本地模型也能懂逻辑，Ryzen AI 数学推理能力测试

别只跑对话了，来给本地模型出几道“奥数题”

很多人把大模型装进笔记本后，习惯把它当成一个更聪明的搜索引擎或者聊天机器人，问些“今天天气如何”或者“解释一下量子力学”之类的问题。但既然我们手里握着 Ryzen AI 和 Radeon GPU 这套基于 Strix Halo 架构的“本地小钢炮”，不妨把难度升级一下。真正的考验不在于它能不能背诵知识，而在于面对复杂的逻辑嵌套和数学推导时，它能否像人类一样抽丝剥茧，给出严密的思维链。

这次我不打算聊那些虚头巴脑的参数，直接扔给它几道需要多层条件判断和数值计算的题目，看看在完全离线、数据不出本地的情况下，这些运行在统一内存架构上的模型，到底有没有真脑子。

为什么逻辑推理是本地模型的“试金石”

跑个 7B 模型聊闲聊，很多几年前的设备都能凑合。但一旦涉及逻辑推理，尤其是那种"A 比 B 高，B 比 C 矮，且 C 是 D 的 1.2 倍”的多层嵌套问题，模型很容易“迷路”。

在传统的本地部署中，显存带宽往往是瓶颈。当模型试图保留长长的推导步骤时，如果显存不够，系统被迫频繁交换数据，或者为了省资源强行截断上下文，导致模型“忘了”前面的条件，最后得出一个荒谬的结论。而 Strix Halo 架构的核心优势就在于统一内存架构。CPU 和 GPU 共享高达 64GB 甚至更大的内存池，且带宽极高。这意味着模型可以把整个推理过程的中间状态完整地留在高速内存中，不用因为“记不住”而丢失逻辑链条。

简单来说，高带宽不仅让字吐得更快，更让模型在思考复杂问题时“脑容量”更足，不容易断片。

实战测试：从条件嵌套到数值推导

为了验证这一点，我选取了 Qwen2.5-Coder-14B 和 Llama-3-8B 两个量化模型，在 LM Studio 中进行了对比测试。环境是典型的 Strix Halo 笔记本，GPU Offload 拉满。

测试题一：多层嵌套逻辑

题目：“某公司规定，若项目 A 的预算超过 50 万且工期少于 3 个月，则需高级审批；若项目 B 的成本是项目 A 的 1.5 倍且工期相同，则需董事会审批。已知项目 A 预算 60 万，工期 2 个月，项目 B 工期与 A 相同。请问项目 B 需要什么级别的审批？请列出推导步骤。”

8B 模型表现： 回答得很快，但逻辑有点跳跃。它直接给出了“董事会审批”的结论，但在解释步骤时，对于“成本是 1.5 倍”这个条件的引用有些模糊，似乎是在猜答案，而不是真的在推导。在追问“如果 A 的预算是 40 万会怎样”时，它出现了幻觉，说依然需要高级审批，显然没理解“且”的逻辑关系。

14B 模型表现： 开启 Radeon GPU 加速后，首字延迟约 0.4 秒，随后生成非常流畅。它的回答结构清晰：

1. 判断项目 A：预算 60 万 > 50 万，工期 2 个月 < 3 个月 -> 满足高级审批条件。
2. 计算项目 B 参数：工期同 A（2 个月），成本 = A * 1.5（虽未给出 A 的具体成本数值，但逻辑上继承了倍数关系）。
3. 判断项目 B：满足“成本是 A 的 1.5 倍”且“工期相同” -> 触发董事会审批规则。
4. 结论：项目 B 需董事会审批。

当我修改条件进行反问时，14B 模型能迅速修正推导路径，完全没有逻辑断层。这种稳定性，很大程度上得益于 Strix Halo 的大内存让模型能完整“记住”所有前提条件，没有被截断。

测试题二：数学计算与思维链

题目：“一个水池有甲乙两个进水管。甲单独开需 6 小时注满，乙单独开需 4 小时注满。若先开甲 1 小时，再同时打开甲乙，还需多少小时注满？请展示计算过程。”

这是一个经典的工程问题，考验模型是否能维持变量状态并进行分数运算。

在纯 CPU 模式下，14B 模型生成速度跌至 8 tokens/s 左右，看着它一个字一个字蹦，思路容易跟着断。但切换到 GPU 加速后，速度瞬间回升到 25-30 tokens/s。模型输出的过程非常规范：

1. 设水池总量为 1。 2. 甲的效率 = 1/6，乙的效率 = 1/4。 3. 甲先开 1 小时，完成工作量 = 1 * (1/6) = 1/6。 4. 剩余工作量 = 1 - 1/6 = 5/6。 5. 甲乙合作效率 = 1/6 + 1/4 = 5/12。 6. 所需时间 = 剩余工作量 / 合作效率 = (5/6) / (5/12) = 2 小时。

整个过程没有一步跳步，分数运算准确无误。相比之下，如果在显存受限的设备上跑，模型往往会在“剩余工作量”这一步算错，或者直接给出一个整数答案而忽略过程。

统一内存如何避免“逻辑失忆”

在做这些测试时，我特意观察了 LM Studio 的显存监控。在运行 14B 模型处理长逻辑链时，显存占用稳定在 10GB 左右，且数据读写带宽持续高位。这说明 Radeon GPU 正在高效地调用系统内存中的模型权重和 KV Cache（键值缓存）。

逻辑推理最忌讳“顾头不顾尾”。当题目条件变多，或者需要进行多轮反问时，模型必须随时回看之前的设定。Strix Halo 的高带宽确保了这些上下文数据能被即时读取，不会因为内存交换的延迟导致模型“忘记”刚才设定的变量。这就是为什么在本地小钢炮上，大参数模型能表现出接近云端的智力水平——它不仅算得快，而且记得牢。

结语：本地也能有“深度思考”

经过这一轮折腾，结论很明显：本地部署的大模型不再是只能陪聊的玩具。依托 Ryzen AI 和 Radeon GPU 的硬件红利，特别是 Strix Halo 带来的统一内存架构，我们完全可以在离线环境下，让 14B 甚至更大参数的模型处理复杂的逻辑推理和数学计算。

对于开发者而言，这意味着你可以放心地把一些需要严密逻辑的代码重构任务、算法验证工作交给本地助手，既不用担心代码泄露，也不用忍受云端 API 的延迟和不稳定。只要选对模型量级，调好 GPU 卸载设置，你的笔记本就是一台具备深度思考能力的私有智囊。下次遇到烧脑的逻辑题，不妨先问问你本地的 AI，说不定它会给你惊喜。