CanIRun.ai 最近在 Hacker News 社区引发讨论。这个网页工具瞄准一个很直接的问题：用户的电脑到底能运行哪些本地 LLM。打开浏览器后，网站会借助 WebGPU API 自动识别 GPU 型号和内存规格，再结合模型参数量、量化等级和内存带宽，估算模型能否运行，以及大致推理速度。
它给出的结果不是单纯的“能”或“不能”，而是以 S 到 F 的等级展示可执行性，并列出 token/s 这类推理速度信息。覆盖的模型范围也很广，从 0.8B 参数的小模型到 1T 参数的 MoE（混合专家）模型都在列表中，所参考的数据来自 llama.cpp、Ollama 和 LM Studio 等本地推理工具。
浏览器自动检测硬件，但结果并非总是准确
社区对这类工具的需求很明确，新手尤其需要一个低门槛入口。问题也很快暴露出来。讨论最集中的两点，一是硬件清单不完整，二是估算结果和实测之间存在偏差。
目前一些 GPU 并未出现在 CanIRun.ai 的清单中，包括 RTX Pro 6000、RTX 5060 Ti 16GB，以及多家厂商的笔记本 GPU。Apple 芯片虽然被纳入，但最高只列到 192GB 内存配置，而文中提到 M3 Ultra 实际可支持到 512GB。对准备本地部署模型的用户来说，这类缺口会直接影响判断。
另一个争议来自估算误差。有用户反馈，自己机器实际可以运行的模型，却被网站判定为不可用。这类“实测能跑��网页却说不行”的情况在讨论串中反复出现，也让部分用户降低了对结果的参考度。
命令行工具 llmfit 被视为替代方案
在相关讨论里，社区还提到另一个替代工具 llmfit。它是命令行程序，可以直接调用系统工具获取更精确的 GPU 信息，包括 nvidia-smi，因此不少人认为它比网页版本更实用，也更接近真实硬件状态。
不过，这也带出新的争议。有人对工具在不请求明确权限的情况下识别 GPU 型号感到意外，讨论随即延伸到浏览器指纹识别和硬件隐私。如果网页能通过 WebGPU API 检测显卡信息，这些数据会如何被使用，成了不少用户在意的问题。
社区想看的不只是“能不能跑”
从反馈来看，CanIRun.ai 当前的局限不只在精度。用户真正关心的是，在自己的硬件条件下，哪一个模型质量最好，速度也还能接受。现阶段工具主要回答“跑不跑得起来”，却还没有把“跑起来效果如何”纳入决策。
社区提出的改进方向很具体，包括加入模型能力基准评分、支持 CPU 与内存共享策略、纳入 KV cache 卸载技巧，以及修正 MoE 模型的计算逻辑。也有人建议，这类能力如果能直接整合进 Ollama，用户就能在命令行环境中根据本机硬件自动筛选模型，少走很多查询和试错流程。
对刚接触本地 AI 的用户而言，CanIRun.ai 仍然是一个上手很快的检查工具。它抓住了“本地跑模型前先看机器吃不吃得消”这个痛点，只是距离成为可靠的硬件决策助手，还有不少细节要补齐。