128 GB de memoria unificada. Hasta 96 GB asignables a la GPU. Hermes Agent apuntando a localhost en lugar de a los servidores de terceros
«Todo el mundo dice que los agentes locales son gratis. Creo que esa no es la forma correcta de verlo». Ejecutar Hermes Agent en modelos en la nube costaba entre 10 y 20 dólares al día en créditos, sin contar el riesgo de privacidad al enrutar claves API, datos de clientes y flujos de trabajo empresariales a través de servidores de terceros. La solución es poner el agente y el modelo al que llama en hardware propio, funcionando 24/7, para que todo se convierta en infraestructura en lugar de una factura recurrente
Esto es un registro de construcción, no una comparativa: Minisforum MS-S1 MAX como máquina siempre encendida, Hermes Agent como capa de flujo de trabajo sobre ella. Juntos forman un equipo que cabe en un armario, permanece encendido permanentemente y maneja tareas empresariales reales —redactar contenido, hacer investigación, ejecutar llamadas a herramientas, gestionar subagentes— sin coste de nube por token ni datos que salgan de la red. A continuación: qué hay dentro del MS-S1 MAX, cómo configurarlo, los números de rendimiento reales y cómo conectar Hermes Agent sobre él como un stack de automatización empresarial funcional
El Hardware: Qué Hay Dentro del MS-S1 MAX
El MS-S1 MAX está construido sobre la plataforma AMD Strix Halo, actualmente el silicio de mini PC más capaz para ejecutar modelos de lenguaje grandes de forma local, porque combina una CPU potente con la GPU integrada más grande que AMD ha lanzado para este factor de forma. Esa es la diferencia entre una máquina que solo puede manejar chats simples y una que puede ejecutar un bucle de agente real con llamadas a herramientas, subagentes y contexto largo por sí misma
Especificaciones del SoC (AMD Ryzen AI Max+ 395, 4nm Strix Halo, 45-120W TDP):
1ComponenteEspecificaciónCPU16 núcleos / 32 hilos, Zen 5, 3.0 GHz base – 5.1 GHz turbo, 64 MB caché L3GráficosRadeon 8060S, 40 CU RDNA 3.5, 2.9 GHz, VRAM compartida con el sistemaNPUXDNA, 50 TOPSPCIeGen 4, 16 carrilesRAMLPDDR5X, 8000 MT/s, hasta 128 GB, cuádruple canal, 256 GB/s de ancho de banda
La iGPU de 40 CU / 2560 unidades de sombreado es aproximadamente comparable a una RX 7600 XT discreta en rendimiento bruto, integrada en una mini PC lo suficientemente pequeña como para dejarla funcionando en un estante 24/7
Por qué la iGPU funciona más aquí que en laptops: la 8060S normalmente está limitada a unos 55 W en chasis de laptop. El sistema de refrigeración más grande del MS-S1 MAX (6 heatpipes, ventiladores dobles) permite a Minisforum elevar el límite de potencia a 120 W en modo rendimiento, con frecuencias sostenidas correspondientemente más altas —importante para una máquina diseñada para ejecutar inferencia de forma continua, no en ráfagas cortas
El truco de la RAM que hace posible el flujo de trabajo empresarial: el MS-S1 MAX viene con 128 GB de LPDDR5X soldada, unificada y en cuádruple canal. El controlador AMDGPU puede asignar RAM del sistema como VRAM a través de la GTT (Tabla de Traducción de Gráficos), y en esta máquina la iGPU puede reclamar hasta 96 GB de ese grupo, dejando 32 GB para la CPU. Ese techo de 96 GB significa que esta única máquina puede alojar un modelo genuinamente capaz y hacerlo mientras ejecuta el proceso del agente, el panel de control y otros servicios siempre activos en el mismo equipo
Configuración de la Capa del Modelo (llama.cpp en Strix Halo)
mantiene contenedores Toolbox preconstruidos para llama.cpp en Strix Halo, en varios backends: vulkan-amdvlk, vulkan-radv, rocm-6.4.4, rocm-6.4.4-rocwmma, rocm-7rc-rocwmma. Están construidos principalmente para la HP G1a Mini (el mismo chip Strix Halo), pero funcionan en la mayoría de las máquinas Strix Halo, incluido el MS-S1 MAX. El backend vulkan-radv ha sido el más estable en las pruebas y carga los modelos grandes sin problemas
BIOS/UEFI: establecer la asignación mínima de VRAM en 1 GB (el mínimo de la BIOS de Minisforum) para que el controlador AMDGPU sea libre de asignar RAM del sistema como VRAM a través de GTT
Parámetros del kernel (probados en Arch Linux, pero cualquier distribución reciente con soporte para el kernel Strix Halo debería funcionar) para maximizar la asignación de VRAM y reducir la latencia:
amd_iommu=off amdgpu.gttsize=131072 amdttm.pages_limit=33554432 amdttm.page_pool_size=15728640
Crear el toolbox con paso directo de GPU:
toolbox create llama-vulkan-radv
--image docker.io/kyuz0/amd-strix-halo-toolboxes:vulkan-radv
-- --device /dev/dri --group-add video --security-opt seccomp=unconfined
Entrar en él:
toolbox enter llama-vulkan-radv
Dentro, llama-cli y llama-server están listos para ejecutar modelos. Forzar todas las capas a la GPU para que la CPU quede libre para todo lo demás (el proceso del agente, Tailscale, paneles de control):
1# Solo terminal2llama-cli --no-mmap -ngl 999 --flash-attn on -m <modelo>34# Interfaz web del servidor — a esto apuntará Hermes Agent5llama-server --no-mmap -ngl 999 --flash-attn on --host <dirección_ip> --port <número_puerto> -m <modelo>
Los modelos utilizados aquí provinieron de Unsloth en Hugging Face, en formato GGUF.
Cambiar entre modelos: llama-swap facilita intercambiar qué modelo está sirviendo al agente sin necesidad de reiniciar nada manualmente: descargar el binario de Linux, hacerle chmod +x y definir un config.yaml
1models:2 "OpenAI-20B-GPT-OOS":3 cmd: |4 llama-server --no-mmap -ngl 999 --flash-attn on --port ${PORT} -m /models/gpt-oss-20b-GGUF/gpt-oss-20b-F16.gguf -c 400005 "gemma-3-27b-it-abliterated":6 cmd: |7 llama-server --no-mmap -ngl 999 --flash-attn on --port ${PORT} -m /models/gemma-3-27b-it-abliterated-GGUF/gemma-3-27b-it-abliterated.q6_k.gguf -c 400008 "OpenAI-20B-NEO-CODEPlus":9 cmd: |10 llama-server --no-mmap -ngl 999 --flash-attn on --port ${PORT} -m /models/OpenAI-20B-NEO-CODEPlus-Q5_1/OpenAI-20B-NEO-CODEPlus-Q5_1.gguf -c 4000011 "OpenAI-120B-GPT-OOS":12 cmd: |13 llama-server --no-mmap -ngl 999 --flash-attn on --port ${PORT} -m /models/gpt-oss-120b-GGUF/gpt-oss-120b-UD-Q4_K_XL-00001-of-00002.gguf -c 40000
Esto proporciona una interfaz web para intercambiar modelos según la tarea (un modelo más ligero/rápido para respuestas rápidas, el de 120B para todo lo que requiera más razonamiento) sin tocar la máquina directamente, y el historial de chat persiste al cambiar
Los Números de Rendimiento (Por Qué Esta Máquina Puede Soportar una Carga de Trabajo de Agente)
Usando llama-bench para procesamiento de prompts (pp512) y generación de texto (tg128):
1ModeloTamañoProcesamiento de Prompts (t/s)Generación de Texto (t/s)GPT-OSS-120B (Q4_K_XL)58.7 GB454.15 ± 2.9856.61 ± 0.03GPT-OSS-20B (F16)12.8 GB965.54 ± 9.5646.84 ± 0.06Gemma-3-27B (Q6_K)20.6 GB178.14 ± 1.099.65 ± 0.01Qwen3-30B-A3B (BF16)56.9 GB163.01 ± 1.339.23 ± 0.04
El número que importa para un agente siempre activo: un modelo de 120B, completamente local, generando a 56.6 tokens/segundo. Es lo suficientemente rápido como para que Hermes Agent pueda ejecutar cadenas de llamadas a herramientas de múltiples pasos sin que cada tarea se convierta en una larga espera.
Prueba de carga en el mundo real: al solicitar a GPT-OSS-120B «Genera un ensayo sobre LLMs (5000 palabras)» produjo 7,990 tokens a 51.2 tokens/segundo. El consumo de energía promedió ~110 W en la iGPU, con la temperatura del borde estabilizándose alrededor de 68-69 °C —silencioso y no particularmente caliente, gracias al disipador de 6 heatpipes y doble ventilador, y a una actualización de BIOS 1.03 que mejoró la curva de los ventiladores. Ese perfil de potencia y temperatura es lo que hace que dejar esto funcionando 24/7 como equipo empresarial sea realista, no un riesgo de incendio
NPU: la XDNA 2 NPU (50 TOPS) no se ha utilizado aún en esta configuración —el soporte aún es inmaduro. FastFlowLM, un proyecto que permite la inferencia de LLM en NPUs Ryzen AI, parece prometedor como una forma futura de descargar aún más la carga de trabajo, pero actualmente requiere Windows
La Capa de Flujo de Trabajo: Conectando Hermes Agent Encima
Aquí es donde la máquina se convierte en una herramienta empresarial real en lugar de un benchmark. Hermes Agent es la capa que toma el modelo local anterior y lo convierte en algo que hace cosas: redacta contenido, ejecuta llamadas a herramientas, navega, gestiona subagentes y actúa según un horario
1. Instalar Hermes Agent y apuntarlo al modelo local. La configuración inicial de Hermes solicita un proveedor de modelos. Elegir local/autoalojado compatible con OpenAI, apuntar a localhost:<puerto> donde se está ejecutando llama-server, y omitir la clave API ya que es local. Hermes específicamente quiere una longitud de contexto mínima de 64,000 tokens —aumentar eso si el flujo de trabajo implica programación intensiva o documentos largos, mantenerlo más bajo para tareas cortas como correos electrónicos o publicaciones en redes sociales
2. Establecer el modelo local como predeterminado, no como la única opción. La configuración de producción real es híbrida por diseño, pero no porque el hardware no pueda seguir el ritmo —sino porque algunas tareas genuinamente no necesitan un modelo local de 120B: respuestas rápidas, formato simple, consultas cortas. Establecer el modelo local como predeterminado, luego agregar un proveedor de respaldo (OpenAI, Claude u Open Router) con instrucciones de enrutamiento para los casos en que realmente aporta valor —cadenas intensivas de llamadas a herramientas, bucles largos de depuración o tareas donde la velocidad importa más que la privacidad. Open Router es una forma económica de hacer esto: 10 dólares compran aproximadamente 1,000 solicitudes, útil como válvula de escape para tareas de subagentes no críticas
3. Mantenerlo funcionando 24/7. Un flujo de trabajo empresarial solo funciona si no se cae cuando cierras tu laptop. Habilitar Hermes Agent para que se reinicie automáticamente al arrancar:
1sudo systemctl enable tailscaled2sudo systemctl enable hermes-agent
Cualquier asistente de codificación de IA (Codex, Claude, Gemini, Warp) puede generar el archivo de servicio equivalente si Hermes Agent no se instaló como un servicio systemd por defecto
4. Acceder desde cualquier lugar con Tailscale. Esto es lo que convierte al MS-S1 MAX de «una máquina frente a la que tengo que sentarme» en infraestructura. Instalar Tailscale (plan personal gratuito, hasta seis usuarios) en la mini PC y en lo que sea que uses para trabajar día a día —laptop, teléfono. Una vez que ambos están en la misma red de Tailscale:
- Acceder por SSH a la mini PC desde una laptop para ejecutar comandos de administración que el agente no puede ejecutar por sí mismo
- Abrir el panel de control de Hermes Agent de forma remota como si se estuviera ejecutando en localhost, aunque físicamente esté en una máquina al otro lado de la habitación o al otro lado del país
- En iOS, dado que algunas aplicaciones de terminal (Termius) omiten el handshake de SSH que Tailscale espera, establecer el modo de acceso SSH en «aceptar» en los controles de acceso de Tailscale para que el teléfono pueda conectarse —útil para arreglar un flujo de trabajo atascado mientras no estás en un escritorio
5. Dejar que el agente ejecute las tareas empresariales. Con el stack conectado de esta manera, el patrón del día a día es: investigación, redacción, resúmenes y llamadas a herramientas rutinarias se ejecutan localmente en el MS-S1 MAX de forma gratuita, con los resultados enviados a través de Telegram, un panel de control o cualquier cosa con la que se integre Hermes. Cualquier cosa que necesite ser rápida (en tiempo real, orientada al cliente) o que necesite un razonamiento que el modelo local genuinamente no pueda igualar, se enruta al proveedor de respaldo por excepción, no por defecto
Por Qué la Elección del Hardware Determina Cuánto de Esto Obtienes Realmente
El modelo local es el cuello de botella para todo lo demás. Un modelo de 9B a velocidades de dos dígitos bajos en tokens/segundo puede ejecutar Hermes Agent, pero las tareas de agente de múltiples pasos con subagentes y llamadas a herramientas se extienden a muchos minutos, lo que limita cuánto de la carga de trabajo puede permanecer localmente de forma realista antes de que el enrutamiento de respaldo tenga que intervenir. Un modelo local de la clase 120B a 56+ tokens/segundo cambia cuánto de la carga de trabajo diaria la máquina local puede absorber por sí sola —más de la lógica empresarial se queda en hardware propio, y el respaldo en la nube se convierte en una herramienta para casos extremos genuinos en lugar de la ruta predeterminada para cualquier cosa no trivial
La privacidad es la parte que no cambia con el hardware. Sea cual sea el modelo que se ejecute localmente, las claves API, los datos de los clientes y los flujos de trabajo empresariales nunca salen de la red. Eso es cierto en una Raspberry Pi que ejecuta un modelo pequeño y también en el MS-S1 MAX que ejecuta uno de 120B —el hardware solo decide cuánto trabajo útil se realiza antes de que necesites recurrir a la opción en la nube
Conclusión Práctica
Para un stack de agente local 24/7 diseñado para realmente soportar flujos de trabajo empresariales —no solo para mostrar una respuesta de chat— los requisitos son: suficiente memoria unificada para cargar un modelo genuinamente capaz, suficiente margen de potencia/térmico sostenido para ejecutar ese modelo de forma continua, y un consumo en reposo lo suficientemente bajo como para que dejarlo encendido no se note como un gasto real
Los 96 GB de memoria de iGPU direccionable del MS-S1 MAX, los 110 W de consumo sostenido en carga y su refrigeración silenciosa de 6 heatpipes cubren el lado del hardware. Hermes Agent, apuntando a llama-server ejecutándose localmente y accesible desde cualquier lugar a través de Tailscale, cubre el lado del flujo de trabajo. Juntos, son una sola mini PC que puede estar en un armario, permanecer encendida permanentemente y ejecutar una parte significativa de la carga de trabajo diaria de IA de un negocio sin una factura recurrente de nube ni datos que salgan del edificio
Para uso general como estación de trabajo, el MS-S1 MAX también ofrece expansión PCIe y doble M.2, consumo de ~5 W en reposo, doble Ethernet de 10 Gbps y USB4 v2 (80 Gbps) —nada de esto es específico de LLM, pero todo importa si esta máquina hace doble función como algo más que solo el equipo del agente
