在华硕 ROG Flow Z13 的使用初期，其内置的神经网络处理单元（NPU）长期处于闲置状态，任务管理器显示占用率始终为 0%。由于 Radeon 8060S 集成显卡足以运行本地大语言模型，且 Copilot+ 功能缺乏吸引力，NPU 的价值一度被忽视。直到引入 AMD Lemonade（集成 FastFlowLM）与微软 Foundry Local 后，这一局面才得以改变。经过数日针对聊天、语音转录、文档搜索及代码补全的测试与功耗记录，结果显示 NPU 虽能工作，但表现未达预期。
无需 Copilot+，NPU 生态初现雏形
长期以来，PC 端 NPU 主要服务于微软 Copilot+ 功能，英伟达 RTX Spark 等方案也类似地低调处理 NPU。AMD 推出的 FastFlowLM 作为专为语言、语音和嵌入模型设计的“NPU 优先”运行时环境，已被纳入 ROCm 项目。在 Lemonade 中，它与 llama.cpp 后端、AMD ryzenai-llm 运行时及 whisper.cpp NPU 版本并列。微软 Foundry Local 则默认将 11 个模型（含三个代码微调版 Qwen）指向 NPU。Lemonade 支持的 FastFlowLM 模型超过 40 个，两款工具均可通过命令行快速部署。
配置波折与性能倒挂：集显能效碾压 NPU
实际配置过程并非一帆风顺。Lemonade 在下载 gpt-oss-20b 模型时出现数据不完整及文件占用问题，且 ROCm 后端在无提示情况下将负载回退至 CPU。切换至 Vulkan 模式后，负载才正确转移至 Radeon 8060S。
在电池供电下的基准测试中，集成显卡展现出显著优势。Radeon 8060S 在 Vulkan 支持下运行 llama.cpp，每秒生成 53.8 个 token，每千 token 能耗约 460 焦耳。相比之下，NPU 上的 FastFlowLM 每秒仅生成 9.5 个 token，最佳能耗约 1200 焦耳；ryzenai-llm 速度为 8.8 token/s，能耗高达 1700 焦耳。即便是回退至 CPU 运行，其速度（23.6 token/s）和能耗（990 焦耳）也优于 NPU。此外，集成显卡的首字延迟仅为 0.44 秒，而 FastFlowLM 高达 4.1 秒，体验差距明显。
功耗数据显示，NPU 电路本身功耗增加不足 1W 至 2.4W，但整机功耗在生成期间增加 14W 至 15W，这部分额外能耗未体现在单一组件读数中。由于集成显卡能以五倍速度完成任务，其单位 token 能耗反而更低。任务管理器在此场景下参考意义有限，其在 NPU 高负载时显示占用率为 0%，而在 GPU 高效运行时仅显示 19%。
转录场景：NPU 的唯一高光时刻
在语音转录测试中，NPU 展现了其核心价值。使用 FastFlowLM 的 Whisper 模型处理五分钟音频，耗时 78 秒（比实时快 3.8 倍），整机功耗仅增加 8.7W，且全程独占 NPU，CPU 和 GPU 保持空闲。相比之下，whisper.cpp NPU 版虽更快（33.6 秒，能耗 450 焦耳），但会导致 CPU 与 NPU 交替工作，CPU 功耗波动在 5W 至 8W。FastFlowLM 的优势在于以低功耗处理后台任务，避免干扰 GPU 游戏渲染或 CPU 其他高负载工作，尽管其整体能耗略高且速度较慢。
搜索与补全：嵌入模型存在准确性缺陷
在文档搜索测试中，FastFlowLM 的嵌入模型表现不佳。针对 AMD Ryzen AI Halo 用户手册的查询，该模型无法正确识别 LED 故障相关段落，反而将 SSH 设置、Windows 激活密钥甚至烤蔬菜食谱列为高匹配项，且对相同输入返回不一致结果。相比之下，小型 llama.cpp 嵌入模型排序准确。解决方案是引入传统关键词评分机制，结合后 qwen3.5-4b 模型能在七秒内正确回答问题并提供引用。
综上，在 ROG Flow Z13 上，NPU 在实时聊天场景中败于集成显卡和 CPU，其主要优势在于低功耗处理非即时性后台任务，如会议转录。随着 FastFlowLM 嵌入功能及 Foundry Local 补全功能的完善，未来表现值得期待。对于经常录制会议的 Ryzen AI 笔记本用户，当前版本的 FastFlowLM Whisper 功能已具备试用价值。