這個可以啊！在線檢測你的電腦能跑哪些AI 模型，以及跑得有多快

很多想本地跑開源大模型的朋友，大概率都踩過同一個大坑：網上看別人說 Llama、Qwen 好用，動輒幾十 GB 模型文件，熬夜下載完，打開直接顯存溢出閃退，白白浪費時間、硬盤空間。想查自己電腦顯存夠不夠、能跑幾 B 參數模型，翻論壇、搜參數對照表看得頭昏腦脹，不同量化版本需求又不一樣，普通人根本分不清。

今天 軟件格律詩 給大家分享一款免費在線工具 CanIRun 打開網頁自動檢測電腦硬件，精準匹配適配本地運行的所有開源大模型，提前預判運行流暢度，從根源避開部署翻車難題。

這款工具是獨立開發者打造的純免費網頁工具，全程無廣告、不用註冊登錄、不用下載安裝任何客戶端，Chrome、Edge 主流瀏覽器直接打開就能用，專門解決本地 AI 愛好者硬件適配判斷難的痛點，不管新手入門還是資深玩家，都能省下大量試錯成本。

主要功能特點

全自動硬件無感檢測，零手動填寫參數

打開網站瞬間通過 WebGPU 瀏覽器 API 自動讀取整機硬件信息，自動識別 GPU 型號、獨立顯存 VRAM、內存帶寬、整機 RAM 容量、CPU 核心數量，頁面頂部直接展示完整硬件清單。如果瀏覽器識別共享顯存存在誤差，支持手動修改顯存、內存數值，適配筆記本核顯、蘋果統一內存機型，不用自己翻電腦設備管理器對照參數，兩三秒完成全部硬件採集。所有檢測數據僅在本地瀏覽器運算，不會上傳服務器，隱私完全不用擔心。

全品類開源大模型全覆蓋，量化版本完整標註

平臺收錄市面上主流全系列開源模型，Meta Llama 全系列、阿里 Qwen、Google Gemma、Mistral、DeepSeek、微軟 Phi、Kimi MoE 大模型全部包含，覆蓋 1B 輕量端側模型到幾百 B 超大混合專家模型。每個模型完整列出全部量化檔位 Q2_K/Q4_K_M/Q6_K/Q8_0/F16，不同壓縮精度顯存佔用、運行效果分開標註，想兼顧速度與畫質優先選 Q4_K_M，工具直接標註對應內存佔用百分比，一目瞭然。

六級直觀運行評級，預判流暢度不踩坑

工具會根據硬件算力給出 0-100 分綜合評分，劃分 6 檔運行等級，不用自行換算顯存閾值：Runs great（完美流暢）、Runs well（運行順暢）、Decent（勉強可用輕微卡頓）、Tight fit（硬件極限容易閃退）、Barely runs（極低速度不推薦）、Too heavy（硬件不支持直接跑不動）。8G 顯存電腦打開頁面就能看到，僅 Llama3.1 8B、Qwen 輕量系列能正常運行，14B、30B 以上模型全部標註過重，提前規避下載幾十 G 文件後崩潰的尷尬。

預估推理速度，精準參考對話體驗

每個模型卡片附帶預估每秒生成 token 速度，數值越高對話響應越快。輕量 1B-4B 小模型普遍能達到 25-35tok/s，日常問答絲滑；7B 模型約 8-9tok/s，長文本生成會明顯變慢；超大模型直接標註 0tok/s，代表硬件完全無法加載。大家可以根據自己使用場景挑選，日常聊天、寫代碼優先選≥15tok/s 的模型，不用硬扛卡頓低幀率。

多維度篩選分類，快速鎖定適配模型

支持按運行評級、模型用途（聊天 / 代碼 / 多模態識圖 / 推理）、開源協議、參數量大小快速篩選。程序員可以一鍵篩選代碼專用模型，攝影愛好者篩選圖文多模態模型；想找輕薄筆記本適配的輕量化模型，直接勾選 Runs well 及以上評級，不用在幾百款模型裏逐個翻閱。點擊模型名稱還能跳轉模型下載頁面，搭配 Ollama、LM Studio 本地部署工具直接使用。

清晰標註架構與上下文窗口，部署提前規劃

每個模型詳情標註稠密 Dense、MoE 混合專家架構、有效激活參數、最大上下文長度（2K/32K/128K/256K）。很多人忽略上下文窗口占用顯存，128K 長對話會額外消耗大量內存，工具同步展示內存佔用比例，長文本需求用戶能直觀判斷是否要降低上下文長度，避免聊天中途顯存爆滿閃退。

實測使用體驗

我用 8G 獨顯臺式機完整測試一遍，打開頁面 2 秒完成硬件識別，頁面直接區分出可流暢運行的輕量模型，以及全部超出硬件負載的 14B、27B、70B 大模型。之前我盲目下載 Qwen3.5 9B，加載直接 OOM 報錯，用 CanIRun 提前檢測就會標註內存佔用 121%，完全不支持，直接省下幾十 G 硬盤空間。

想升級顯卡、加裝內存，也能通過工具對照高參數量模型的顯存需求，精準規劃硬件預算，不用盲目堆配置。沒有複雜專業術語，分級標籤通俗易懂，完全零基礎也能看懂。

現在本地開源大模型越來越多，參數、量化、顯存門檻五花八門，普通人很難靠自己判斷適配機型。CanIRun 作爲免費在線檢測工具，不用安裝、無需付費、隱私安全，一鍵測出電腦能跑哪些大模型、運行流暢程度、預估推理速度，完美解決本地部署前硬件適配難題。