NVIDIA DGX Spark — компактная рабочая станция для локальной разработки и тестирования ИИ-приложений, дообучения больших языковых моделей и инференса без постоянного обращения к облачной инфраструктуре. Главная особенность устройства — не рекордная скорость отдельного GPU, а сочетание 128 ГБ единой памяти CPU/GPU, программного стека NVIDIA и небольшого корпуса. При этом Spark не заменяет полноценный GPU-сервер там, где требуется массовое обучение, высокая пропускная способность памяти, отказоустойчивость или одновременное обслуживание большого числа пользователей.
Ранее эта система была известна под названием Project DIGITS. Официальные поставки DGX Spark начались 15 октября 2025 года. Одновременно свои системы на базе GB10 представили Acer, ASUS, Dell Technologies, GIGABYTE, HP, Lenovo и MSI. Дата начала поставок подтверждена в официальном сообщении NVIDIA.
| Характеристика | NVIDIA DGX Spark |
|---|---|
| Архитектура | NVIDIA Grace Blackwell |
| Процессор | 20-ядерный Arm: 10 Cortex-X925 и 10 Cortex-A725 |
| Графическая часть | Blackwell, Tensor Cores пятого поколения, RT Cores четвёртого поколения |
| CUDA-ядра | 6144 |
| Заявленная AI-производительность | До 1 PFLOP в FP4 с использованием разреженности |
| Память | 128 ГБ LPDDR5X, единая для CPU и GPU |
| Интерфейс памяти | 256 бит |
| Пропускная способность памяти | 273 ГБ/с |
| Накопитель | 1 или 4 ТБ NVMe M.2 с самошифрованием |
| Проводная сеть | 10GbE и NVIDIA ConnectX-7 до 200 Гбит/с |
| Беспроводная сеть | Wi-Fi 7, Bluetooth 5.4 |
| Разъёмы | 4 × USB Type-C, HDMI 2.1a, DisplayPort через USB-C |
| Блок питания | Внешний, 240 Вт |
| TDP GB10 | 140 Вт |
| Размеры | 150 × 150 × 50,5 мм |
| Масса | 1,2 кг |
| Операционная система | NVIDIA DGX OS на базе Ubuntu 24.04 |
| Поддерживаемый размер моделей | До 200 млрд параметров на одном Spark, до 405 млрд на двух |
Источник характеристик: NVIDIA DGX Spark Hardware Guide.
Задачи, которые решает DGX Spark
В первую очередь следует отметить, что эта система не ориентирована на рядового покупателя. DGX Spark создавался для разработчиков ИИ, специалистов по данным, исследователей машинного обучения и робототехники, которым нужно локально работать с моделями, не помещающимися в память обычных потребительских видеокарт.
Устройство поставляется не с Windows, а с NVIDIA DGX OS — специализированной Linux-средой на базе Ubuntu 24.04. Система может работать как обычная настольная станция с монитором, клавиатурой и мышью либо в headless-режиме с удалённым доступом по сети.
Важно разделять три разных заявления NVIDIA о возможностях DGX Spark:
- до 1 PFLOP AI-производительности — теоретический показатель для операций в формате FP4 с разреженностью. Он не описывает производительность во всех задачах и не равен FP32-производительности видеокарты;
- дообучение моделей до 70 млрд параметров — речь идёт прежде всего о ресурсосберегающих методах вроде LoRA и QLoRA, а не о полном обучении такой модели с нуля;
- инференс моделей до 200 млрд параметров возможен на одном Spark, а модели до 405 млрд параметров можно распределить между двумя соединёнными системами.
Эти значения обозначают верхнюю границу поддерживаемого размера модели, но не гарантируют определённую скорость. Реальный результат зависит от формата весов, длины контекста, KV-кэша, программного фреймворка и того, сколько памяти остаётся операционной системе и другим процессам.
Именно объём памяти позволяет Spark работать с моделями, которые не помещаются в 24–32 ГБ памяти массовых видеокарт. Однако 128 ГБ здесь — не отдельная видеопамять. Это общий пул LPDDR5X, который одновременно используют CPU, GPU и операционная система.
DGX Spark уже является серийным продуктом, а не анонсом. Доступность конкретных конфигураций зависит от региона и поставщика. Актуальное предложение лучше проверять в карточке NVIDIA DGX Spark GB10.
Серверы NVIDIA DGX
от 699 000 ₽
24 290 ₽/мес в лизинг
от 572 951 ₽
+ 126 049 НДС
от 118 611 206 ₽
4 121 739 ₽/мес в лизинг
от 97 222 300 ₽
+ 21 388 906 НДС
от 65 305 746 ₽
2 269 375 ₽/мес в лизинг
от 53 529 300 ₽
+ 11 776 446 НДС
от 16 162 926 ₽
561 662 ₽/мес в лизинг
от 13 248 300 ₽
+ 2 914 626 НДС
Внутри — уменьшенный суперчип NVIDIA
Сердцем DGX Spark стал системный чип GB10 Grace Blackwell. В одном корпусе он объединяет 20-ядерный Arm-процессор, графическую часть Blackwell, контроллер единой памяти и высокоскоростные интерфейсы.
Источник изображений: ServeTheHome
Процессор включает десять производительных ядер Cortex-X925 и десять ядер Cortex-A725. CPU и GPU связаны через NVLink-C2C и работают с общим адресным пространством памяти. За счёт этого не нужно предварительно копировать все данные из системной памяти в отдельную память видеокарты — процессорная и графическая части могут обращаться к одному пулу.
Но здесь есть важный нюанс. Из установленных 128 ГБ часть занимает операционная система, фоновые процессы и программные библиотеки. Поэтому нельзя рассчитывать, что все 128 ГБ будут доступны только весам модели. Чем длиннее контекст и больше KV-кэш, тем меньше пространства остаётся непосредственно для модели.
Память LPDDR5X работает с пропускной способностью 273 ГБ/с. Это заметно меньше, чем у крупных профессиональных и дата-центровых GPU. Например, NVIDIA RTX PRO 6000 Blackwell Workstation Edition располагает 96 ГБ отдельной GDDR7 ECC и пропускной способностью 1792 ГБ/с. Поэтому RTX PRO 6000 обычно предпочтительнее там, где производительность ограничена скоростью обмена с памятью, а модель помещается в 96 ГБ. Характеристики карты приведены на официальной странице NVIDIA RTX PRO 6000.
Сравнивать заявленный 1 PFLOP у DGX Spark с FP32-производительностью GeForce RTX 5070 некорректно. FP4 и FP32 — разные форматы данных с разной точностью и разными сценариями применения. Кроме того, показатель NVIDIA рассчитан с учётом разреженности. Для содержательного сравнения нужно использовать одинаковую модель, формат весов, фреймворк, длину контекста и режим тестирования.
Ещё одно ограничение — память DGX Spark нельзя расширить. В системе нет DIMM-слотов, поэтому после покупки увеличить объём RAM не получится. Установка отдельной дискретной видеокарты также не предусмотрена. Если задача со временем перерастёт возможности GB10, придётся подключать второй Spark либо переносить нагрузку на рабочую станцию, облачную GPU или сервер.
Другие технические характеристики DGX Spark
Источник изображений: ServeTheHome
На задней панели расположены четыре разъёма USB Type-C, один из которых используется для питания. Три оставшихся порта поддерживают USB 3.2 и вывод изображения через DisplayPort Alt Mode. Для прямого подключения монитора также предусмотрен HDMI 2.1a.
Для обычной локальной сети используется RJ-45 с поддержкой 10GbE. Беспроводные интерфейсы представлены Wi-Fi 7 и Bluetooth 5.4. Отдельно установлен сетевой адаптер NVIDIA ConnectX-7 с двумя QSFP-разъёмами. Он нужен прежде всего для высокоскоростного соединения двух систем Spark.
Внутри установлен один NVMe-накопитель M.2. Официально предусмотрены конфигурации на 1 и 4 ТБ. Возможности внутреннего расширения ограничены: нельзя добавить второй GPU, модули оперативной памяти или набор внутренних накопителей, как в полноразмерной рабочей станции. Если проекту нужны большие локальные датасеты, следует заранее предусмотреть сетевое или внешнее хранилище.
С программной точки зрения DGX Spark поставляется в достаточно готовом для работы виде. В состав платформы входят CUDA, cuDNN, NCCL, TensorRT, TensorRT-LLM, Docker и NVIDIA Container Runtime, а также инструменты семейства Nsight и библиотеки для анализа данных. Текущая документация указывает Ubuntu 24.04 в качестве базовой ОС и CUDA 13.0 в составе проверенного стека. Подробный состав приведён в NVIDIA DGX Spark Porting Guide.
Однако архитектура CPU — ARM64, а не привычная для большинства рабочих станций x86-64. Это означает, что перед покупкой необходимо проверить все используемые пакеты, контейнеры и собственные расширения. Готовый x86-образ контейнера не запустится нативно только потому, что внутри используется CUDA.
Основные фреймворки и библиотеки NVIDIA адаптированы для Spark, но совместимость всего стороннего программного обеспечения не гарантируется. Некоторые зависимости могут не иметь ARM64-сборки, требовать компиляции из исходников или поддерживать не все функции. Особенно внимательно стоит проверять закрытые плагины, проприетарные Python-пакеты и собственные расширения на C/C++.
Возможности масштабирования
Одна из наиболее интересных особенностей Spark — встроенная сеть ConnectX-7. Она позволяет напрямую соединить две системы и распределить между ними модель, которая не помещается в память одного устройства.
В такой конфигурации NVIDIA заявляет поддержку инференса моделей размером до 405 млрд параметров. Но две системы не превращаются автоматически в один компьютер с монолитными 256 ГБ памяти. Фреймворк должен поддерживать распределённый запуск, а веса модели и вычисления — корректно разделяться между узлами.
Соединение двух Spark увеличивает доступный объём памяти и позволяет экспериментировать с более крупными моделями, однако не устраняет ограничение пропускной способности LPDDR5X внутри каждого узла. При распределённом инференсе появляются и дополнительные задержки сетевого обмена.
Поэтому масштабирование до двух устройств имеет смысл для локальных исследований, прототипирования и проверки моделей, которые затем будут перенесены в облако или дата-центр. Spark не стоит воспринимать как замену многопроцессорному GPU-серверу или rack-scale-системе: здесь нет серверного резервирования, большого числа GPU, развитой внутренней расширяемости и расчёта на непрерывную производственную нагрузку.
Производительность NVIDIA DGX Spark
Заявленные до 1 PFLOP относятся к AI-операциям в FP4 с разреженностью. Это важная характеристика для моделей и программного обеспечения, умеющих эффективно работать с низкой точностью, но она не описывает производительность в FP32, FP16 или BF16.
На практике сильная сторона DGX Spark проявляется в задачах, которые ограничены объёмом доступной памяти. Система позволяет локально запускать крупные квантованные модели, собирать RAG-приложения, тестировать AI-агентов, выполнять инференс и дообучать модели методами LoRA или QLoRA.
В официальных тестах NVIDIA на одном Spark запускались, в частности, GPT-OSS-20B и GPT-OSS-120B в MXFP4, а Llama 3.3 70B дообучалась методом QLoRA. На двух системах тестировался распределённый инференс Qwen3 235B. Конкретные результаты и условия опубликованы в техническом материале NVIDIA.
Источник изображений: ServeTheHome
Эти показатели нельзя переносить на любую другую модель без дополнительного тестирования. На скорость влияют:
- формат и степень квантования;
- движок инференса — TensorRT-LLM, llama.cpp, vLLM или другой;
- длина входного и выходного контекста;
- размер KV-кэша;
- оптимизация конкретной модели под Blackwell и ARM64;
- число одновременно обслуживаемых запросов.
При выборе между Spark и отдельной профессиональной видеокартой приходится выбирать между ёмкостью и пропускной способностью памяти. У Spark общий пул больше, но работает медленнее. У RTX PRO 6000 — 96 ГБ отдельной памяти с существенно более высокой пропускной способностью. Поэтому небольшие и средние модели, рендеринг и задачи, чувствительные к скорости памяти, могут выполняться на полноценной профессиональной видеокарте заметно быстрее.
Ключевые выводы
DGX Spark занимает довольно необычное место между обычной рабочей станцией и GPU-сервером. Он компактный, потребляет меньше энергии, чем полноразмерная система с RTX PRO 6000, и позволяет локально работать с моделями, для которых недостаточно памяти большинства настольных видеокарт.
Но компактность достигнута за счёт ограничений. Память не расширяется, установка дискретной GPU не предусмотрена, внутренний накопитель только один, пропускная способность памяти значительно ниже, чем у старших профессиональных и дата-центровых ускорителей. Кроме того, ARM64 требует предварительной проверки программного окружения.
| Решение | Когда подходит | Основные ограничения |
|---|---|---|
| DGX Spark | Локальный инференс крупных квантованных моделей, RAG, AI-агенты, LoRA/QLoRA, работа с конфиденциальными данными | ARM64, 273 ГБ/с, память не расширяется, один внутренний SSD, нельзя добавить GPU |
| RTX PRO 6000 Blackwell | Быстрый инференс, рендеринг, симуляции, работа с моделями, помещающимися в 96 ГБ | Требуется полноценная рабочая станция; 96 ГБ памяти на одну GPU |
| Обычная рабочая станция | Универсальная разработка, x86-64, Windows/Linux, поэтапный апгрейд | Возможности ИИ зависят от установленной GPU и её памяти |
| Облачная GPU | Временные проекты, пиковые нагрузки, доступ к разным ускорителям | Регулярные платежи, передача данных по сети, зависимость от провайдера |
| Полноценный GPU-сервер | Массовое обучение, многопользовательский инференс, несколько GPU, эксплуатация 24/7 | Стоимость, энергопотребление, шум, требования к охлаждению и размещению |
Источник изображений: ServeTheHome
Если вам нужно локально экспериментировать с моделями, которые не помещаются в память обычной видеокарты, и при этом важны компактность и готовый стек NVIDIA, DGX Spark выглядит логичным рабочим инструментом.
Если приоритетом является максимальная скорость одной модели, совместимость с x86-64, возможность установить несколько ускорителей или последовательно наращивать конфигурацию, лучше рассмотреть рабочую станцию с RTX PRO либо полноценный GPU-сервер.
Не стоит покупать Spark и как компактную замену серверу для массового обучения. Устройство создано прежде всего для разработки, прототипирования, локального дообучения и переноса готовых решений в облачную или дата-центровую инфраструктуру.
от 497 663 ₽
17 294 ₽/мес в лизинг
от 407 920 ₽
+ 89 742 НДС
Актуальную стоимость DGX Spark и систем партнёров лучше проверять непосредственно перед заказом. Она зависит от конфигурации накопителя, производителя, региона, наличия и условий поставки. Поэтому фиксированные цены на Spark, RTX PRO 6000 и рублёвые пересчёты в статье не приводятся.
Обновление 24.08.2026. В статье изменена дата начала поставок NVIDIA DGX Spark, добавлена таблица финальных характеристик и разделены заявления о FP4-производительности, дообучении моделей до 70 млрд параметров и инференсе моделей до 200/405 млрд параметров. Исправлено описание 128 ГБ единой памяти CPU/GPU, удалено некорректное сравнение FP4 с FP32 и добавлены ограничения ARM64, пропускной способности памяти, апгрейда и внутреннего расширения. Также добавлено сравнение с RTX PRO 6000 Blackwell, обычной рабочей станцией, облачной GPU и полноценным GPU-сервером.
