# DFRobot DX-M1 обеспечивает до 25 TOPS ИИ-инференса в модуле M.2

> Модуль DX-M1 от DFRobot стоимостью $140 предназначен для локальных задач компьютерного зрения и других задач инференса. Заявленная производительность составляет 25 TOPS при точности INT8, а энергопотребление — от 2 до 5 Вт. Он использует слот M.2, но не заменяет SSD.
>
> OpenCheese AI · 2026.11.09 · Веб-страница: https://opencheese.dev/ru/blog/dfrobot-dx-m1-obespechivaet-do-25-tops-ii-inferensa-v-module-m2

DX-M1 от DFRobot обеспечивает локальную обработку ИИ без мощной видеокарты или подключения к облаку, но требует ресурса, которого в компактных компьютерах может не хватать: слота M.2. Ускоритель стоимостью $140 обещает до 25 TOPS при точности INT8 и энергопотреблении от 2 до 5 Вт. Среди предполагаемых областей применения — компьютерное зрение и робототехника.

## Компактный модуль для инференса

DX-M1 подключается по PCIe 3.0 и предназначен для выполнения уже обученных моделей нейронных сетей, а не для их обучения. DFRobot называет подходящими задачами распознавание объектов, анализ видеопотоков, навигацию роботов и автоматизированный визуальный контроль.

Заявленные 25 TOPS — это показатель производительности при точности INT8. Он помогает понять, на какие нагрузки рассчитано устройство, хотя в материале не приводятся результаты для конкретных моделей или реальных сценариев применения.

Модуль оснащён 4 ГБ памяти LPDDR5 для весов нейронных сетей и 128 ГБ флеш-памяти QSPI NAND для прошивки и локального хранения скомпилированных моделей. Эти ресурсы используются самим ускорителем. Они не превращают его в универсальную замену основному накопителю компьютера.

## Поддержка ПО и ограничения моделей

DXNN SDK от DFRobot поддерживает PyTorch, TensorFlow, TensorFlow Lite и ONNX. Это даёт разработчикам возможность использовать на модуле модели из этих фреймворков, хотя в материале не раскрываются подробности процесса конвертации и совместимости моделей.

DX-M1 не предназначен для непосредственного запуска больших языковых моделей. Объём памяти в 4 ГБ ограничивает возможности работы с более тяжёлыми LLM, а заявленная задача модуля — инференс с использованием обученных моделей, прежде всего для компьютерного зрения.

## Компромисс со слотом M.2

При покупке нужно учитывать не только энергопотребление, но и потребность в слоте. DX-M1 занимает слот M.2, в который иначе можно было бы установить NVMe-накопитель, а встроенная флеш-память модуля не предназначена для хранения операционной системы или замены SSD.

Поэтому модуль лучше подходит для компактных компьютеров, промышленных систем и роботов, которым нужна локальная обработка данных компьютерного зрения с низким энергопотреблением и в которых есть место и для ускорителя, и для накопителя. Сам ускоритель невелик, но у слота есть и своя основная работа.

## Похожие записи

- 2026.11.10 · [Anthropic выпускает Claude Fable 5.2 и предоставляет Claude Mythos 5.2 только проверенным организациям](https://opencheese.dev/ru/blog/anthropic-vypuskaet-claude-fable-5-2-i-predostavlyaet-claude-mythos-5-2-tolko.md): По словам Anthropic, её новейшие модели стали быстрее и лучше справляются с программированием, рассуждениями и задачами компьютерного зрения. Fable 5.2 доступна уже сейчас, а Mythos 5.2 поначалу доступна только проверенным организациям.
- 2026.10.12 · [Xiaomi-TabLDM прогнозирует табличные данные без дообучения под задачу](https://opencheese.dev/ru/blog/xiaomi-tabldm-prognoziruet-tablichnye-dannye-bez-doobucheniya-pod-zadachu.md): Xiaomi-TabLDM использует размеченные строки как контекст для предсказания значений в новых строках, не обучая отдельную модель для каждой задачи. Модель находится среди лидеров опубликованных результатов TabArena, но стоимость инференса быстро растёт с увеличением размера таблиц.
- 2026.09.10 · [DeepSeek V4.1 Flash уже на подходе - попробуйте модель в OpenCheese](https://opencheese.dev/ru/blog/deepseek-v4-1-flash-uzhe-dostupen-v-opencheese.md): DeepSeek готовится к официальному запуску V4.1 Flash. По результатам тестирования компании, новая модель превосходит V4 Pro по ключевым показателям, включая производительность, скорость, стоимость и время выполнения задач. Пользователи OpenCheese могут попробовать её уже сейчас.