazykových modelů, jejichž rychlost generování často závisí právě na paměťové propustnosti. Pokud se model vejde do paměti klasické GeForce grafické karty, může být provoz výrazně rychlejší. RTX Spark naopak získává výhodu ve chvíli, kdy nároky modelu přesáhnou kapacitu samostatné VRAM a běžná grafická karta musí část dat přesouvat přímo do RAM.
Trochu zamrzí pouze 1TB SSD disk. Lokální AI modely nejsou malé a obvykle musíte počítat s vyššími desítkami GB, velmi rychle se mi tak disk zaplnil. Dá se pochopit, že cena disků se také zvyšuje, ale u notebooku za 126 tisíc bych očekával základ alespoň 2 TB.
Výkon procesoru
Samotný procesor Grace rozhodně není pomalý. V testu Cinebench 2026, který na RTX Spark běžel nativně, dosáhl výsledku 6 972 bodů při vícevláknovém zatížení a 559 bodů při využití jednoho vlákna. To jsou hodnoty, které čip řadí mezi výkonné mobilní procesory.
Jenže je zde malý háček. RTX Spark používá architekturu Arm a notebook je vybaven systémem Windows 11 Pro pro Arm. Aplikace vytvořené pro tradiční procesory x86 a x64 musí v případě absence nativní verze využívat emulační vrstvu Prism, což můžeš snížit její výkon.
Naštěstí pro běžné používání není situace vůbec špatná. Prohlížeče, kancelářské programy a další rozšířené aplikace dnes často nabízejí nativní varianty pro Arm. Podobně jsou na tom některé profesionální nástroje včetně Blenderu, Photoshopu nebo například DaVinci Resolve. Obecně jsem se nesetkal s problémem u žádné aplikace, kterou používám, ať už přímo v Arm variantě, nebo když byla emulovaná. Pokud ale používáte například nějakou starší aplikaci, která není aktualizovaná, mohly by se objevit problémy. Některé mohou fungovat pomaleji, jiné mohou vyžadovat speciální nastavení a další nemusí fungovat vůbec.
| Disciplína | Výsledek |
|---|---|
| Geekbench 7 – Single Core | 2 691 bodů |
| Geekbench 7 – Multi Core | 24 208 bodů |
| Geekbench 7 OpenCL | 117 756 bodů |
| Geekbench 7 CUDA | 186 228 bodů |
| 3D Mark Steel Nomad | 2 874 bodů |
| 3D Mark Port Royal | 8 741 bodů |
| 3D Mark Solar Bay | 53 031 bodů |
| 3D Mark Solar Bay Extreme | 10 770 bodů |
| Cinebench 2026 – Single Thread | 559 bodů |
| Cinebench 2026 – Muti Thread | 6 972bodů |
Grafický výkon
Papírově působí grafická část Blackwell RTX velmi zajímavě. Ve skutečnosti se její výkon pohybuje podle konkrétní aplikace a hry zhruba kousek pod mobilní Nvidia GeForce RTX 5070, opět se ale dostáváme k tomu, jestli hra běží nativně, nebo je emulovaná, v druhém případě může výkon spadnou někde na úroveň GeForce RTX 5060.
V nativním benchmarku 3DMark Steel Nomad získal notebook 2 874 bodů. To je velmi podobný výsledek jako mobilní GeForce RTX 5070. V testovaných hrách jsem se dostával na cca 70 FPS, což jsou dostatečné hodnoty pro pohodlné hraní. Paradoxně největší problém byl se starší hrou Resident Evil VI, která není podporovaná nativně a musí se emulovat. Většinu času se FPS držely nad stovkou, ale v několika scénách opakované padaly snímky pod hodnotu 20, a to už samozřejmě není ideální. Black Myth Wukong na střední detaily fungoval s 69 FPS, po aktivaci ray tracingu 63. Remake Gothic 1 fungoval bez problémů na 70 FPS se středními detaily, stejné jako Kingdom Come Deliverance II. Cyberpunk 2077 s aktivním ray traycingem a DLSS na střední detaily běžel na skvělých 103 FPS.
Asus ProArt P14 není samozřejmě herní notebook, ale poradí si s nimi celkově velmi dobře, jak můžete vidět na výsledcích výše. Jen opět pozor na nativní vs emulované hry. Zde jde o výrazně větší problém než u aplikací. Na druhou stranu se to neustále zlepšuje a v porovnání s prvním Windows on Arm notebookem je vidět výrazný posun.
Lokální AI: velká paměť, ale výkon má své limity
Právě lokální AI bude nejspíš hlavním důvodem, proč si většina zájemců notebooky s RTX Spark pořídí. Umožňují spouštět jazykové modely přímo na zařízení, bez nutnosti odesílat prompty a dokumenty na vzdálené servery. Výhodou je větší kontrola nad soukromím, možnost offline provozu i absence poplatků za jednotlivé požadavky prostřednictvím API nebo předplatného cloudových služeb. Samozřejmě stále zůstávají náklady na samotný hardware a elektřinu.
Testovaná konfigurace se 128 GB paměti dává v tomto ohledu obzvlášť smysl. Umožňuje totiž provozovat podstatně větší modely než běžné notebookové grafické karty, které u nejvýkonnějších GeForce disponují 16 nebo 24 GB VRAM. Na papíře to vypadá výborně. Můžete si například spustit Qwen3.8 Flash-Next, který patří mezi velmi schopné otevřené jazykové modely. Nvidia jej pro RTX Spark přímo doporučuje a její optimalizovaná konfigurace vyžaduje přibližně 78 GB paměti dostupné GPU. Něco takového do jediné klasické herní grafické karty zkrátka nedostanete.
Jenže při reálném používání narazíte na poměrně zásadní problém. Velký model sice můžete spustit, ale na jeho výstupy si počkáte. Největší přednost RTX Spark se tak do určité míry stává také jeho slabinou. Sdílená paměť totiž nabízí obrovskou kapacitu, její propustnost však výrazně zaostává za samostatnou VRAM výkonných grafik. Právě to může být při generování jednotlivých tokenů významným omezením.
Výše zmíněný Qwen3.8 Flash-Next dosahoval přibližně na 35 tokenů za sekundu. Pro představu stejný model na profesionální grafice RTX PRO 6000 dosahoval na 140 tokenů za sekundu. Na druhou stranu se bavíme o profesionální grafické kartě, jejíž cena se pohybuje momentálně kolem částky 400 tisíc korun.
Podstatnější problém pro RTX Spark představují mnohem dostupnější grafické karty. Na běžných noteboocích a stolních počítačích s GeForce RTX 5080 a donedávna ještě RTX 5090 totiž můžete používat například Qwen3.8 27B. Jde o výrazně menší model, který ovšem stále nabízí velmi dobré výsledky a v řadě běžných úloh rozdíl oproti většimu modelu nepoznáte. Do 24GB nebo 32GB VRAM se navíc vejde bez větších problémů. Na mobilní 16GB RTX 5080 už je potřeba počítat s kompromisy v podobě úspornější kvantizace, ale stále jde o použitelné hodnoty.
A právě tady začíná být srovnání nepříjemné. Qwen3.8 27B totiž na RTX Spark dosahuje v základu na opět cca 35 tokenů za sekundu. Na klasických GeForce RTX 5080 a 5090 se přitom bavíme o hodnotách 100 až 160 tokenů za sekundu.
Potenciál klasických grafických karet je tak jasný. Obzvlášť když už se nebavíme o hardwaru ve stovkách tisíc korun (kromě nedávno výrazně zdražené RTX 5090). Notebooky s RTX 5080 lze v českých obchodech pořídit přibližně od 54 tisíc korun. Stolní počítač se stejnou grafikou také vychází výrazně levněji než testovaný ProArt P14 či jiný RTX Spark v podobné konfiguraci.
Pro RTX Spark se může nabízet výhoda při práci s rozsáhlejším kontextem. Větší paměť umožňuje modelům předat více dokumentů, udržovat delší historii konverzace nebo provozovat několik úloh současně. Jenže ani tady není situace tak jednoduchá. S rostoucí délkou kontextu se zvyšuje doba potřebná na zpracování vstupu a tyto obecně menší modely stejně začnou halucinovat.
To ovšem neznamená, že by velká kapacita pamětí RTX Spark nemohla v budoucnu získat na významu. Jazykové modely se neustále vyvíjejí a mohou přibýt takové, které nabídnou proti menším alternativám natolik výrazné zlepšení, že se jejich pomalejší provoz vyplatí. Stejně tak mohou výkon zlepšit další softwarové optimalizace. V současnosti je ale potřeba pečlivě zvážit, zda skutečně potřebujete a využijete model, který se do běžné grafické karty nevejde.
Druhá slabina už souvisí přímo s konstrukcí notebooku a softwarovými aktualizacemi ji odstranit nepůjde. Při AI zátěži se ventilátory v režimu maximálního výkonu roztočí podobně jako při hraní náročné hry. A u ProArtu P14 to znamená opravdu hodně hluku. Tišší profily sice existují, ale za cenu nižšího výkonu a tedy nižšího generování.
Během generování navíc může citelně utrpět odezva ostatních aplikací, zvlášť pokud model intenzivně využívá GPU a velkou část sdílené paměti. Kombinace pomalejšího generování a hlučného chlazení tak není zrovna příjemná. Notebook, který má díky lokálním AI agentům pomáhat s produktivitou, se při náročnější úloze může proměnit spíše v hlučné těžítko, od kterého je lepší na chvíli odejít.
Výkon lokálních modelů v benchmarcích
Aby nezůstalo jen u subjektivních dojmů, otestoval jsem oba jazykové modely také prostřednictvím benchmarků AgentPerf Local a SPEED-Bench. První z nich simuluje zátěž AI agenta při vícekrokové úloze, druhý se zaměřuje na generování a zpracování textu při programování.
Zajímavé je, že v obou testech zvítězil menší Qwen3.8 27B. V AgentPerf dokončil předepsanou sekvenci úloh za 17,26 minuty, zatímco větší Flash-Next potřeboval 20,15 minuty. Oba modely přitom zvládly všech 168 kroků bez jediné chyby.
| Výkon lokálních AI modelů na Nvidia RTX Spark | ||
| Benchmark | Qwen3.8 27B | Qwen3.8 Flash-Next |
| AgentPerf – dokončení úlohy | 17,26 min | 20,15 min |
| SPEED-Bench – generování textu | 32,66 tokenu/s | 30,99 tokenu/s |
| SPEED-Bench – zpracování vstupu | 403,19 tokenu/s | 297,57 tokenu/s |
Podobně dopadl také SPEED-Bench. Qwen3.8 27B dosáhl rychlosti generování 32,66 tokenu za sekundu, zatímco Flash-Next skončil na 30,99 tokenu za sekundu. Výraznější rozdíl se ukázal při zpracování vstupního textu, kde menší model zvládl 403 tokenů za sekundu oproti necelým 298 tokenům u Flash-Next.
Z praktického hlediska je důležitější, že ani jeden z modelů nepřekročil hranici 35 tokenů za sekundu. Na běžné konverzace taková rychlost většinou stačí, při generování rozsáhlejšího kódu nebo delších odpovědí už ale může být čekání nepříjemné. Zvlášť pokud celý projekt vyžaduje desítky či stovky navazujících požadavků.
Nahradí lokální AI cloudové modely?
Při testování lokální AI jsem se rozhodl zaměřit především na praktické využití. Namísto tradičních benchmarků, které často pracují se staršími a dnes už méně relevantními modely, mě zajímalo, jak si současná lokální AI poradí s reálnými úkoly a nakolik dokáže konkurovat nejlepším cloudovým modelům jako je ChatGPT a Claude.
Lokální AI bude reprezentovat již zmíněný a doporučovaný Qwen3.8 Flash-Next. Proti němu se postaví Claude Opus 5.5, což je momentálně jeden z nejlepších modelů, ke kterému se běžný smrtelník může dostat. Z ChatGPT byl vybrán model Sol 6.1, který není na úplném vrcholu, ale jde o výrazně levnější model, který zvládne více práce. Očekávané pořadí je poměrně jasné, Opus 5,5 by se měl ve všech scénářích umístit na prvním místě, následovat jej má ChatGPT 6.1 Sol a na třetím místě by měl být pokaždé Qwen3.8 Flash-Next. Otázkou je, jak moc bude zaostávat.
Osm úloh, tři modely a poměrně překvapivé výsledky
Pro srovnání jsem připravil osm různých úloh zaměřených především na programování a tvorbu digitálního obsahu. Modely měly například vytvořit webovou aplikaci s oceánskými daty, interaktivní 3D scénu prostřednictvím Three.js, logickou hru, komplexnější železniční strategii nebo 3D model zařízení v Blenderu. Nechyběla ani tvorba firemního webu, produktové microsite a prezentace v češtině.
Každý model dostal stejné zadání a na jeho splnění měl jediný pokus. Cílem nebylo postupně opravovat chyby, ale zjistit, co dokážou vytvořit samostatně. Hodnocení probíhalo na desetibodové škále, přičemž přibližně 60 % známky tvořilo splnění zadání a technická kvalita, zbývajících 40 % připadalo na vizuální zpracování a celkový dojem. Technickou část hodnocení připravila umělá inteligence, zatímco vizuální část jsem hodnotil já.
| Hodnocení AI modelů v praktických testech | |||
| Úloha | ChatGPT | Claude | Qwen |
| Webová aplikace Abyssal | 8 | 8 | 7 |
| 3D scéna Clockwork Tide | 7,5 | 8,5 | 6 |
| Logická hra Echo Vault | 7 | 8,5 | 7 |
| Strategie Iron Frontier | 7 | 8,5 | 8 |
| Blender – Field Recorder | 8 | 8,5 | 6 |
| Firemní web Ateliér Sever | 9 | 8,5 | 7,5 |
| Prezentace Nivo Air | 7,5 | 8,5 | 8 |
| Produktový web Aurio One | 8 | 8,5 | 7 |
| Celkový průměr | 7,8 | 8,4 | 7,1 |
Podle očekávání skončil na prvním místě Claude Opus 5.5, následovaný ChatGPT Sol 6.1 s průměrným hodnocením 7,8 bodu. Třetí příčku obsadil lokální Qwen3.8 Flash Next se 7,1 body. Všechny tři modely dokázaly odevzdat všech osm projektů a jejich základní funkčnost se podařilo ověřit. To samozřejmě neznamená, že projekty neobsahovaly žádné chyby nebo splňovaly úplně všechny požadavky zadání.
V čem cloudové modely stále vedou?
První a největší rozdíl je rozhodně v rychlosti. Zatímco Claude i ChatGPT potřebovaly na dokončení osmi úloh oba shodně cca 2 hodiny, lokální AI to trvalo téměř dva pracovní dny. V kombinaci s hlučným ventilátorem to byla radost testovat.
Pokud jde o samotné výsledky, nejvíce Qwen3.8 Flash-Next zaostával v úkolech, ve kterých hrála důležitou roli vizuální kvalita. Typickým příkladem byla interaktivní 3D observatoř Clockwork Tide. Claude připravil propracovanou scénu s realisticky působícím mořem, odlesky slunce a útesy. ChatGPT zvolil stylizovanější pojetí, zatímco výsledek Qwenu sice obsahoval všechny požadované ovládací prvky, jeho scénu narušovalo nepřiměřeně velké kolo, které zasahovalo do textur a obecně to jako celek nedávalo moc smysl.
Podobná situace nastala v Blenderu, kde měly modely vytvořit propracovaný 3D model přenosného magnetofonu včetně animací, produktových renderů a technických pohledů. Claude připravil nejbohatší animaci, která zahrnovala nejen otevírání víka a otáčení cívek, ale také pohyb dalších mechanických součástí. ChatGPT zaujal především nasvícením výsledného renderu. Qwen sice vytvořil funkční scénu, ale nedodržel požadovanou kompozici hlavního renderu a část rozloženého pohledu byla oříznutá.
Rozdíly byly patrné také při tvorbě webových stránek. Qwen měl častěji tendenci vytvářet generičtější rozhraní s menším písmem a méně výrazným grafickým zpracováním. Hodně šlo i AI slop, který byl vidět u velkých modelů půl roku dozadu. Claude naopak přinášel vyrovnanější a propracovanější výsledky. ChatGPT dokázal v některých případech překvapit odvážnějším designem.
Nejvíce Qwen překvapil u železniční strategie Iron Frontier. Zadání požadovalo procedurálně generovanou mapu, stavbu železniční sítě, přepravu nákladu, ekonomiku, počasí a řadu dalších mechanik. Z pohledu funkcí hře nechybělo nic, doplácel hlavně na vizuální část.
Zajímavý byl rovněž přístup k automatizovanému testování. Zatímco ChatGPT vytvořil pro tuto hru 20 testů a Claude 51, Qwen jich připravil rovnou 247. Počet testů sám o sobě samozřejmě nevypovídá o kvalitě kódu, ale ukazuje, že lokální model dokáže samostatně připravit i poměrně rozsáhlé projekty.
Solidní výsledek předvedl také při tvorbě prezentace pro fiktivní produkt Nivo Air. Získal osm bodů a společně s Claudem vytvořil dva nativní editovatelné grafy PowerPointu. Všechny modely správně zpracovaly 30 údajů z podkladového PDF a dodržely předepsané pořadí dvanácti snímků. ChatGPT si navíc jako jediný všiml nesouladu v zadání, kde byl obchodní cíl stanoven na rok 2026, přestože zahájení prodeje připadalo až na leden 2027.
Může tedy Qwen nahradit ChatGPT nebo Claude?
Z pohledu kvality výstupů tak Qwen zatím nepředstavuje plnohodnotnou náhradu nejlepších cloudových modelů ve všech scénářích. Pokud ale potřebujete vytvořit funkční prototyp, jednodušší web, prezentaci nebo menší hru, může být už dnes dostačující. Jenže kvalita výsledku je pouze jedna část rovnice. Tou druhou je rychlost, se kterou jej dokáže dodat. A právě zde se znovu dostáváme k největšímu problému RTX Spark. Lokální model se sice může v některých případech přiblížit s podobně kvalitním výsledkem, ale pokud na něj budete čekat několikanásobně déle než u cloudových alternativ, nedává to za mě prozatím příliš smysl.
Generování obrázků a videa
Všechno se ale netočí jen kolem jazykových modelů. RTX Spark má urychlovat také tvorbu obrázků, generování videa a práci ve 3D aplikacích. Výhodou je podpora ekosystému CUDA a nástrojů, které se již používají na klasických grafických kartách Nvidie. U generování videa a obrázků dává sdílená paměť o něco větší smysl. A to z toho důvodu, že samotné generování není tak zdlouhavé.
Konkrétně jsem testoval generování obrázků a videí prostřednictvím ComfyUI. Pro obrázky jsem zvolil model Krea 2 Turbo, který v testované konfiguraci využíval přibližně 28 GB paměti, zatímco o videa se postaral kvantizovaný MiniMax H3 s paměťovými nároky okolo 32 GB. Existují samozřejmě i další, náročnější modely, které mohou nabídnout kvalitnější výsledky, jenže s rostoucími požadavky se opět dostáváme k problému s rychlostí.
V případě Krea 2 Turbo trvalo vytvoření jednoho obrázku přibližně 25 sekund. To je podle mě stále velmi použitelná hodnota, obzvlášť pokud chcete generovat větší množství obrázků bez nutnosti platit za cloudové služby. U náročnějších modelů se ale doba generování může prodloužit na několik minut. Ještě výraznější rozdíly nastávají u videa. MiniMax H3 dokázal výsledný klip vytvořit přibližně za tři minuty, zatímco u podstatně náročnějších modelů a nastavení se čekání může protáhnout i na desítky minut. Výsledná kvalita přitom nemusí být natolik lepší, aby takový rozdíl ospravedlnila.
Ostatně výsledky můžete posoudit sami níže. Identický prompt jsem použil jak u lokálních modelů, tak v cloudových službách. ChatGPT se postaral o generování obrázků, zatímco Google Gemini o vytvoření videa. Rychlostí zvítězily cloudové služby, ale u obrázků činil rozdíl pouze několik sekund. V případě videa už šlo přibližně o dvě minuty.
Chlazení a hlučnost
Asus přidává také několik vlastních softwarových nástrojů. ProArt Creator Hub slouží především k nastavení výkonových profilů, správě zařízení a úpravám parametrů displeje. StoryCube pomáhá s organizací fotografií a videí, zatímco MuseTree se zaměřuje na kreativní práci s generativní AI.
V běžném režimu pracuje notebook s nižším výkonovým limitem, zatímco v režimu Performance dostává čip podstatně více prostoru a ventilátory mají co dělat. Při nenáročné práci se přitom mohou úplně zastavit. Notebook je díky tomu při kancelářském používání velmi tichý a nijak výrazně neruší.
Jak už ale bylo zmíněno výše, při intenzivním zatížení se situace dramaticky mění. V režimu Performance je hlučnost poměrně obtěžující a osobně jsem při delší práci s lokální AI raději používal sluchátka. Ventilátory jsou totiž slyšet prakticky neustále a intenzitou připomínají malý vysavač. Samozřejmě lze přepnout na úspornější profil, jenže tím přijdete o část výkonu. A to zhruba o 20 procent, což vzhledem k už tak pomalejšímu generování větších modelů není zrovna lákavý kompromis.
Z hlediska teplot si nicméně Asus zaslouží pochvalu. Při vyšší zátěži se sice kovová konstrukce notebooku zahřívá, ale nikdy nebyla nepříjemně horká. Chlazení tak svou hlavní úlohu zvládá, pouze za cenu poměrně vysoké hlučnosti.
Výdrž baterie a nabíjení
Asus ProArt P14 dostal na čtrnáctipalcový notebook nezvykle velký 90Wh akumulátor. V kombinaci s procesorem založeným na architektuře Arm by se mohlo zdát, že půjde o jeden z nejvytrvalejších modelů své kategorie a snadno se vyrovná například notebookům se Snapdragonem. Realita je ale trochu jiná.
Při běžné kancelářské práci, prohlížení internetu a občasném přehrávání videa vydržel přibližně osm hodin na jedno nabití. To není špatný výsledek, vzhledem ke kapacitě baterie a Arm architektuře jsem ale očekával o něco více. Potěší alespoň skutečnost, že výkon po odpojení napájecího adaptéru dramaticky neklesá. Ve hrách jsem zaznamenal rozdíly maximálně v jednotkách snímků za sekundu, zatímco při generování textu pomocí lokální AI se rychlost snížila přibližně o dva tokeny za sekundu.
Problém však nastává ve chvíli, kdy začnete intenzivně využívat grafickou část. V takovém případě totiž baterie mizí doslova před očima. Lokální AI sice můžete používat i na cestách bez připojení k elektrické síti, jenže ale asi jen 45 minut. O mnoho lepší situace nenastala ani při hraní Kingdom Come: Deliverance II, kdy se notebook vybil zhruba za hodinu.
Asus ProArt P14 tak umožňuje využívat vysoký výkon i bez napájecího adaptéru, ale pouze po poměrně omezenou dobu. Pokud plánujete delší práci s lokální AI, je připojení k elektrické síti prakticky nezbytností.
| Naměřená rychlost nabíjení 140W adaptérem | ||||
| Úroveň | 30 % | 50 % | 80 % | 100 % |
| Čas | 15 minut | 26 minut | 51 minut | 97 minut |
Nabíjení zajišťuje 140W adaptér s konektorem USB-C, který je součástí balení. Výhodou je univerzální konektor, díky kterému nemusíte spoléhat na proprietární řešení výrobce.
Závěrečné hodnocení
Asus ProArt P14 patří mezi nejzajímavější notebooky, které jsem v poslední době testoval. A zároveň mezi ty, které se doporučují vůbec nejobtížněji. Po hardwarové stránce mu totiž prakticky není co vytknout. Nabízí výborný OLED panel s dotykovou vrstvou, kvalitní hliníkovou konstrukci, pohodlnou klávesnici, povedený touchpad i bohatou konektorovou výbavu. To všechno navíc v kompaktním těle.
Největším lákadlem je pochopitelně Nvidia RTX Spark se 128 GB sjednocené paměti. Díky ní se můžete pustit do lokálního provozu větších jazykových modelů nebo náročnějšího generování obrázků a videí, které by na běžných notebookových grafických kartách naráželo na nedostatek VRAM. V tomto ohledu jde o mimořádně zajímavý kus hardwaru, který otevírá možnosti dosud vyhrazené především pracovním stanicím.
Jenže právě tady se dostáváme k největšímu problému. Samotná možnost spustit velký jazykový model ještě neznamená, že jeho používání bude příjemné. Nižší propustnost sjednocené paměti omezuje rychlost generování a při dlouhodobém zatížení se přidává také výrazně hlučné chlazení.
Velkým problémem je samozřejmě také cena. Za přibližně 126 tisíc korun lze pořídit podstatně levnější notebook s výkonnou grafikou GeForce RTX 5080, který bude při provozu menších jazykových modelů často rychlejší. Pro běžnou práci, kreativní aplikace nebo hraní her navíc poskytne širší kompatibilitu bez omezení spojených s architekturou Arm. ProArt má proti němu výhodu v paměťové kapacitě a menší velikosti a hmotnosti, jenže otázkou je, jestli to za takto vysokou cenu dává smysl.
RTX Spark přitom rozhodně nepovažuji za nepovedenou platformu. Naopak je zajímavé sledovat, kam Nvidia posouvá možnosti počítačů se systémem Windows. Budoucí optimalizace a nové jazykové modely mohou jeho využitelnost ještě výrazně zlepšit, ale opět doporučit něco kvůli tomu, že možná v budoucnosti to bude fungovat mnohem lépe, není zrovna ideální. Hardwarové limity v podobě paměťové propustnosti nebo chlazení však zůstanou. Asus ProArt P14 je technologicky působivý notebook, jehož největší přednosti ovšem dokáže využít jen poměrně úzká skupina zákazníků.
David Trlica
Další dnešní články
