這將是一個略有不同的評論，因為它不是關于成品的——我已經收到了 ArmSom/BananaPi 即將推出的 AI 模塊 7（將很快在 CrowdSupply 上推出）的早期樣品，我想分享我對它的早期印象。

免責聲明： ArmSom免費為我提供了一塊AIM7和一塊 AIM-IO 載板（對此我表示感謝），此外這篇文章遵循我的審核政策，我應該強調一下，這是一個眾籌項目，所以不能保證最終產品與我收到的產品完全相同。

硬件

AIM7本身是一個仿照 NVIDIA Jetson 的簡單模塊，具有相同的 DIMM 類連接器和板載 RAM 和 eMMC 存儲：

組件布局

如果您不熟悉該芯片組，這些是基本規格：

4xARM Cortex-A76 + 4xCortex-A55 CPU 核心

Mali-G610 MP4 GPU

3 核 NPU，每秒處理能力達 6 TOPS

高達 32GB 的 LPDDR4 RAM

高達 128GB 的 eMMC 存儲空間

我買了一個 8GB RAM/32GB EMMC 板，說實話，無論是 RAM 還是存儲空間都非常緊張——對于我嘗試過的大多數 AI 工作負載來說，這個 RAM 肯定太少了，而且考慮到沒有其他方式連接高速存儲，這對于開發來說相當有限。

但正如我們稍后會看到的，它可能非常適合工業應用，而不是 GenAI 的幻想。

散熱和功耗

該模塊沒有配備散熱解決方案，因此我使用我常用的一組銅墊片來保持其（安靜地）冷卻。在這方面（和功耗），它與我測試過的許多 RK3588 設備沒有太大區別，范圍從 4 到 11W（典型使用與滿 CPU 負載）。

輸入/輸出

載板是所有 I/O 操作發生的地方 - 除了通過 12V 筒式插孔或 USB-C 供電（這次我選擇了前者）之外，它還有 4 個 USB-A 端口、HDMI、DisplayPort、一個千兆以太網端口，以及一組常用的硬件端口 - 40 針 GPIO 接頭、MIPI-CSI/DSI、microSD 讀卡器，以及用于 Wi-Fi 的 M.2 E-key 插槽：

它幾乎都是 I/O 端口，所以，您無法獲得任何高速存儲擴展。

除了單個載板之外，BananaPi 維基頁面還暗示了一個 4 模塊 AI 邊緣網關，因此這里顯然有構建 ARM 集群的潛力。

認識杰森一家

將 AIM7 與 Jetson Nano 進行比較，相似之處顯而易見：

外形尺寸相同，熱特性卻截然不同。

ArmSom 的Crowdsupply 頁面與 Jetson Nano 進行了快速比較并提供了一些基準信息，因此我不會在這里花費太多時間，只會說這些模塊實際上是引腳兼容的。

話雖如此，由于以下幾個原因，我無法運行一組比較基準測試：我為 Jetson Nano 獲得的 5V 電源在去年年底的某個時候耗盡了，所以我現在無法為其供電 - 但即使我嘗試更換載板，我擁有的 Nano 運行的是相當舊版本的 Ubuntu 和 CUDA，因此實際上很難進行有意義的比較。

事實上，除非你自己編寫代碼，否則能夠在 Nano 上運行的現代代碼實在太少了。

那么，AIM7會 取代NVIDIA Jetson 嗎？好吧，僅從軟件角度考慮，簡短的答案是“如果你真的需要使用 CUDA，那就不會”，但我將在下文中討論這個問題。

簡而言之，如果您有興趣了解 Rockchip 的各種 NPU 庫，它提供了一個有趣的選擇——這些庫在過去幾個月中實際上已經有了很大的改進。

基礎操作系統

該主板附帶 Debian Bullseye (11) 和內核 5.10.160，雖然感覺有點過時，但在 Rockchip 世界中卻是正常現象。

由于該主板尚未支持 Armbian，我只是將語言環境設置重置為en_US.UTF-8（它帶有通常的中文語言環境）并使用它：

uname -a
Linux armsom-aim7 5.10.160 #98 SMP Thu Jan 2 15:14:22 CST 2025 aarch64 GNU/Linux

locale
sudo vi /etc/locale.gen
sudo locale-gen
sudo vi /etc/default/locale

GENAI、法學碩士 (LLM) 和 RKLLM

是的，我一拿到它就立即運行了 DeepSeek。這是一個很棒的派對技巧，但除了展示 NPU 的功能外，它并沒有做太多事情。

我發現更有趣的是直接在 NPU 上運行一些其他模型，例如marco-o1和gemma-2：

NPU 上的gemma-2講解電視

但是，它們中的任何一個都非常緊湊 - 8GB 的 RAM 是主要的限制，我gemma-3:4b根本無法運行 - 盡管我能夠gemma-3:1b在下面運行ollama（因為我無法轉換它 - 更多信息見下文）。

因此，簡而言之，如果您打算使用 LLM，請選擇具有更多 eMMC 存儲和 RAM 的更大 SKU——8GB/32GB 版本對于除了幾個小型號之外的任何東西來說都太緊張了，即使這樣一次也只能使用一個。

工具說明

我對 Rockchip 工具鏈的抱怨之一是，很多rkllm代碼不完整且難以使用。不過，一些勇敢的人已經努力了，現在rkllm-1.1.4它實際上相當好用。

RK3588 的 NPU 還有一些其他工具可供使用，可能有助于那些想要嘗試 LLM 的人更輕松地完成任務，其中包括我在上面的屏幕截圖中使用的兩個工具：

rkllama為您提供ollama類似的體驗（甚至可以從云端下載預先轉換的模型，在本例中直接從 Huggingface 下載）

rknputop最接近nvtopNPU 使用情況的視圖（盡管仍然有點問題，并且包括 CPU、RAM 和溫度）

還有（最終）記錄的和可重復的方法來將模型轉換為格式，并且（甚至更好的是）Huggingface 上有.rkllm令人驚訝的數量的預先轉換的模型。

LLM 注意事項

轉換模型實際上變得有些簡單，只要你使用相對較舊的模型系列即可。例如，我無法轉換或格式化phi4最新的模型，因為：gemma3.rkllm

我遇到了很多與phi4標記器有關的問題，因此，盡管我可以轉換，但phi3相同的轉換代碼卻不適用于phi4。

gemma3在我完成這篇文章時剛剛發布，rkllm但該模型實際上宣稱自己是不同的“家族”，因此根本不受支持。

現在，還要過一段時間rkllm才會更新，但是現在我沒有時間或耐心去修改模型樹，所以我還沒能想出一個合適的解決方法。torchtransformers

但總體方法非常簡單：

from rkllm.api import RKLLM
from os.path import basename
import torch

# tried to use these to convert the tokenizer
from transformers import AutoTokenizer, AutoModel, PreTrainedTokenizerFast
#...

modelpath = './Phi-3-mini'
llm = RKLLM()

# options ['cpu', 'cuda']
ret = llm.load_huggingface(model=modelpath, model_lora = None, device='cuda')
# ret = llm.load_gguf(model = modelpath)
if ret != 0:
    print('Load model failed!')
    exit(ret)

# break out the parameters for quicker tweaking
ret = llm.build(do_quantization=True, 
                optimization_level=1,
                quantized_dtype="W8A8",
                quantized_algorithm="normal",
                target_platform="RK3588", 
                num_npu_core=3, 
                extra_qparams=None, 
                dataset=None)
if ret != 0:
    print('Build model failed!')
    exit(ret)

# Export rkllm model
ret = llm.export_rkllm(f"./{basename(modelpath)}_{quantized_dtype}_{target_platform}.rkllm")
if ret != 0:
    print('Export model failed!')
    exit(ret)

您還可以調整其他一些選項，但使用我的 3060 轉換幾個小模型僅花了幾分鐘。

視覺、語音和 RKNN

但是，我認為AIM7不會用于在現實生活中攻讀 LLM。

對于大多數人來說rknn-toolkit2可能會更感興趣，因為它允許您使用whisper各種版本的 YOLO（您可以從模型庫中獲取）進行語音和圖像識別。

我確實知道 Jetson Nano 被廣泛應用于生產線上的圖像處理和缺陷檢測，雖然我還沒有時間在這個板上實際測試 YOLO，但我知道AIM7是一個合適的替代品，因為許多其他 RK3588 板已經在使用它。

這就是為什么用 RK3588 主板直接替代 Jetson（順便說一句，Jetson 對功率要求很挑剔，而且更熱、更吵）是非常有意義的。

我不確定視頻幀速率，因為這總是嚴重依賴于模型，但早期帶有原始rknn工具包的 RK3588 主板能夠超過 25fps，而且我懷疑通過一些仔細的優化，這個速率至少會翻倍。

但最重要的是，找到用于對象檢測的示例代碼并不難rknn，現在甚至還有來自Frigate等工具的官方支持，所以它肯定不再是一條未知的道路。

結論

我喜歡AIM7 – 我無法將它與我評測過的其他 RK3588 SBC在功能方面（芯片組和基本 I/O 除外）直接進行比較，因為它是專門為替代或與 Jetson 競爭而設計的，但具有諷刺意味的是，在所有這些產品中，它最適合工業應用——在這些應用中，你并不真正需要 NVMe 存儲，即使是 32GB 也足以擁有 YOLO 等視覺模型的多個副本。

我只是希望它能配備更多 RAM……

審核編輯 黃宇