Lenovo Yoga Pro 9n Gen 11 und ThinkPad P16 Gen 3 im Architektur- und Praxisvergleich
Abstract
Mit dem Yoga Pro 9n Gen 11 und dem ThinkPad P16 Gen 3 bietet Lenovo zwei grundlegend unterschiedliche Plattformkonzepte in einer vergleichbaren Preisklasse. Das Yoga kombiniert den NVIDIA RTX Spark N1X mit ARM-basierter CPU, Blackwell-GPU und 64 GB gemeinsamem LPDDR5X-Speicher.
Das ThinkPad P16 setzt dagegen auf einen Intel Core Ultra 7 255HX, 64 GB aufrüstbaren DDR5-Arbeitsspeicher und eine dedizierte NVIDIA RTX PRO 2000 Blackwell mit 8 GB GDDR7.
Der Beitrag untersucht die Auswirkungen dieser Architekturunterschiede auf lokale Sprachmodelle, KI-Agenten, Bildgenerierung, 3D-Rendering und professionelle Grafikworkloads. Neben Rechenleistung und Speicherarchitektur werden Displayqualität, Erweiterbarkeit und Softwarekompatibilität bewertet. Im Mittelpunkt steht die Frage, ob ein großer gemeinsamer Speicher oder eine klassische Workstation-Architektur mit dediziertem Grafikspeicher für das jeweilige Einsatzprofil den größeren praktischen Nutzen bietet.
Zwei Notebook-Konzepte für anspruchsvolle Anwender
Rund 5.000 Euro für ein Notebook sind eine Investition, bei der nicht nur die Spitzenleistung einzelner Komponenten zählt. Entscheidend sind ebenso die Eignung für konkrete Anwendungen, die Speicherarchitektur, die Erweiterbarkeit und die langfristige Nutzbarkeit im professionellen Umfeld.
Für diesen Vergleich stehen zwei Lenovo-Konfigurationen mit unterschiedlichen Zielsetzungen.
Das Yoga Pro 9n Gen 11, individuell über den Lenovo-Onlineshop konfiguriert, kostet laut vorliegendem Angebot 4.850 Euro inklusive Mehrwertsteuer. Es verfügt über den 20-Kern-Prozessor NVIDIA RTX Spark N1X, 64 GB LPDDR5X-9400 Unified Memory und eine 1-TB-SSD. Das 15,3-Zoll-OLED-Touchdisplay bietet eine Auflösung von 2.560 × 1.600 Pixeln, 165 Hz und eine Abdeckung des DCI-P3-Farbraums von 100 Prozent.
Das ThinkPad P16 Gen 3, Modell 21RQ005TGE aus dem Lenovo-Campus-Programm, kostet bei ok1.de aktuell 4.919 Euro inklusive Mehrwertsteuer. Es kombiniert einen Intel Core Ultra 7 255HX mit 64 GB DDR5-5600, einer 512-GB-SSD und einer NVIDIA RTX PRO 2000 Blackwell mit 8 GB GDDR7. Das 16-Zoll-IPS-Display bietet 1.920 × 1.200 Pixel und eine matte Oberfläche.
Der Preisunterschied beträgt lediglich 69 Euro. Trotzdem unterscheiden sich die Systeme erheblich: Das Yoga ist auf eine integrierte CPU-GPU-Plattform mit großem gemeinsamem Speicher ausgelegt, während das ThinkPad P16 eine klassische mobile Workstation mit dedizierter professioneller GPU darstellt.
Die Architektur entscheidet über die Einsatzmöglichkeiten
NVIDIA RTX Spark N1X: CPU und GPU im gemeinsamen Speicherraum
Der RTX Spark N1X kombiniert eine ARM-basierte Grace-CPU mit 20 Kernen und einer integrierten Blackwell-GPU mit 6.144 CUDA-Kernen. Der gemeinsame LPDDR5X-Speicher kann je nach Konfiguration bis zu 128 GB umfassen. Im hier betrachteten Yoga sind 64 GB verbaut.
Der wesentliche Unterschied zu einer herkömmlichen Notebook-GPU ist Unified Memory. CPU und GPU greifen auf denselben physischen Speicherbereich zu. Damit kann die GPU einen wesentlich größeren Teil des Systemspeichers für KI-Modelle nutzen, als es der dedizierte Grafikspeicher vieler Notebook-GPUs erlaubt.
Für das Yoga bedeutet das: Es stehen 64 GB gemeinsamer Speicher zur Verfügung, nicht 64 GB ausschließlich für die GPU. Betriebssystem, Anwendungen, CPU und GPU teilen sich diesen Speicher. Die tatsächlich nutzbare Kapazität für ein KI-Modell hängt deshalb von der übrigen Systemauslastung und der Speicherreservierung ab.
NVIDIA spezifiziert für die 20-Kern-Version eine Speicherbandbreite von bis zu 300 GB/s und eine Notebook-Leistungsaufnahme des Chips von 45 bis 80 Watt. Diese Kombination ist auf effiziente lokale KI-Verarbeitung und ein integriertes Systemkonzept ausgelegt.
NVIDIA RTX PRO 2000 Blackwell: dedizierter Grafikspeicher
Das ThinkPad P16 verwendet eine separate RTX PRO 2000 Blackwell mit 8 GB GDDR7. Die GPU besitzt ihren eigenen Grafikspeicher, während der Intel-Prozessor auf den DDR5-Arbeitsspeicher zugreift.
Der Vorteil dieser Architektur liegt in der dedizierten GPU-Ressource und der professionellen Workstation-Ausrichtung. Die RTX PRO 2000 eignet sich für Grafik- und CAD-Anwendungen, die von einer eigenständigen GPU, professionellen Treibern und einer klassischen x86-Umgebung profitieren.
Die Grenze für LLMs ist der 8 GB große Grafikspeicher. Größere KI-Modelle können nicht vollständig in diesen VRAM geladen werden, sofern sie den verfügbaren Speicher überschreiten. Je nach Software müssen Modellteile in den Hauptspeicher ausgelagert oder stärker quantisiert werden. Das kann die Ausführung erheblich verlangsamen.
Der System-RAM des ThinkPad lässt sich dagegen erweitern: Das konkrete Modell ist mit vier RAM-Steckplätzen ausgestattet und unterstützt bis zu 192 GB Non-ECC-Speicher. Außerdem sind drei M.2-Steckplätze vorhanden.
Technischer Vergleich im Überblick
| Merkmal | Yoga Pro 9n Gen 11 | ThinkPad P16 Gen 3 |
| Preis inkl. MwSt. | 4.850,00 € | 4.919,00 € |
| Modell | 83SRCTO1WW, CTO | 21RQ005TGE, Campus |
| CPU | NVIDIA RTX Spark N1X, 20 Kerne | Intel Core Ultra 7 255HX, 20 Kerne |
| Architektur | ARM64 | x86-64 |
| GPU | Integrierte Blackwell RTX, 6.144 CUDA-Kerne | Dedizierte RTX PRO 2000 Blackwell |
| GPU-Speicher | Gemeinsamer Unified Memory | 8 GB GDDR7 |
| RAM | 64 GB LPDDR5X-9400, verlötet | 64 GB DDR5-5600, 2 × 32 GB SODIMM |
| RAM-Erweiterung | Nicht vorgesehen | Bis zu 192 GB Non-ECC laut Produktangaben |
| SSD | 1 TB PCIe 4.0 | 512 GB PCIe 5.0 |
| Display | 15,3″ OLED, 2560 × 1600, 165 Hz, Touch | 16″ IPS, 1920 × 1200, 60 Hz, matt |
| Betriebssystem | Windows 11 Pro ARM64 | Windows 11 Pro |
| Stärken | Lokale KI, Unified Memory, OLED | Workstation-Software, Erweiterbarkeit, dedizierte GPU |
Konkrete Anwendungsszenarien
Szenario 1: Lokale Sprachmodelle und KI-Agenten
Ein Unternehmen möchte ein Sprachmodell lokal auf einem mobilen Rechner betreiben, um interne Dokumente zu analysieren, Produktdaten auszuwerten oder einen KI-Agenten mit Zugriff auf lokale Dateien und Anwendungen einzusetzen.
Yoga Pro 9n: Der gemeinsame 64-GB-Speicher ist hier ein wesentlicher Vorteil. Er ermöglicht die Ausführung größerer quantisierter Modelle, als es mit 8 GB dediziertem GPU-Speicher realistisch wäre. Das ist insbesondere für längere Kontexte, umfangreiche Prompts und lokale Agenten-Workflows interessant.
ThinkPad P16: Kleinere Modelle und Workloads, die in den 8-GB-VRAM passen, können auf der RTX PRO 2000 performant laufen. Bei größeren Modellen wird die Speichergrenze jedoch schnell relevant. Eine Erweiterung des System-RAMs ersetzt den dedizierten VRAM nicht vollständig und hat eien deutlisch schlchtere Performance zur Folge.
Fazit: Für lokale LLMs ist das Yoga die bessere Wahl, zumindest wenn die Größe des Modells 8 GB überschreitet.
Szenario 2: KI-gestützte Bildgenerierung mit ComfyUI
Ein Kreativteam möchte Bilder lokal generieren, Modelle testen und eigene Workflows mit ComfyUI aufbauen.
Yoga Pro 9n: Blackwell Tensor Cores, CUDA-Unterstützung und der große gemeinsame Speicher sind für diesen Einsatz attraktiv. Insbesondere speicherintensive Workflows können von der Möglichkeit profitieren, mehr Modellgewichte und Zwischenergebnisse im gemeinsamen Speicher zu halten
ThinkPad P16: Die dedizierte RTX PRO 2000 kann bei Workflows überzeugen, die innerhalb von 8 GB VRAM bleiben und von einer klassischen dedizierten GPU profitieren. Bei größeren Modellen und komplexeren Pipelines wird der Grafikspeicher zum limitierenden Faktor
Fazit: Für größere lokale Bildgenerierungsmodelle spricht die Speicherarchitektur für das Yoga. Die tatsächliche Generierungszeit hängt aber auch von Modell, Auflösung, Schrittzahl, Treibern und verwendeten CUDA- beziehungsweise PyTorch-Versionen ab. Nicht alle Modelle sind mit Windows ARM kompatibel.
Scenario 3: 3D-Modellierung, Blender und GPU-Rendering
Ein Konstrukteur, Designer oder 3D-Artist arbeitet mit komplexen Szenen und benötigt Viewport-Beschleunigung sowie GPU-Rendering.
Yoga Pro 9n: Die integrierte Blackwell-GPU bietet RTX-Funktionen und CUDA. Das Yoga ist damit grundsätzlich für 3D-Anwendungen geeignet. Der große gemeinsame Speicher kann bei umfangreichen Szenen helfen, allerdings stehen GPU und CPU nicht unabhängig voneinander zur Verfügung.
ThinkPad P16: Die RTX PRO 2000 ist als dedizierte Workstation-GPU auf professionelle Grafikworkloads ausgerichtet. Für CAD-nahe Anwendungen, Visualisierung und kompatible, professionelle Software ist die klassische Workstation-Architektur ein wichtiger Vorteil. Der 8-GB-VRAM bleibt bei großen Szenen eine Grenze.
Fazit: Für einfache bis mittlere 3D-Szenen sind beide Plattformen interessant. Bei professionellen Anwendungen müssen Softwarezertifizierung, GPU-Unterstützung und die Größe der Szene berücksichtigt werden. Für besonders anspruchsvolle GPU-Rendering-Aufgaben sollte geprüft werden, ob eine höhere RTX-PRO-Klasse sinnvoller wäre.
Szenario 4: CAD, Engineering mit professioneller Workstation-Software
Ein Ingenieurbüro setzt auf CAD-Software, wir z.B. Allplan, AutoCAD oder CATIA, technische Visualisierung und Anwendungen, die eine stabile Treiberumgebung und gegebenenfalls zertifizierte GPU-Konfigurationen voraussetzen.
Yoga Pro 9n: Die ARM-Architektur ist hier der wichtigste Prüfpunkt. Eine Anwendung kann zwar grundsätzlich unter Windows laufen, aber spezielle Treiber, Erweiterungen, Plug-ins oder Lizenzkomponenten müssen ebenfalls kompatibel sein. Die Unterstützung einer Anwendung unter x86-Windows garantiert nicht automatisch dieselbe Unterstützung unter Windows on Arm. Auch wegen fehlender Zertifizierungen der Softwarehersteller scheidet die Plattform für viele Anwendungscenarien in diesem Bereich aus.
ThinkPad P16: Die x86-Plattform mit Intel-Prozessor und RTX PRO GPU ist für klassische Workstation-Software die konservativere Wahl. Für Programme, die auf professionelle GPU-Treiber oder zertifizierte Konfigurationen angewiesen sind, ist die Kompatibilität vor dem Kauf dennoch anhand der konkreten Softwareversion zu prüfen.
Fazit: Für produktive CAD- und Engineering-Umgebungen ist das ThinkPad die bessere Wahl, sofern die eingesetzte Software die RTX PRO 2000 unterstützt und die Hardware vom jeweiligen Softwarehersteller zertifiziert ist.
Szenario 5: Video- und Bildbearbeitung
Eine Werbeagentur bearbeitet hochauflösendes Videomaterial, nutzt Farbkorrektur und arbeitet mit KI-gestützten Effekten.
Yoga Pro 9n: Das OLED-Display mit 100 Prozent DCI-P3, Touchfunktion und 165 Hz ist ein klarer Vorteil für die direkte Arbeit am Gerät. Die integrierte Blackwell-GPU kann unterstützte Video- und KI-Effekte beschleunigen. Die konkrete Leistung hängt allerdings vom Codec, der Anwendung und deren ARM64-Unterstützung ab.
ThinkPad P16: Die RTX PRO GPU und die x86-Plattform bieten eine klassische Arbeitsumgebung für professionelle Anwendungen. Das matte IPS-Display ist bei wechselnden Lichtverhältnissen praktisch, bietet in dieser Konfiguration aber eine geringere Auflösung und eine niedrigere Bildwiederholrate als das OLED-Panel des Yoga. (Es gibt das ThinkPad P16 auch mit besseren Displays, das wäre hier eien klare Empfehlung.)
Fazit: Für mobile Kreativarbeit und Displayqualität liegt das Yoga vorn. Bei professionellen Produktionspipelines sollte geprüft werden, ob alle verwendeten Plug-ins, Codecs und Hardwarebeschleunigungsfunktionen auf der ARM-Plattform unterstützt werden. Gegebenenfalls ein P16 mit besserem Display einsetzen.
Szenario 6: Softwareentwicklung und lokale KI-Entwicklung
in Entwickler möchte lokal Modelle testen, CUDA-Anwendungen entwickeln und KI-Agenten betreiben.
Yoga Pro 9n: Die Kombination aus Blackwell-GPU, CUDA und Unified Memory ist für KI-Prototyping eine gute Wahl. NVIDIA baut die native Windows-on-Arm-Unterstützung für Werkzeuge wie PyTorch, llama.cpp und weitere KI-Komponenten aus.
ThinkPad P16: Die x86-Umgebung bietet Vorteile bei bestehenden Entwicklungsumgebungen, nativen Binärdateien, Containern und Werkzeugen, deren ARM-Unterstützung noch eingeschränkt ist. Die dedizierte RTX PRO 2000 kann CUDA-Workloads beschleunigen, solange diese in den verfügbaren GPU-Speicher passen.
Fazit: Wer neue KI-Anwendungen gezielt für RTX Spark entwickelt, kann vom Yoga profitieren. Wer eine breite Palette vorhandener x86-Tools, proprietärer Entwicklungssoftware und professioneller Anwendungen benötigt, fährt mit dem ThinkPad zunächst sicherer.
Was unabhängige Tests über RTX Spark zeigen
Ein Test von ComputerBase zur RTX-Spark-N1X-Plattform zeigt, dass der Ansatz vor allem beim gemeinsamen Speicher und bei der Effizienz interessant ist. Bei kleineren Sprachmodellen, die auch in den VRAM einer herkömmlichen Notebook-GPU passen, ist der Leistungsvorsprung nicht automatisch gegeben. In einzelnen Tests kann eine leistungsstärkere dedizierte GPU bei der Token-Generierung vorne liegen.
Bei größeren Modellen ändert sich das Bild: Wenn ein Modell die 8 GB VRAM der RTX PRO 2000 deutlich überschreitet, ist die Fähigkeit, einen größeren gemeinsamen Speicherbereich zu nutzen, ein struktureller Vorteil. Daraus folgt aber keine pauschale Überlegenheit bei jeder KI-Anwendung.
Die veröffentlichten Messungen beziehen sich auf andere RTX-Spark-Notebooks, nicht auf die konkrete Lenovo-CTO-Konfiguration. Auch die Leistungsaufnahme, Kühlung und Firmware des jeweiligen Geräts können die Resultate beeinflussen.
Quellen:
Lenovo: Guides and Manuals Yoga Pro 9n
Lenovo: ThinkPad P16 Gen 3 Specifications
nbreview: NVIDIA RTX Spark – eine neue Plattform für lokale KI im Notebook
