Asus Ascent QN10 im Test: Benchmarks

 2/3
Volker Rißka
87 Kommentare

Anwendungs-Leistung

Der Asus Acent QN10 schlägt als erster Mini-PC im Test die Brücke zwischen zwei Testkategorien auf ComputerBase: Er wird im gleichen Parcours wie Notebooks getestet, die in der Regel auf die gleiche Hardware setzen. Das soll in Zukunft der Standard sein. Die kommenden zwei, drei Tests werden aber noch parallel beide Datensätze (Notebook-Parcours und bekannter Mini-PC-Parcours) für eine bessere Einordnung zeigen.

Diagramme
Cinebench 2024 Multi-Core
    • Beelink GTR9 Pro – Standard
      Max+ 395 (120W), LPDDR5X-8000
      1.860
    • Asus NUC 16 Pro – Standard
      X7 358H (65/80W), LPDDR5X-8533
      1.239
    • Geekom A9 Max – Normal
      HX 370 (65W), DDR5-5600
      1.222
    • Beelink SER9 – Balanced
      HX 370 (54W), LPDDR5X-7500
      1.138
    • GMKtec EVO-T2S – Balanced
      X7 358H (45/45W), LPDDR5X-8533
      1.095
    • Asus NUC 15 Pro – Standard
      U7 255H (64/64W), DDR5-6400
      1.069
    • Beelink GTi15 – Standard
      U9 285H (54/54W), DDR5-5600
      1.058
    • Asus QN10 – Standard
      X2E-88-100, LPDDR5X-8533
      905
    • Geekom IT15 – Normal
      U9 285H (33/64W), DDR5-5600
      867
    • Sapphire Edge AI – Balanced
      RAI7 350 (35/45W), DDR5-5600
      841
Einheit: Punkte

Qualcomms Snapdragon X(2) Elite mag aktuellere Software mehr als ältere; das zeigt der Vergleich zwischen Cinebench 2024 und Cinebench 2026 einmal mehr eindrucksvoll: In Cinebench 2024 ist Intels Core Ultra X7 358H über 30 Prozent schneller. Cinebench 2026 hingegen zeigt eine gewaltige Leistungsexplosion: Qualcomms großer Chip liegt nun 45 Prozent vor Intels Core Ultra X7 X358H.

Dieses Verhalten ist auch in anderen Tests zu sehen. Hier und da geht die Leistung von Qualcomms 18-Kerner durch die Decke, an anderer Stelle ist die CPU hingegen nur mit der Handbremse unterwegs.

Diagramme
Cinebench 2026.1
  • Multi-Core:
    • Apple MacBook Pro 16" (2026)
      M5 Max (18C/40C), 128 GB LPDDR5X
      9.253
    • Asus Ascent QN10
      X2E-88-100, 32 GB LPDDR5X
      6.610
    • Lenovo Yoga Slim 7x Gen 11
      X2E-88-100, 32 GB LPDDR5X
      5.783
    • Samsung Galaxy Book 6 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      4.543
    • HP OmniBook Ultra 14
      X2E-84-100, 32 GB LPDDR5X
      3.889
    • Framework Laptop 13 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      3.824
    • Dell XPS 14 (2026)
      Core Ultra X7 358H, 32 GB LPDDR5X
      3.792
    • Asus Zenbook S16
      Ryzen AI 9 HX 370, 32 GB LPDDR5X
      3.578
    • Apple MacBook Air 15" (2026)
      M5 (10C/10C), 32 GB LPDDR5X
      3.577
    • Apple MacBook Neo (2026)
      A18 Pro (6C/5C), 8 GB LPDDR5X
      1.498
    • Chuwi UniBook 304
      Core 3 304, 8 GB LPDDR5X
      1.311
  • Single-Core:
    • Apple MacBook Pro 16" (2026)
      M5 Max (18C/40C), 128 GB LPDDR5X
      732
    • Apple MacBook Air 15" (2026)
      M5 (10C/10C), 32 GB LPDDR5X
      731
    • Asus Ascent QN10
      X2E-88-100, 32 GB LPDDR5X
      643
    • HP OmniBook Ultra 14
      X2E-84-100, 32 GB LPDDR5X
      642
    • Lenovo Yoga Slim 7x Gen 11
      X2E-88-100, 32 GB LPDDR5X
      640
    • Asus Zenbook S16
      Ryzen AI 9 HX 370, 32 GB LPDDR5X
      615
    • Apple MacBook Neo (2026)
      A18 Pro (6C/5C), 8 GB LPDDR5X
      543
    • Dell XPS 14 (2026)
      Core Ultra X7 358H, 32 GB LPDDR5X
      513
    • Samsung Galaxy Book 6 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      507
    • Framework Laptop 13 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      484
    • Chuwi UniBook 304
      Core 3 304, 8 GB LPDDR5X
      431
  • GPU:
    • Apple MacBook Pro 16" (2026)
      M5 Max (18C/40C), 128 GB LPDDR5X
      92.507
    • Apple MacBook Air 15" (2026)
      M5 (10C/10C), 32 GB LPDDR5X
      24.060
    • Asus Zenbook S16
      Ryzen AI 9 HX 370, 32 GB LPDDR5X
      4.025
    • Apple MacBook Neo (2026)
      A18 Pro (6C/5C), 8 GB LPDDR5X
      GPU nicht unterstützt
    • Dell XPS 14 (2026)
      Core Ultra X7 358H, 32 GB LPDDR5X
      GPU nicht unterstützt
    • Samsung Galaxy Book 6 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      GPU nicht unterstützt
    • Lenovo Yoga Slim 7x Gen 11
      X2E-88-100, 32 GB LPDDR5X
      GPU nicht unterstützt
    • Framework Laptop 13 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      GPU nicht unterstützt
    • HP OmniBook Ultra 14
      X2E-84-100, 32 GB LPDDR5X
      GPU nicht unterstützt
    • Chuwi UniBook 304
      Core 3 304, 8 GB LPDDR5X
      GPU nicht unterstützt
    • Asus Ascent QN10
      X2E-88-100, 32 GB LPDDR5X
      GPU nicht unterstützt
Einheit: Punkte

AI-Leistung

Qualcomms Chip bietet von Haus aus die stärkste NPU am Markt. 80 TOPS liefert der „Koprozessor“. Intels und AMDs Chips liegen bei um die 50 TOPS. Kann eine Anwendung davon Gebrauch machen (ONNX), liefert der Snapdragon X2 Elite ab, wie der synthetische Benchmark der Procyon Suite von UL zeigt:

Procyon AI Computer Vision 2.0
  • NPU, INT8:
    • HP OmniBook Ultra 14
      X2E-84-100, 32 GB LPDDR5X
      2.200
      ONNX
    • Lenovo Yoga Slim 7x Gen 11
      X2E-88-100, 32 GB LPDDR5X
      2.184
      ONNX
    • Asus Ascent QN10
      X2E-88-100, 32 GB LPDDR5X
      2.163
      ONNX
    • Framework Laptop 13 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      1.575
      OpenVINO
    • Dell XPS 14 (2026)
      Core Ultra X7 358H, 32 GB LPDDR5X
      1.562
      OpenVINO
    • Samsung Galaxy Book 6 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      1.562
      OpenVINO
    • Apple MacBook Pro 16" (2026)
      M5 Max (18C/40C), 128 GB LPDDR5X
      1.467
      CoreML
    • Apple MacBook Air 15" (2026)
      M5 (10C/10C), 32 GB LPDDR5X
      1.387
      CoreML
    • Asus Zenbook S16
      Ryzen AI 9 HX 370, 32 GB LPDDR5X
      1.078
      Ryzen AI
    • Apple MacBook Neo (2026)
      A18 Pro (6C/5C), 8 GB LPDDR5X
      1.070
      CoreML
    • Chuwi UniBook 304
      Core 3 304, 8 GB LPDDR5X
      615
      OpenVINO
  • GPU, FP16:
    • Samsung Galaxy Book 6 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      1.670
      OpenVINO
    • Dell XPS 14 (2026)
      Core Ultra X7 358H, 32 GB LPDDR5X
      1.638
      OpenVINO
    • Framework Laptop 13 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      1.192
      OpenVINO
    • Asus Zenbook S16
      Ryzen AI 9 HX 370, 32 GB LPDDR5X
      253
      WinML
    • Chuwi UniBook 304
      Core 3 304, 8 GB LPDDR5X
      215
      OpenVINO
    • Apple MacBook Neo (2026)
      A18 Pro (6C/5C), 8 GB LPDDR5X
      118
      CoreML
    • Apple MacBook Air 15" (2026)
      M5 (10C/10C), 32 GB LPDDR5X
      Nicht unterstützt
    • Apple MacBook Pro 16" (2026)
      M5 Max (18C/40C), 128 GB LPDDR5X
      Nicht unterstützt
    • Lenovo Yoga Slim 7x Gen 11
      X2E-88-100, 32 GB LPDDR5X
      Nicht unterstützt
    • HP OmniBook Ultra 14
      X2E-84-100, 32 GB LPDDR5X
      Nicht unterstützt
    • Asus Ascent QN10
      X2E-88-100, 32 GB LPDDR5X
      Nicht unterstützt
Einheit: Punkte

Qualcomm stellt auf der eigenen Internetseite viele KI-Modelle zur Verfügung, die – eine entsprechende Inference Engine vorausgesetzt – die NPU über das Framework Open Neural Network Exchange (ONNX) nutzen können.

Qualcomm bietet online eine Vorauswahl an KI-Modellen, die von der NPU des Snapdragon X2 Elite Gebrauch machen können, inklusive Info, über welche Inference Engine sie zu nutzen sind
Qualcomm bietet online eine Vorauswahl an KI-Modellen, die von der NPU des Snapdragon X2 Elite Gebrauch machen können, inklusive Info, über welche Inference Engine sie zu nutzen sind

Inference Engine ist dabei ein gutes Stichwort: LM Studio und Ollama unterstützen auf Snapdragon X(2) Elite aktuell weder die NPU noch die GPU. Wer über diese Plattformen LLMs wie Qwen3.5 14B lokal nutzen will, sei es direkt oder indirekt über KI-Agenten wie Open Claw oder Hermes Agent, kann sie nur über die CPU ausführen.

Über LM Studio sind GPU und NPU des Snapdragon X2 Elite nicht nutzbar
Über LM Studio sind GPU und NPU des Snapdragon X2 Elite nicht nutzbar
Über LM Studio sind GPU und NPU des Snapdragon X2 Elite nicht nutzbar
Über LM Studio sind GPU und NPU des Snapdragon X2 Elite nicht nutzbar
Die Last beim Ausführen von Qwen3.5 14B über LM Studio liegt daher zu 100 Prozent auf der CPU
Die Last beim Ausführen von Qwen3.5 14B über LM Studio liegt daher zu 100 Prozent auf der CPU

Die macht ihren Job dabei nicht schlecht, wie die nachfolgenden Benchmark zeigen, denn die iGPU des Ultra X7 358H liegt nur 15 Prozent in Front. Das Ergebnis wird aber alles andere als effizient erreicht.

AI-Praxis-Benchmarks (Tokens per Second)
  • Qwen3 14B Q4_K_M (LM Studio 0.4.24):
    • Snapdragon X2 Elite – CPU
      9,9
    • Snapdragon X2 Elite – GPU
      nicht möglich
    • Snapdragon X2 Elite – NPU
      nicht möglich
    • Ultra X7 358H – CPU
      6,7
    • Ultra X7 358H – GPU
      11,4
    • Ultra X7 358H – NPU
      nicht möglich
  • Qwen3 14B Q4_K_M (AnythingLLM v.1.16.1):
    • Snapdragon X2 Elite – GPU
      7,5
    • Snapdragon X2 Elite – NPU
      nicht möglich
    • Ultra X7 358H – GPU
      9,3
    • Ultra X7 358H – NPU
      nicht möglich
  • Qwen2.5 7B (AnythingLLM v.1.16.1):
    • Snapdragon X2 Elite – NPU
      12,9
    • Ultra X7 358H – NPU
      14,5
Einheit: Tokens Per Second

Eine Möglichkeit die GPU oder sogar die NPU zu nutzen ist der Griff zu AnythingLLM. LLMs, die auf der NPU laufen, müssen ONNX nutzen. Sie zu finden, ist nicht ganz einfach. Die NPU-Modelle sind darüber in der Anzahl der Parameter beschränkt, denn nicht der RAM, sondern die NPU selbst wird zum Flaschenhals: Mehr als 10 Milliarden Parameter laufen nicht.

Doch zuerst zur GPU: Qwen3.5 14B läuft über AnythingLLM auf der GPU des Snapdragon X2 Elite, das Ergebnis fällt aber – wie beim Core Ultra X7 358H – niedriger aus als mit CPU-Beschleunigung unter LM Studio. Auf der NPU ausführen lässt sich Qwen3.5 14B übrigens nicht, das entsprechende Framework wird nicht unterstützt.

Über AnythingLLM kann Qwen3.5 14B auf der GPU des Snapdragon X2 Elite ausgeführt werden, das Ergebnis ist aber schlechter als mit der CPU in LM Studio
Über AnythingLLM kann Qwen3.5 14B auf der GPU des Snapdragon X2 Elite ausgeführt werden, das Ergebnis ist aber schlechter als mit der CPU in LM Studio

Das ist wiederum bei Qwen2.5 7B der Fall und funktioniert über AnythingLLM auch. Allerdings wird die Last nur beim Core Ultra X7 358H zu 100 Prozent auf die NPU gelegt, beim Snapdragon X2 Elite liegen die Auslastung der NPU und der CPU hingegen bei jeweils ca. 50 Prozent. Im Ergebnis ist der Asus NUC 16 Pro in diesem Test schneller als der Snapdragon X2 Elite, obwohl die NPU etwas anderes verspricht.

Qwen2.5 7B läuft über AnythingLLM mit 50 Prozent Last auf der NPU des Snapdragon X2 Elite, auf dem Core Ultra X7 358H sind es aber sogar 100 Prozent

Die Quintessenz aus den KI-Tests mit dem Snapdragon X2 Elite ist: Um von der Hardware, insbesondere der sehr starken NPU und deren Effizienz profitieren zu können, muss man – wie bei Intel und AMD – wissen, wie man sie für welche Aufgaben nutzen kann. Ansonsten schlummern 80 TOPS ungenutzt im SoC und KI-Lasten werden ineffizient über die 18-Kern-CPU gestemmt.

Gaming-Leistung

Eigentlich wollte Qualcomm mit Nachdruck an den Grafiktreibern und deren Spieleunterstützung sowie dem Treiber-Deployment arbeiten. Doch in der Praxis hakt es: Ende August hat das Unternehmen den ersten kombinierten GPU-Treiber für die Familie Snapdragon Elite X und X2 veröffentlicht, doch dessen Installation schlug auf dem Ascent QN10 fehl.

Auf Nachfrage erklärte Qualcomm, dass OEM-Geräte die Installation des Standard-Treibers mitunter nicht ermöglichen. Da im Endeffekt aber alle Qualcomm-Lösungen im Handel irgendwie OEM-Geräte sind, kann der Punkt also schnell für quasi jedes Produkt im Markt gelten. Das weiß das Unternehmen aber auch und liefert in den Release Notes eine Anleitung mit, wie es über den Gerätemanager am Ende doch gelingt. Immerhin ist es so erfahrenen Nutzern möglich, den neuesten Treiber auch zu installieren.

Die ganz normale Qualcomm-GPU-Treiber-Installation

Updates gibt es aber auch über das kürzlich noch einmal renovierte Snapdragon Control Panel. Hier gibt es dann auch eine Auto-Update-Funktion, die zumindest im Test beim NPU-Treiber funktioniert hat. Vorinstalliert ist das Control Panel aber nicht.

Im Control Panel ist alles aktuell
Im Control Panel ist alles aktuell

Die iGPU kann in ausgewählten Tests bei Full HD mitunter auch eine ansehbare Leistung liefern. An Intels große Panther Lake reicht die Leistung zwar nicht heran, kann jedoch hier und da mit weiteren Einschränkungen bei der Qualität in den spielbaren Bereich gehievt werden. In der Theorie also sehr gut brauchbar, in der Praxis jedoch mitunter mit Hindernissen.

Diagramme
3DMark Solar Bay
    • Apple MacBook Pro 16" (2026)
      M5 Max (18C/40C), 128 GB LPDDR5X
      76.718
    • Samsung Galaxy Book 6 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      29.182
    • Dell XPS 14 (2026)
      Core Ultra X7 358H, 32 GB LPDDR5X
      23.360
    • Framework Laptop 13 Pro
      Core Ultra X7 358H, 32 GB LPDDR5X
      23.197
    • Apple MacBook Air 15" (2026)
      M5 (10C/10C), 32 GB LPDDR5X
      22.739
    • Lenovo Yoga Slim 7x Gen 11
      X2E-88-100, 32 GB LPDDR5X
      22.310
    • Asus Ascent QN10
      X2E-88-100, 32 GB LPDDR5X
      21.513
    • HP OmniBook Ultra 14
      X2E-84-100, 32 GB LPDDR5X
      18.448
    • Asus Zenbook S16
      Ryzen AI 9 HX 370, 32 GB LPDDR5X
      16.058
    • Apple MacBook Neo (2026)
      A18 Pro (6C/5C), 8 GB LPDDR5X
      7.368
    • Chuwi UniBook 304
      Core 3 304, 8 GB LPDDR5X
      kein Vulkan Raytracing Support
Einheit: Punkte

SSD-Leistung

Asus verbaut im Testmuster eine vergleichsweise günstiger PCIe-4.0-SSD mit 512 GByte von Sandisk. Der Mini-PC verträgt auch Gen-5-Lösungen. Der Slot ist unbenutzt und darf auf Wunsch vom Kunden bestückt werden. Damit lässt sich der Gesamtpreis des Mini-PCs ganz schnell um viele weitere Hundert Euro nach oben treiben.

Im QN10 verbaute PCIe-4-SSD
Im QN10 verbaute PCIe-4-SSD
Als bevorzugte Quelle auf Google hinzufügen
Dir gefällt ComputerBase? Lasse dir unsere neuesten Artikel in der Google-Suche ganz oben anzeigen!