在首批基于该平台的设备开始上市前，针对 Surface Laptop Ultra 电脑进行的 RTX Spark 测试揭示了一个不同寻常的 Windows on Arm 平台：图形性能接近 RTX 4070 级别，并具备强大的本地运行人工智能模型能力，但中央处理器表现良好，却并未处于竞争领先地位。NVIDIA 瞄准的目标用户包括开发者、内容创作者，以及希望在设备上运行人工智能模型、而不是将数据发送到云端的用户。
RTX Spark 采用由 NVIDIA 与 MediaTek 合作设计的 N1X 芯片，提供搭载 18 或 20 个 CPU 核心，以及 5,120 或 6,144 个基于 Blackwell RTX 架构的图形核心的两种配置。统一内存最高可达 128 GB，带宽为每秒 300 GB；可配置功耗则根据配置和设备设计，在 45 至 140 瓦之间变化。
中央处理器表现良好，但并非优势所在
在 Cinebench 2026 中，配备 20 个核心的 N1X 配置单核测试得分为 558 分，多核测试得分为 6,885 分。在 Geekbench 7 中，它的单核得分为 2,718 分，多核得分为 23,571 分。这些结果使该芯片在部分使用场景中处于 Apple M4 Pro 和 Snapdragon X2 Elite 的范围内，但仍落后于 Apple M4 Max 和 Snapdragon X2 Elite Extreme，尤其是在单核性能方面。
在实际使用中，测试称日常使用体验流畅，包括通过 Prism 模拟层运行的应用程序。在已发布的测试中，使用 Best Performance 模式时，电池供电与电源供电之间也没有出现明显性能下降。
图形单元是其核心优势
在图形测试中，拥有 6,144 个核心的配置接近 RTX 4070 的性能。在 1440p 分辨率下，它在 3DMark Time Spy 中获得了 12,771 分，并能以较高帧率运行 Cyberpunk 2077、Shadow of the Tomb Raider 和 The Witcher 3 Remastered 等游戏。该平台支持光线追踪、DLSS 5、Multi Frame Generation、Reflex 和 G-SYNC 等技术。
不过，由于部分游戏依赖于在 Arm64 平台上进行 x86 模拟，仍有一些游戏需要调整。例如，Red Dead Redemption 2 在测试中使用 Vulkan 时发生崩溃，但切换到 DirectX 12 后即可运行。视频导出性能也没有超过新款独立显卡；导出 Full HD 分辨率的 H.264 视频耗时 42.002 秒，而搭载 RTX 5060 的设备耗时为 32.111 秒。
本地人工智能是最明显的用途
RTX Spark 在量化人工智能负载中表现得更加突出。在 INT8 精度的 Stable Diffusion 1.5 测试中，它获得了 11,294 分，并在 2.77 秒内完成图像生成，在同一测试中超过了搭载 RTX 5060、RTX 5070 Ti 和 RTX 5080 的设备。它在 Phi 和 Llama 3.1 8B 等语言模型中也展现出较低的首个令牌生成延迟，尽管持续解码速率仍落后于功耗更高的独立显卡。
统一内存能够在本地运行大型模型。测试使用了 Qwen 3.8 27B 和 Gemma 4 31B 等模型，并指出根据内存分配情况，最高可运行包含 1,200 亿个参数的模型。其实际优势在于，在进行摘要或自动化处理时，可以将文档、音频文件和知识产权保留在设备上，而不必发送至云服务。
Windows 用户会获得哪些变化？
Microsoft 与 NVIDIA 合作改进了 Windows 11 的调度、统一内存管理和 Prism 层，同时为 Windows ML 增加了 TensorRT 支持，并为 DirectX 12 增加了神经渲染支持。Microsoft 计划稍后提供 Windows Recall、Click To Do 和 Semantic Search 等 Copilot+ PC 功能，尽管 RTX Spark 被归类为 Copilot+ PC，但在发布时并不提供这些功能。
易用性仍是一项重要限制。Hermes Agent 测试成功运行了整理下载文件夹和创建网页等本地任务，而 OpenClaw 则因连接网关失败而无法运行。测试认为，即使 Windows 试图简化设置，本地代理工具仍可能让初学者感到困惑。
编辑结论：RTX Spark 并不是适用于所有笔记本电脑的通用替代方案。这是一个专业平台，为轻薄设备提供大容量内存和强大的本地人工智能加速，同时具备尚可的游戏和内容编辑性能；但其中央处理器处于中等水平，能效仍取决于制造商的决策，而且配备独立 NVIDIA 显卡的 Intel 或 AMD 设备可能成本更低。因此，对于将本地运行模型、软件开发或数据处理作为日常工作核心的用户而言，其价值最为明显。