前言
自从M-ATX和ITX开始流行起来以后,ATX用户就变得越来越少了,看到网上大家都在晒各种各样的小机箱,一度让我也跃跃欲试。这不,前些天旧主机的电源刚好寿终正寝,就想着反正要拆机干脆直接连着机箱一起换掉,索性入手了一台最近被种草的硕一凤凰U320。M-ATX的规格一眼看起来就比原来的ATX要精致许多,至于为什么没有一步到位选择ITX,当然是因为手里这套平台它装不进去呗,再说能装M-ATX主板的机箱哪能让ITX为难住不是。
不过有一说一,ATX大机箱我装了不少,但U320这种小机箱确实也是头一回用,硬件的兼容性怎么样?以及是否能上高端平台还得看装完测过才知道。由于手里没有ITX的平台,所以特地冒着友尽风险,从朋友那顺了一套过来。希望这次连友情都豁出去的考验,U320能够顶住吧。
机箱&配件
装机之前,先聊聊外观和结构设计。在看过了各种炫酷RGB风格的机箱后,U320这样素雅简约的视觉体验确实能给人眼前一亮的感觉。尤其是纯白底色搭配上下提手的设计,乍一眼还挺像MAC PRO。当然,最值得一提的还是采用创新一体成型工艺,将机箱的前、右、后三个面打造成了U型结构。加上0.8mm板材用料,不仅视觉观感上更加浑然一体,而且还能加强整体结构刚性。对本就具有一定便携属性的M-ATX机箱来说,的确在运输或出行携带时让人更加放心。
尽管机身尺寸只有长350mm、宽165mm、高310mm,但并未牺牲内部的扩展性,U320能够支持全尺寸的M-ATX主板和ITX小板。除此之外,也能安装135mm以内的塔式风冷和240水冷(标配水冷支架),相比下压式风冷方案不管是成本还是效果都要更出色。
除主板和散热之外,U320在电源方面也极具灵活性,通过附赠的支架可以安装ATX/SFX两种规格电源。此外,配备的0.8平方电源转接线支持高达1000W功率输出,进一步提升了电源选择的灵活性。需要的注意的是ATX电源会与240水冷冲突,因此在装机时需要提前考虑适合自己的方案。
(ATX电源)
(SFX电源)
装机搭配
说完机箱就来到最重要的装机环节了,先从容易装的ITX开始,朋友这套配置是映泰Z490 GTN主板搭配i3-10300,GPU则是我自己的耕升RXT 4070 SRUPER踏雪Mini。装完三大件之后,实际机箱内部空间还有许多剩余,因此电源我并没有选择ITX,而是普普通通的IN WIN PB850。在U320上还是比较推荐ITX主板搭常规ATX电源的,毕竟好钢花在刀刃上,把小电源的溢价用在三大件或存储上岂不是更香。散热的话整机只给CPU加装了一个下压式风冷,如果想省成本的话直接上塔式也行。至于硬盘和内存,根据自己预算选择就好,反正也不占空间。凭借U320出色的内部结构设计,安装过程中没走什么弯路就让我顺利过渡到了散热测试。
在测完ITX方案的温度以后,就轮到我自己的M-ATX方案了。主板、CPU分别是微星的B650M迫击炮和AMD R7-7700,显卡继续用耕升RXT 4070 SRUPER踏雪Mini。不过这次因为用上了240水冷,所以搭配的则是硕一自己的650W SFX电源。这里给想要在U320上装M-ATX方案的小伙伴一个建议,在装机时最好先装电源,然后把CPU供电插上之后再装入主板,这样会更加顺利。
测试
可以发现,两套配置我都没有安装机箱风扇,这也是为了看看U320宣传的8万个精雕细孔和大小穿孔究竟对散热帮助有多大。考虑到测试的严谨性,这两套配置都在室温26℃,双烤超过30分钟情况下进行的数据采样。其中ITX方案双烤后CPU温度78℃,GPU温度71.8℃,M-ATX方案CPU温度65℃,GPU温度73.6℃。
(ITX平台双烤结果)
(M-ATX平台双烤结果)
这两套配置在双烤过程中,CPU和GPU均未触发温度墙,并都有充足余量去胜任更高的性能释放。因此,不难看出U320对散热是下了“狠”功夫的,在没有安装多余机箱风尚的情况相下,仅依靠独有的大小穿孔和8万个精雕细孔,它依然能表现出足够优异的散热水平。
总结
对于硕一凤凰U320这类M-ATX紧凑机箱来说,在满足外观审美的情况下,充足的内部空间以及合理的散热设计也尤为重要,这不仅能够带来更多的装机方案选择,同时也能避免高性能平台在极限性能下出现疲软情况,给DIY装机用户更多自由度。相信这样一款能“扛”能“打”的机箱,一定可以成为你桌面美搭和工作娱乐的重要拼图。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。