DGX Spark平台對我們來說並不陌生。我們已經評測過戴爾、華碩、宏碁和技嘉基於NVIDIA GB10 Grace Blackwell參考設計的各種產品，它們的核心配置基本一致：1,000 TOPS的FP4計算能力、128GB統一LPDDR5x內存以及雙200GbE網絡，所有這些都集成在一個150mm厚的機箱內。惠普的ZGX Nano G1n AI Station在此基礎上進行了升級，但惠普的創新設計使其在眾多Spark產品中脫穎而出。
最顯著的差異在於材質和結構。 HP ZGX Nano 的機殼採用高達 75% 的再生鋁和 20% 的再生鋼製成，包裝材料的再生含量高達 93%。內部佈局將機殼分為上下兩部分，相比我們測試過的幾款 Spark 機型，更換 SSD 和紐扣電池等組件更方便。在散熱方面，惠普官方數據顯示該系統待機噪音為 22 分貝，高負載運行時噪音為 27.6 分貝，對於一款峰值散熱量約為 780 BTU/小時的系統來說，這樣的靜音效果相當出色。
在安全性方面，惠普超越了參考平台。 ZGX Nano 配備 TPM 2.0，運行於 FIPS 140-2 認證模式，符合通用準則 EAL4+ 標準，並包含 BIOS 等級安全啟動和 PXE 控制功能。儲存方面，出廠預先安裝了一塊自加密的 OPAL NVMe 固態硬碟。綜上所述，惠普將這款產品定位為不僅適用於開發人員桌面 AI 節點，也適用於供應鏈認證、靜態資料加密和防篡改等採購要求嚴格的監管環境的系統。
| 規格 | HP ZGX Nano G1n AI Station |
|---|---|
| 概述 | |
| 產品描述* | HP ZGX Nano G1n AI Station |
| 外形 | 迷你 |
| 操作系統 | NVIDIA DGX 作業系統 7/Ubuntu 24.04 注意：本產品不支援微軟Windows系統。 |
| 硬體 | |
| 處理器 | NVIDIA GB10 Grace Blackwell 超級晶片 Blackwell 架構 GPU 20核心Arm CPU（10個Cortex-X925 + 10個Cortex-A725） Blackwell CUDA 核心 第五代 Tensor Core 第四代 RT 核心 1 個 NVENC 1x NVIDIA |
| 記憶體應用 | 128GB LPDDR5x，統一內存，16通道，板載 |
| 內存帶寬 | 273 GB / s |
| 儲存（內部 I/O） | 1 個 M.2 PCIe Gen5 x4 接口 可選配置：2TB 或 4TB PCIe Gen4 x4 NVMe（2242 接口，SED OPAL TLC 快閃記憶體） |
| 網路與I/O | |
| 後置 I/O 端口 | 1 個 USB-C 電源介面（240W） 3 個 USB-C 20Gbps 介面（支援 DisplayPort 1.4a，總功率 30W） 1個HDMI 2.1a 1 個 10GbE RJ-45 接口 2 個 QSFP 200GbE (ConnectX-7) |
| 網絡控制器 | Realtek RTL8127-CG 10GbE NVIDIA ConnectX-7 200GbE |
| 無線網路和藍牙 | AzureWave AW-EM637 無線網路7+藍牙5.4 |
| 性能 | |
| 人工智慧運算 | 最高可達 1,000 TOPS（FP4） |
| 型號容量 | 最多 200B 個參數 |
| 體能與力量 | |
| 尺寸（高x寬x深） | 2.01吋（無腳墊）/ 2.1吋（附腳墊） 5.9“x 5.9” |
| 重量 | 起重1.25公斤（2.76磅） |
| 電源供應 | 240W USB-C 外接式轉接器，效率 89%，主動式 PFC |
構建和設計
與我們之前評測過的其他系統（參見我們的戴爾/華碩/宏碁/技嘉評測）相比，惠普 ZGX Nano G1n 的設計理念與 DGX Spark 截然不同。它沒有採用常見的將內部組件隱藏在頂蓋內的設計，而是將機身份為上下兩部分，使得內部結構在打開後更容易理解。這種看似複雜的設計其實非常實用，只需擰下幾顆螺絲即可輕鬆更換連結電池和固態硬碟等零件。這種更人性化的內部結構也體現在外觀設計上，惠普更重視系統的構造與用料。
儘管如此，惠普還是為其配備了一個時尚的黑色外殼，尺寸僅為 150 毫米見方，並且大量使用回收材料。具體來說，這款產品使用了高達 75% 的再生鋁、20% 的再生鋼以及大量的消費後再生塑膠。就連包裝也體現了這個理念。瓦楞紙板的再生材料含量高達 93%，塑膠包裝的再生材料含量也至少達到 30%。
在散熱方面，本系統採用強制風冷。考慮到NVIDIA GB10 Grace Blackwell超級晶片的高密度，這是一個值得注意的工程選擇。儘管機身緊湊，惠普仍為其配備了完整的散熱系統。在滿載情況下，系統每小時可散發約780 BTU的熱量，具體數值取決於配置。系統峰值功耗約228W。此外，惠普宣稱該系統噪音水準相對較低，空閒時為22 dBA，高負載運轉時為27.6 dBA。
這款設備尺寸為 5.9 x 5.9 x 2.01 英吋（不含底座），屬於超緊湊型產品。惠普明確指出該設備不可機架安裝，這進一步強化了其作為桌面級 AI 節點而非傳統資料中心基礎架構的定位。其可維護性也經過精心設計，使用者需要一把 1 號十字螺絲起子才能存取內部組件，而且大多數組件（包括記憶體）都不可由使用者自行更換。
ZGX Nano 內部採用了 NVIDIA 的參考電路板設計，許多其他基於 DGX Spark 平台的 OEM 廠商也採用了這種設計。 LPDDR5x 記憶體直接焊接在主機板上，運作頻率最高可達 8533 MHz。總體而言，該平台優先考慮效率和密度，而不是模組化設計。
安全性和可升級性
HP ZGX Nano G1n 的設計本身就非常安全。它整合了一個 TPM 2.0 模組，該模組以 FIPS 140-2 認證模式運行，符合可信任計算組織 (TCG) 規範，並通過了通用準則 EAL4+ 認證。 BIOS 等級的保護措施包括安全啟動控制、基於 PXE 的遠端啟動功能，以及完全停用從可移動媒體啟動的功能。
從硬體角度來看，惠普明確表示：該系統不可升級。 128GB LPDDR5x 統一記憶體直接焊接在主機板上。此外，買家必須在購買時選擇儲存設備。雖然單一 M.2 插槽在電氣上支援 PCIe Gen5 x4，但出廠配置配備的是 PCIe Gen4 x4 NVMe SSD。這些 SSD 容量可選 2TB 或 4TB，且均為自加密 OPAL 硬碟。
惠普指出，即使停產後，備件仍可供應長達五年。然而，這本質上是一個一體式系統，而非模組化工作站。
輸入/輸出和擴展
機正面設計極簡，僅配備電源按鈕和狀態指示燈。背面則提供豐富的接口，支援高性能連接。惠普建議使用NVIDIA推薦的240W USB-C標準電源轉接器供電，並提醒使用者使用第三方轉接器可能會導致效能下降或系統不穩定。
三個 USB 3.2 Type-C 連接埠提供 USB 連接，每個連接埠的傳輸速度均為 20 Gbps，並支援 DisplayPort 1.4a Alt Mode。一個專用的 HDMI 2.1a 連接埠提供額外的顯示輸出。網路方面，該系統配備了 Realtek RTL8127-CG 10GbE 控制器和 NVIDIA ConnectX-7 控制器，提供兩個 200GbE QSFP112 連接埠，每個連接埠的吞吐量均為 200 Gbps。
此網路協定堆疊支援多種企業級功能，包括 PXE 啟動、網路喚醒 (Wake-on-LAN)、VLAN 標記 (802.1Q)、時間同步 (802.1as/1588) 以及所有支援速率下的全雙工操作。此外，配備藍牙 5.4 的 Wi-Fi 7 (802.11be) 2×2 模組提供無線連接，支援 MU-MIMO、WPA3 安全協議，並可在 2.4GHz、5GHz 和 6GHz 頻段上運作。
圖形和音頻
GB10 Superchip 整合的 NVIDIA Blackwell GPU 負責處理所有圖形任務。該系統支援透過 USB-C DisplayPort 1.4a 輸出 8K 60Hz 分辨率，以及透過 HDMI 2.1a 輸出 8K 30Hz 分辨率。惠普建議使用線纜直接連接進行 8K 輸出，因為適配器或擴充座可能會導致訊號不穩定或降低訊號品質。
音訊透過HDMI傳輸，沒有專用的類比音訊輸出。這與該系統作為計算節點而非傳統多媒體工作站的定位相符。
熱測試
CPU溫度
在CPU散熱測試中，HP ZGX Nano G1n在負載高峰期最高溫度達到77.3°C。與其他對比機型相比，HP ZGX Nano G1n在尖峰負載轉換時的溫度低於其他機型，其他機型的溫度均攀升至90°C以上。當負載切換到均衡ISL/OSL負載以及解碼密集型負載時，CPU溫度趨於穩定，並未繼續急劇上升。
在低負載情況下，CPU最低溫度為36.4°C。這意味著當系統不處於高運算壓力下時，HP處理器具有有效的散熱效能。整體而言，ZGX展現了可控的CPU瞬時溫度控制與穩定的持續負載效能。
GPU溫度
GPU 溫度變化趨勢類似。在高負載加速期間，GPU 最高溫度達到 69°C。這使得 HP 在尖峰負載下的溫度在同類產品中處於較低水平，其他一些系統（例如戴爾、華碩和 Founders Edition）在高負載運行時溫度明顯更高。隨著負載轉移到均衡 ISL/OSL 和解碼密集型階段，GPU 溫度趨於穩定。
在光照較弱的階段，GPU 記錄到的最低溫度為 34°C，顯示其具有良好的待機散熱能力。 
NVMe溫度
在均衡測試階段，NVMe 固態硬碟的溫度約為 42°C，僅比其靜止基線溫度緩慢上升。隨著工作負載切換到預填充重負載，儲存溫度明顯升高，範圍從 42°C 到 47°C。在解碼重負載階段，固態硬碟的溫度達到峰值，在 47°C 到 54°C 之間，但仍明顯低於大多數其他 Spark 系統。
NIC 溫度
在均衡階段，NIC 溫度範圍為 39°C 至 52°C，呈現穩定上升趨勢，顯示隨著網路活動在運作初期加速，溫度適度升高。
在預填充重負載測試階段，網卡溫度升高，範圍從 48°C 到 64°C，因為此階段對網路子系統施加了更大的持續壓力。在解碼重負載測試階段，網路卡溫度達到峰值，範圍為 52°C 到 68°C。儘管如此，整個測試過程中網路卡的溫度表現依然穩定。
GPU功耗
在均衡階段，GPU 功耗範圍為 2.86W 至 40W 以上，HP ZGX Nano G1n 處於中等水準。
在 Prefill Heavy 模式下，GPU 功耗從大約 37W 開始，降至最低 35W，並飆升至最高 69W，使其成為運行過程中功耗最高的階段。
在解碼重載期間，GPU 功耗穩定在 35W 至 46W 的較低、更穩定的範圍內，這表明隨著工作負載從更激進的突發行為轉向其他行為，功耗需求降低。
熱力總結
在負載運轉時，ZGX Nano G1n 的溫度控制非常出色。系統最大功耗約 228W，散熱量約 780 BTU/小時。相較之下，待機功耗僅為 36–38W 左右，顯示系統在非活動狀態下具有高效的功率控制。強制風冷散熱方案確保系統溫度穩定在惠普規定的 5°C 至 30°C 範圍內。
HP ZGX Nano AI 效能測試
為了評估搭載 GB10 的 HP ZGX Nano，我們使用 vLLM Online Serving 基準測試對 Spark 單元進行了測試。 vLLM Online Serving 基準測試是目前應用最廣泛的大型語言模式高吞吐量推理和服務引擎。此基準測試透過向運行中的 vLLM 伺服器發送並發請求來模擬真實生產環境中的工作負載，並測量關鍵指標，包括總令牌吞吐量（每秒令牌數）、首令牌到達時間和每個輸出令牌的產生時間，同時檢視不同負載條件下的效能。
我們的測試涵蓋了多種模型，包括密集架構和微擴展資料類型，並評估了三種工作負載場景下的效能：均衡 ISL/OSL、預填密集型和解碼密集型。這些場景代表了不同的實際服務模式，從均衡的輸入輸出負載到計算密集型的提示符號處理和記憶體頻寬受限的令牌產生。
除了搭載GB10處理器的HP ZGX Nano之外，我們也對來自戴爾、華碩、宏碁和技嘉等其他OEM廠商的系統進行了基準測試。這使我們能夠將HP的測試結果置於更廣泛的競爭格局中進行分析，並了解其在不同型號和工作負載下處於領先地位、與競爭對手並駕齊驅或落後於競爭對手的哪些方面。
GPT-OSS-120B
使用 GPT-OSS-120B 時，HP ZGX Nano G1n 在預填重任務中表現最為出色，吞吐量從第 1 批次的 304.5 tok/s 提升至第 64 批次的 2773.3 tok/s。等效 ISL/OSL 的吞吐量也穩定提升，從 69.6 tok/s 增加到 722.9 tok/s。相較之下，解碼重任務的效能則弱得多，第 1 批次的吞吐量為 183.7 tok/s，第 2 批次略有下降，隨後在第 64 批次回升至 262.9 tok/s。
GPT-OSS-20B
使用 GPT-OSS-20B 時，HP 的最高碼率來自 Prefill Heavy，但其性能提升並非線性，與其他模型相比，曲線並不平緩。 Prefill 的表現在第一批次時達到 1626.6 tok/s，在第二批次時攀升至 1980.3 tok/s，隨後在第四批次時急劇下降至 1120.3 tok/s，最後在第 64 批次時回升至 4345.1 tok/s。 Equal ISL/OSL 的效能提升則更為平滑，從 92.6 tok/s 提升至 1550.6 tok/s，而 Decode Heavy 的效能提升則從 94.4 tok/s 提升至 670.4 tok/s。
Qwen3 編碼器 30B A3B FP8
對於 Qwen3 Coder 30B A3B (FP8) 測試，HP 在預填充重任務中再次表現出色，吞吐量從批次大小為 1 時的 432.2 tok/s 提升至批次大小為 64 時的 2069.4 tok/s。等 ISL/OSL 測試的吞吐量也從 104.2 tok/s 提升至 1274.4 tok/s，而解碼重任務的吞吐量則從 55.9 tok/s 提升至 480.4 tok/s。這是 HP 整體表現較為優異的成績之一。
Qwen3 Coder 30B A3B Base
在 Qwen3 Coder 30B A3B（基礎版）上，HP 在所有三個階段均實現了穩定增長，但最高增速仍集中在預填充重載階段。此階段的吞吐量從第一批次的 258.6 tok/s 提升至第 64 批次的 1629.4 tok/s。等 ISL/OSL 階段的吞吐量從 60.3 tok/s 提升至 690.3 tok/s，而解碼重載階段的吞吐量則從 33.0 tok/s 提升至 331.8 tok/s。
Llama 3.1 8B 指令 FP4
使用 Llama-3.1-8B-Instruct (FP4) 時，HP 的吞吐量明顯提升。等 ISL/OSL 的吞吐量從批次 1 的 76.4 tok/s 提升至批次 64 的 2774.1 tok/s，使其成為 HP 在此模型三個階段中性能最強的階段。預填充重型階段的吞吐量也大幅提升，從批次 32 的 316.8 tok/s 提升至 2397.1 tok/s，隨後回落至批次 64 的 2270.4 tok/s。解碼重型階段的吞吐量在整個掃描過程中從 40.7 tok/s 提升至 547.6 tok/s。
Llama 3.1 8B 指令（基礎版）
在 Llama-3.1-8B-Instruct (Base) 測試中，HP ZGX Nano G1n 在所有三個階段均表現出良好的效能提升。在 Equal ISL/OSL 模式下，吞吐量從批次 1 的 28.2 tok/s 提升至批次 64 的 1298.6 tok/s。在 Prefill Heavy 模式下，HP 的吞吐量從 123.2 tok/s 提升至 1759.5 tok/s，在整個測試過程中效能提升顯著，僅在峰值附近略有下降。相較之下，Decode Heavy 模式的效能提升則小得多，吞吐量從批次 1 的 15.5 tok/s 提升至批次 64 的 366.4 tok/s。
GPU直接儲存
GPU 直接儲存的工作原理
傳統上，當GPU處理來自NVMe固態硬碟的資料時，資料必須先經過CPU和系統記憶體才能到達GPU。由於CPU充當中間人，這個過程會造成效能瓶頸，增加延遲並消耗系統資源。 GPU直接儲存（GPU Direct Storage）透過允許GPU直接透過PCIe匯流排存取儲存裝置中的數據，消除了這種低效率。這種直接路徑減少了資料傳輸開銷，從而實現了更快、更有效率的傳輸。
人工智慧工作負載，尤其是涉及深度學習的工作負載，都是資料密集的。訓練大型神經網路需要處理TB級的數據，任何數據傳輸延遲都會導致GPU利用率不足，從而延長訓練時間。因此，GPU直接儲存透過盡可能快速地將資料傳輸到GPU來應對這項挑戰，最大限度地減少空閒時間，並最大限度地提高運算效率。
此外，GDS 也有利於處理大型資料集的工作負載，例如視訊處理、自然語言處理和即時推理。透過降低對 CPU 的依賴，GDS 可以加快資料傳輸速度，並將 CPU 資源釋放出來用於其他任務，進一步提升系統整體效能。
GDSIO 讀取吞吐量 16K
從 GDSIO 讀取吞吐量 16K 測試來看，HP ZGX Nano G1n 在單執行緒下初始速度為 0.70GiB/s，在同組產品中低執行緒效能表現優異。雙執行緒時速度降至 0.41GiB/s，四執行緒時回升至 0.86GiB/s，與部分同類產品一樣，存在早期執行緒效能不穩定的情況。此後，效能擴展性顯著提升。八線程時吞吐量達到 1.6GiB/s，十六線程時達到 2.2GiB/s，三十二線程時繼續攀升至 3.0GiB/s。在更高的線程數下，HP 的效能持續提升，六十四線程時達到 3.9GiB/s，十二八線程時達到峰值 4.6GiB/s。
GDSIO 讀取平均延遲 16K
從 GDSIO 讀取平均延遲 (16K) 來看，HP ZGX Nano G1n 在單執行緒時延遲約為 0.02 毫秒，在雙執行緒 (0.08 毫秒) 和四執行緒 (0.07 毫秒) 時也保持較低水準。延遲在八線程 (0.08 毫秒) 和十六線程 (0.11 毫秒) 時略有上升，然後在三十二線程 (0.16 毫秒) 和六十四線程 (0.25 毫秒) 時顯著增加。在 128 個執行緒時，延遲達到 0.42 毫秒，雖然略低於同組最高值，但係統在整個測試過程中吞吐量保持穩定成長。
GDSIO 寫入吞吐量 16K
從 GDSIO 16K 寫入吞吐量測試來看，HP ZGX Nano G1n 在單線程下初始速度為 0.84GiB/s，雙線程下提升至 1.4GiB/s，四線程下達到 2.2GiB/s。性能在八線程下繼續保持強勁增長（3.0GiB/s），並在十六線程下達到 3.3GiB/s，之後基本上趨於穩定。在 32 個線程和 64 個線程下，吞吐量基本上保持在 3.3GiB/s 左右，然後在 128 個線程下略微下降至 3.2GiB/s，這表明該平台較早達到寫入效能的上限，並在後續測試中保持穩定。
GDSIO 寫入平均延遲 16K
從 GDSIO 寫入平均延遲 (16K) 來看，HP ZGX Nano G1n 在單執行緒時延遲約為 0.02 毫秒，在雙執行緒 (0.02 毫秒) 和四執行緒 (0.03 毫秒) 時仍保持極低的延遲。延遲在八線程 (0.04 毫秒) 和十六線程 (0.07 毫秒) 時略有上升，然後在三十二線程 (0.15 毫秒) 和六十四線程 (0.30 毫秒) 時顯著增加。在 128 個執行緒時，延遲達到 0.61 毫秒，總體而言仍然控制得相當好，但其上升趨勢與寫入吞吐量在高執行緒數下趨於平緩的點相吻合。
GDSIO 讀取吞吐量 1M
從 GDSIO 讀取吞吐量（1M）來看，HP ZGX Nano G1n 在單一執行緒時為 3.2GiB/s，雙執行緒時提升至 4.1GiB/s。效能在四執行緒（5.2GiB/s）和八執行緒（5.5GiB/s）時持續攀升，之後平台效能基本上達到極限。在 16、32 和 64 線程時，吞吐量基本上保持在 5.5GiB/s 左右，然後在 128 線程時略微下降至 5.3GiB/s，這表明性能在早期階段增長強勁，隨後在高線程數下保持穩定。
GDSIO 讀取平均延遲 1M
從 GDSIO 讀取平均延遲（1M）來看，HP ZGX Nano G1n 在單執行緒時延遲約為 0.31 毫秒，在雙執行緒（0.47 毫秒）和四執行緒（0.76 毫秒）時也保持相對較低。延遲隨著同時數量的增加而增加，在 8 個執行緒時上升至 1.4 毫秒，16 個執行緒時上升至 2.9 毫秒，32 個執行緒時上升至 5.9 毫秒。這一趨勢在 64 執行緒時繼續（12.8 毫秒），並在 128 執行緒時達到 27.2 毫秒，即使吞吐量在測試早期就已經趨於平穩，延遲仍隨著佇列深度的增加而增加。
GDSIO 寫入吞吐量 1M
從 GDSIO 寫入吞吐量 1M 測試結果來看，HP ZGX Nano G1n 在 1 執行緒時為 3.1GiB/s，2 執行緒時提升至 3.5GiB/s，並在 4、8 和 16 執行緒時保持在該水準。在 32 執行緒時效能略微下降至 3.3GiB/s，隨後在 64 執行緒時回升至 3.5GiB/s。在 128 執行緒時，吞吐量提升至 3.7GiB/s，表示在整個測試範圍內寫入效能基本上保持平穩，僅在最高執行緒數下略有波動。
GDSIO 寫入平均延遲 1M
從 GDSIO 寫入平均延遲（1M）來看，HP ZGX Nano G1n 在單執行緒時約為 0.31 毫秒，雙執行緒時上升至 0.57 毫秒，四執行緒時上升至 1.1 毫秒。隨著並發數的增加，延遲持續攀升，八線程時達到 2.2 毫秒，十六線程時達到 4.4 毫秒，三十二線程時達到 9.4 毫秒。在六十四線程時，延遲繼續上升（17.7 毫秒），並在十二八個線程時達到 37.3 毫秒，這反映出隊列壓力持續增加，儘管在大部分測試期間寫入吞吐量基本上保持穩定。
結語
HP ZGX Nano G1n 延續了 DGX Spark 平台的預期性能，並在此基礎上進行了多項工程優化，使其在眾多 Spark 系統中脫穎而出。在我們的測試中，CPU 最高溫度為 77.3°C，GPU 最高溫度為 69°C，在我們測試過的所有 Spark 設備中，這兩個溫度都屬於較低水準。在我們測試的六款機型中，vLLM 在預填充密集型工作負載下的性能表現最為出色，並且在大批量處理的情況下，性能依然保持穩定。 GPU Direct Storage 的讀取吞吐量在 16K 區塊大小下達到 4.6 GiB/s，在 1M 區塊大小下達到 5.5 GiB/s，寫入吞吐量在早期就趨於穩定，但在剩餘的執行緒數下，寫入吞吐量始終保持在該水準。
ZGX Nano G1n 與其他 Spark 機型最大的差異在於惠普在參考設計基礎上所做的改進。其採用的再生材料、提升內部維護便利性的上下機殼分離設計，以及負載下噪音僅為 27.6 dBA 的出色聲學性能，都體現了惠普在 GB10 平臺本身要求之外的精心設計。安全架構也遵循同樣的原則。 TPM 2.0（FIPS 140-2 模式）、通用準則 EAL4+ 認證以及 SED OPAL 存儲，使這款產品超越了開發人員的範疇，成為一款能夠通過監管環境採購的系統。
與其他 Spark 系列產品一樣，這款產品並非通用工作站，惠普也未將其定位為通用工作站。對於需要本地 AI 運算能力，且注重永續性和安全性的開發者、小型團隊和組織而言，ZGX Nano G1n 是 Spark 產品線中一個明顯不同的選擇。而對於那些沒有這些需求的用戶來說，我們評測過的五款 OEM 系統都是基於相同的底層平台，因此最終的選擇取決於生態系統、支援和價格。
產品頁面 – HP ZGX Nano G1n AI
排行榜： HP ZGX Nano G1n AI Station 已入選我們「最佳本地 AI 桌上型電腦」排行榜。
Amazon