NVIDIA DGX Spark · GB10 Grace Blackwell

NVIDIA DGX Spark: pronajměte si ho od 0,79 $/h, nebo ho kupte

NVIDIA DGX Spark je stolní AI počítač: jeden superčip GB10 Grace Blackwell se 128 GB sjednocené paměti s 273 GB/s, na DGX OS od NVIDIA. Na GPUwerk si můžete DGX Spark pronajmout za 0,79 $ za hodinu, účtováno po minutách, nebo ho koupit. Tato stránka vysvětluje, co to je, co naměří na flotile GPUwerk a kde prohrává.

Autor: Samuel Seidel · Aktualizováno 24. října 2026. Podrobněji: specifikace DGX Sparku, cena DGX Sparku, benchmarky DGX Sparku a cluster DGX Sparků ze dvou propojených strojů.

128GBSjednocená paměť s propustností 273 GB/s
0,79 $Za hodinu na GPUwerku, účtováno po minutách, nebo 1,79 $ za hodinu za dvouuzlový cluster s 256 GB
1PFLOPVýkon pro AI v FP4 (sparse), z čipu NVIDIA GB10 Grace Blackwell Superchip
200Gb/sSíť ConnectX-7 se dvěma porty QSFP. NVIDIA uvádí dva propojené stroje pro modely až do 400B parametrů

GPUwerk pronajímá dedikované stroje NVIDIA DGX Spark po minutách v Evropě, Severní Americe a Východní Asii: vlastní stroje v Česku a Sparky ve vlastnictví partnerů v jiných zemích. Jeden Spark stojí 0,79 $ za hodinu a dvouuzlový 256GB cluster 1,79 $ za hodinu, z předplaceného kreditu bez předplatného. Pracujete v terminálu v prohlížeči nebo přes root SSH. Po dokončení instanci ukončete a účtování skončí. Jak si pronajmout DGX Spark.

Americká ceníková cena NVIDIA je 6 950 $ (ověřeno 11. října 2026), oproti 3 999 $ při uvedení: viz historie cen DGX Sparku a nabídky v EU. Kupte si NVIDIA DGX Spark v obchodě GPUwerk →

Specifikace

Hardware v jedné tabulce.

Na uzel. Každá instance GPUwerk je jeden celý stroj, takže tato čísla jsou celá vaše. Každou hodnotu i s tím, co znamená pro LLM, najdete na stránce specifikace DGX Sparku.

NVIDIA DGX Spark
SuperčipGB10 Grace Blackwell
Výkon AI1 PFLOPS FP4 (sparse)
Paměť128 GB sjednocené LPDDR5x
Propustnost paměti273 GB/s
CPU20jádrový Arm (10× X925 + 10× A725)
Úložiště1 TB NVMe na vlastních Sparcích GPUwerk, sdílený se systémem a mezipamětí modelů; některé partnerské Sparky mají 2 nebo 4 TB (NVIDIA prodává 1 TB nebo 4 TB)
SíťConnectX-7 · 200 Gb/s
Napájenímax. 240 W
OSDGX OS 7 · Ubuntu 24.04
CUDAPředinstalovaný celý stack

Zdroje, čteno 24. října 2026: produktová stránka NVIDIA DGX Spark (CPU, paměť, 273 GB/s, 1 PFLOP FP4 se sparsity, zdroj 240 W, až 200B parametrů na jednom stroji a 400B na dvou) a hardwarová dokumentace NVIDIA (1 TB nebo 4 TB NVMe, 256bitová paměť na 4266 MHz). Datum uvedení a cena: tiskové centrum NVIDIA, 13. října 2025.

Propustnost paměti 273 GB/s je omezení, na kterém záleží u rychlosti generování LLM v jednom proudu. Síla Sparku je v kapacitě: modely, které se na spotřebitelské GPU prostě nevejdou, plus výkon FP4 pro dávkovou inferenci a fine-tuning, kde propustnost škáluje mnohem lépe, než naznačují čísla pro jeden proud.

Cena, pronájem a koupě

Pronajměte si ho, nebo ho kupte.

Pronájem po minutách vám řekne, zda se váš model vejde a běží dost rychle, dřív než utratíte tisíce za hardware. Pronajatý Spark vám dá terminál v prohlížeči nebo root SSH do vlastního kontejneru, předinstalovaný toolkit CUDA 13.0 (a na některých strojích Docker) a endpoint kompatibilní s OpenAI z image s modelem: s čím pracujete.

Naměřeno na flotile GPUwerk

Benchmarky flotily.

Dva modely připravené na každém uzlu flotily, změřené pomocí vllm bench serve na jednom z vlastních uzlů GPUwerk bez jiné zátěže na GPU. Surové logy jsou níže a další modely na stránce benchmarky DGX Sparku. Údaje třetích stran pro další modely shromažďuje a rozebírá průvodce koupí.

Výsledky benchmarků flotily na jednom uzlu DGX Spark
ModelKvantizaceFrameworkPrefill tok/sGenerování tok/sMax. kontext
Qwen3-Coder 30B-A3BAWQvLLM 0.27.15 705 tok/s80,9 tok/s262 144
Llama 3.3 70BAWQvLLM 0.27.1391 tok/s6,0 tok/s131 072

Jak to číst.

Prefill je medián času do prvního tokenu pro prompt o 8 192 tokenech. Generování je jeden proud, 128 na vstupu a 512 na výstupu, bez dalších souběžných požadavků. Max. kontext je prompt této délky, který byl skutečně obsloužen, ne hodnota odvozená z velikosti KV cache. Prefill se s rostoucím promptem zpomaluje, protože náklady na attention rostou kvadraticky: 30B dosahuje 5 705 tok/s při 8k a 586 tok/s při zaplnění celých 262 144.

Velikost dávky odpověď zcela mění.

Jeden proud je na tomto hardwaru nejhorší případ a právě u tohoto čísla se většina srovnání zastaví. S více souběžnými požadavky dosáhne 30B souhrnně 3 235 tok/s při 256 souběžných a 70B dosáhne 485 tok/s při 128, pak klesne na 300 při 256, přičemž medián času do prvního tokenu vzroste z 8 na 40 sekund. Model mixture-of-experts se za svým bodem zlomu nasytí; hustý se za svým zhroutí. Obě křivky jsou v logech.

Naměřeno na nečinném uzlu.

Každé měření proběhlo na jinak nečinném uzlu, bez dalšího modelu načteného na GPU. Každý log níže začíná seznamem procesů GPU a volnou pamětí v okamžiku spuštění měření, takže si to můžete ověřit a nemusíte nám věřit.

Surové logy, každý běh, bez úprav kromě sloučení překreslování ukazatelů průběhu: Qwen3-Coder 30B-A3B · Llama 3.3 70B. Chcete-li si měření spustit sami: při prvním dobití zaplaťte 20 $ a získejte 30 $ kreditu, dost na den vyzkoušení na dedikovaném uzlu.

Zátěže

Co na něm mám provozovat?

Vyhraněná doporučení z provozu celé flotily těchto strojů.

Týmový programovací asistent

Qwen3-Coder 30B-A3B (AWQ, model, který GPUwerk měří) nechává prostor pro dlouhé kontexty a několik souběžných uživatelů. Provozujte ho ve vLLM za endpointem kompatibilním s OpenAI a nasměrujte na něj své editory.

Soukromý chat + RAG

Instrukční model třídy 70B v Q4 se vejde do jednoho uzlu s rezervou pro embeddingový model a vektorovou databázi na téže krabici – celý soukromý asistent na jednom stroji. Viz nastavení soukromého ChatGPT →

Fine-tuning

Fine-tuning modelů třídy 70B s LoRA se vejde do sjednocené paměti bez akrobacie s paralelizací modelu. Na krok pomalejší než datacentrová GPU, ale běží tam, kde spotřebitelské karty prostě nestačí.

Pronájem pro jednu úlohu

Na co si lidé Spark pronajímají.

Tři úlohy, každá s příkazy, naměřenými čísly a omezeními na jedné stránce.

Srovnání

Jak si stojí ve srovnání.

Srovnání s verdiktem na začátku se stroji, které kupující skutečně zvažují. Každé uvádí, v čem je konkurent lepší.

DGX Spark vs Mac Studio

Sjednocená paměť na obou stranách, ekosystém CUDA vs hrubá propustnost. Aktualizováno pro Mac Studio s Apple M5 Ultra: Mac vítězí v dekódování, Spark v prefillu a přenositelnosti CUDA.

9 min čtení

DGX Spark vs RTX 5090

32 GB rychlé VRAM proti 128 GB kapacity. V rychlosti to není vyrovnaný souboj: celá otázka je, zda se váš model vejde.

6 min čtení

DGX Spark vs Strix Halo

Téměř stejné generování tokenů, 2–3násobný rozdíl v prefillu a zhruba o 4 000 $ nižší kupní cena. Co zjistil praktický test The Register.

5 min čtení

Srovnání cloudových poskytovatelů DGX Sparku

Všechny hodinové pronájmy Sparku s veřejnou nabídkou, s cenou, umístěním, granularitou účtování a tím, co se stane s vašimi daty po zastavení. Citováno z vlastních stránek každého poskytovatele, včetně GPUwerk.

7 min čtení

DGX Spark vs H100 pro inferenci LLM

Kdy 128 GB a účtování po minutách porazí datacentrovou kartu a kdy kvůli propustnosti paměti a dávkové propustnosti potřebujete H100.

8 min čtení

DGX Spark vs H200 pro inferenci LLM

Největší rozdíl v propustnosti na tomto webu, 273 GB/s proti zhruba 4,8 TB/s. Kde na tom záleží a kde ne.

7 min čtení

DGX Spark vs Jetson AGX Thor: dva různé úkoly

Proč tyto stroje ve skutečnosti nesoupeří o stejného kupujícího, se srovnáním cílového trhu, provedení a softwarového stacku.

7 min čtení

DGX Spark vs RTX PRO 6000 Blackwell

128 GB sjednocené paměti s 273 GB/s proti 96 GB GDDR7 se zhruba 1,8 TB/s: které modely se vejdou na který stroj a jakou rychlost dekódování propustnost umožní.

Srovnání

ASUS Ascent GX10 vs DGX Spark

Stejný čip GB10 a 128 GB. Liší se úložiště, cena, rozměry a firmware, každé se zdrojem.

Srovnání

Srovnání všech strojů GB10

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte a Acer vedle sebe: jeden čip a rozdíly, které zůstávají.

Srovnání

Všech osm vedle sebe, s pamětí, propustností a tím, v čem je který konkurent lepší: srovnání alternativ k DGX Sparku.

Návody

Návody a analýzy.

Pro každého, kdo DGX Spark zvažuje, kupuje nebo nastavuje, psáno přímo z provozu flotily, ne z tiskové zprávy.

Nastavení DGX Sparku: od vybalení k prvnímu tokenu

První spuštění DGX OS, SSH, ovladače a zprovoznění prvního modelu: návod, který bych býval rád měl, když jsem do racku montoval svůj první kus.

Nastavení · 4 min čtení

Co vědět před koupí DGX Sparku

Spotřeba, hlučnost, propojení dvou jednotek, v čem je skutečně dobrý a celkové náklady na vlastnictví ve srovnání se sestavou s 5090 nebo cloudem.

Analýza koupě · 11 min čtení

Pronajmout, nebo koupit DGX Spark

Hodiny týdně, kupní cena a výpočet bodu zvratu, s kalkulačkou pro vaše vlastní čísla.

Analýza koupě · 8 min čtení

Provoz Qwen3 ve vLLM na Sparku

Hotový postup ke zkopírování: endpoint kompatibilní s OpenAI na vlastním hardwaru, včetně frontendu Open WebUI a systemd.

Nastavení · 6 min čtení

Nejlepší modely, kterým nesmíte posílat svá data

Které velké otevřené modely se vejdou do 128 GB / 256 GB a jak daleko za špičkou skutečně jsou.

Soukromá AI · 7 min čtení

Doladění modelu na firemních datech

LoRA na modelech třídy 70B se vejde do 128 GB sjednocené paměti, přičemž trénovací sada zůstává na lokálním NVMe uzlu.

Fine-tuning · 11 min čtení

I umělá inteligence potřebuje kancelář. Dejte jí takovou, která je vaše.

OpenClaw, Hermes a proč agent, který čte vaši poštu, patří na hardware, který ovládáte.

AI agenti · 9 min čtení

Automatizujte nudných 80 %

Dávkové zpracování dokumentů na stroji s paušální sazbou: další token je zdarma, takže model pusťte na všechno.

Automatizace · 7 min čtení

Dvouuzlový cluster DGX Sparků: nastavení a co vám skutečně přinese

Propojení dvou Sparků přes ConnectX-7 200 GbE, co říká vlastní dokumentace NVIDIA, a poctivý pohled na to, co spárování přinese a co ne.

Nastavení · 9 min čtení

Jak vydělávat se svým DGX Sparkem

Pronajímejte Spark, který vlastníte, přes GPUwerk Platform: podíl 70 %, co nic nevynáší, příklad pro uvedené hodiny a vaše náklady.

Vlastníci · 7 min čtení

Spotřeba energie a provozní náklady DGX Sparku

Zveřejněné údaje o příkonu, co znamenají v zásuvce a jak si spočítat vlastní náklady na elektřinu za hodinu.

Analýza koupě · 6 min čtení

ComfyUI a Stable Diffusion na DGX Sparku

Playbook NVIDIA pro ComfyUI na ARM64, uváděné časy generování obrázků pro jednotlivé modely a sdílení sjednocené paměti s LLM.

Modely

Jak spustit nově vydaný model na DGX Sparku

Vejde se do paměti, image pro arm64, NVFP4 nebo GGUF, jaký engine a kdy model z týdne vydání potřebuje dva Sparky.

Modely

Nejlepší modely s otevřenými vahami pro DGX Spark

Který model se hodí pro chat, programování, dávkové úlohy a agenty a realistický pohled na husté modely, jen s naměřenými tok/s.

Modely · 8 min čtení

Celkové náklady na vlastnictví: pronájem GPU vs cloudové AI API

Cloudové API s platbou za tokeny, pronajatá dedikovaná GPU a koupě vlastního hardwaru, porovnané vedle sebe s údaji, které už jsou na tomto webu zveřejněny.

Analýza koupě · 9 min čtení

Jak GPUwerk měří výkon DGX Spark

Co se měří, jeden proud oproti souběhu, které enginy a nastavení a proč se zveřejňují surové logy, ne jen souhrnná tabulka.

Benchmarky · 4 min čtení

Hlučnost a chlazení DGX Sparku: co čekat

Co je zdokumentováno o hluku ventilátorů a chlazení pro stůl nebo domácí kancelář, co nebylo nezávisle změřeno a kde si to ověřit před koupí.

Analýza koupě · 4 min čtení

Provoz vizuálních a multimodálních modelů na DGX Sparku

Co je reálné na 128 GB sjednocené paměti u modelů pro obraz a text a u porozumění obrázkům a proč zatím nebyly zveřejněny samostatné benchmarky VLM.

Modely · 3 min čtení

Aktualizace ovladačů a firmwaru DGX Spark: co spravuje GPUwerk

Co se na pronajatém Sparku udržuje aktuální na úrovni hostitele a uzlu a co je uvnitř vašeho vlastního root kontejneru a zůstává zcela vaší odpovědností.

Nastavení · 4 min čtení

Úložiště DGX Sparku: co přetrvá a co zálohovat

1 TB NVMe na pronajatém Sparku, přesně co přežije zastavení oproti ukončení a proč potřebujete vlastní zálohu: GPUwerk neuchovává žádnou kopii vašeho pracovního prostoru.

Nastavení · 4 min čtení

Monitoring a observabilita pro self-hosted LLM

Co sledovat na Sparku, který obsluhuje produkční provoz, od paměti GPU po latenci jednotlivých požadavků.

Provoz · 6 min čtení

Zálohování a obnova po havárii pro vaši zátěž na DGX Sparku

Co na pronajatém Sparku skutečně potřebuje zálohu a jak to po selhání obnovit.

Provoz · 6 min čtení

Týmový přístup a více uživatelů na sdíleném DGX Sparku

Sdílený přístup týmu k jednomu Sparku, aniž by všichni sdíleli jeden API klíč.

Provoz · 5 min čtení

Omezení rychlosti a kvóty pro interní nasazení LLM

Jak zabránit tomu, aby jeden tým nebo jeden skript na sdíleném endpointu vyhladověl požadavky všech ostatních.

Provoz · 5 min čtení

Aktualizace nebo výměna modelů bez výpadku

Nasazení nového modelu nebo verze modelu do produkce na Sparku bez okna výpadku.

Provoz · 6 min čtení

Škálování z jednoho DGX Sparku na flotilu

Kdy pronájem více samostatných Sparků porazí dvouuzlový cluster, jak rozkládat zátěž mezi nezávislé uzly a provozní kompromisy malé flotily.

Provoz · 7 min čtení

Kvantizované modely vs modely v plné přesnosti v produkci

Jak se rozhodnout mezi kvantizovaným modelem a modelem v plné přesnosti pro produkční self-hosted nasazení: vejde se do paměti, riziko pro kvalitu podle úlohy a kdy otestovat obojí.

Provoz · 6 min čtení

Prognóza nákladů a rozpočtování AI infrastruktury

Jak odhadnout měsíční výdaje na AI infrastrukturu při vlastním hostování vs účtovaném API, s hodinovou sazbou GPUwerk 0,79 $ jako vypočteným příkladem a kontrolním seznamem pro rozpočet.

Analýza koupě · 7 min čtení

Zabezpečení pronajaté GPU instance

Praktické zabezpečení uvnitř instance pro pronajatou GPU: správa SSH klíčů, vystavení do sítě, provoz služeb bez roota, tajné údaje a dočasný vs trvalý stav.

Provoz · 6 min čtení

Migrace existujícího self-hosted AI nasazení na DGX Spark

Praktický postup migrace z pracovní stanice nebo jiné cloudové GPU na pronajatý DGX Spark: nová kvantizace pro sjednocenou paměť, přesun dat a plán přepnutí.

Nastavení · 7 min čtení

Správa paměti GPU pro více modelů na jednom Sparku

Rozvržení 128 GB sjednocené paměti mezi několik modelů nebo kontejnerů na jednom DGX Sparku a kdy výpočet říká, že je lepší rozdělit zátěž na dvouuzlový cluster.

Provoz · 6 min čtení

llama.cpp vs vLLM vs SGLang na DGX Sparku: přepínače a spuštění

Praktický průvodce volbou inferenčního enginu: přesné přepínače, spouštěcí příkazy a kde se llama.cpp, vLLM a SGLang na sjednocené paměti GB10 skutečně liší.

Nastavení · 6 min čtení

Testování plánu obnovy po havárii pro self-hosted LLM

Plán zálohování, ze kterého jste nikdy neobnovovali, je jen hypotéza. Cvičná obnova, game days a měření RTO/RPO pro self-hosted nasazení LLM.

Provoz · 6 min čtení

Osvědčené postupy rotace API klíčů pro soukromé nasazení LLM

Rotace API klíčů a přihlašovacích údajů pro self-hosted inferenční endpoint: vymezení oprávnění, plány rotace, odvolání a co automatizovat a co dělat ručně.

Provoz · 6 min čtení

Hodnocení kvality modelu před přechodem na jiný model

Odložené testovací sady, A/B přístupy a regresní kontroly pro porovnání kandidátního modelu se současným před přepnutím v produkci.

Provoz · 6 min čtení

Cache promptů pro snížení nákladů na inferenci

Jak opakované využití prefixu a KV cache snižuje opakované výpočty v self-hosted nasazení: co se počítá jako zásah cache, jak kvůli tomu strukturovat prompty a kde se úspory na Sparku pronajímaném po hodinách skutečně projeví.

Provoz · 6 min čtení

Strukturovaný výstup a volání funkcí u self-hosted LLM

Nastavení strukturovaného výstupu v režimu JSON a volání nástrojů/funkcí u self-hosted modelů s vLLM a llama.cpp, včetně toho, které modely to podporují a jak ladit chybná volání.

Nastavení · 5 min čtení

Embeddingy a vektorové vyhledávání na DGX Sparku

Vlastní hostování embeddingového modelu spolu s vektorovou databází pro RAG pipeline na jednom Sparku: rozvržení paměti, zprovoznění embeddingového modelu a volba vektorového úložiště.

Modely · 5 min čtení

Dávkové zpracování velkých inferenčních úloh na pronajatém Sparku

Hromadné zpracování dokumentů a rozsáhlé označování datových sad na DGX Sparku pronajímaném po hodinách: nastavení propustnosti, dimenzování úloh a srovnání nákladů dávkové inference s interaktivním provozem.

Provoz · 5 min čtení

Monitorování využití GPU a správné dimenzování nasazení

Jak číst skutečné využití GPU a paměti na pronajatém DGX Sparku a podle něj se rozhodnout, zda zůstat, přejít na dvouuzlový cluster, nebo rozšířit na flotilu.

Provoz · 5 min čtení

Auditní logování pro self-hosted nasazení LLM citlivé na compliance

Nastavení auditních logů požadavků a odpovědí uvnitř vlastního kontejneru na pronajatém DGX Sparku: co zaznamenávat, kde to ukládat a kde končí odpovědnost GPUwerk.

Provoz · 6 min čtení

Strategie verzování modelů a návratu zpět pro self-hosted nasazení

Sledování, které váhy modelu a konfigurace skutečně běží, a čistý návrat zpět, když nová verze zaostává.

Provoz · 6 min čtení

Studený start vs nepřetržitý provoz: volba režimu běhu instance

Zastavování DGX Sparku mezi použitími vs nepřetržitý provoz: kompromisy v nákladech, latenci a datech.

Analýza koupě · 5 min čtení

Nastavení SSO a řízení přístupu pro týmové nasazení LLM

Přidání vrstvy ověřování před self-hosted inferenční endpoint, aby se tým přihlašoval existujícími identitami místo sdílení SSH klíčů nebo API tokenů.

Nastavení · 5 min čtení

Provoz více kontejnerů a služeb na DGX Sparku

Vzory pro Docker kontejnery na jednom DGX Sparku: kdy stačí prostý soubor docker-compose a kdy z něj zátěž vyrostla.

Nastavení · 5 min čtení

Všechny návody seskupené podle koupě, modelů a enginů, clusterů a provozu: všechny návody k DGX Sparku.

Otázky.

Co je NVIDIA DGX Spark?

NVIDIA DGX Spark je stolní AI počítač postavený na superčipu NVIDIA GB10 Grace Blackwell: GPU Blackwell a 20jádrové CPU Arm sdílejí 128 GB sjednocené paměti s 273 GB/s, s výkonem až 1 PFLOP sparse FP4. Běží na DGX OS od NVIDIA, systému na bázi Ubuntu s předinstalovaným stackem CUDA, a odebírá nejvýše 240 W. Objednávky se otevřely 15. října 2025 za 3 999 $; americká ceníková cena NVIDIA byla při kontrole 11. října 2026 6 950 $ (historie cen). ASUS, Dell, HP, Lenovo, MSI, Gigabyte a Acer prodávají stroje se stejným čipem GB10 pod vlastními jmény: srovnání všech strojů GB10.

Dostanu celý DGX Spark jen pro sebe?

Ano. Každá instance GPUwerk je jeden dedikovaný uzel, ne část sdílené GPU. 128 GB sjednocené paměti, celá propustnost 273 GB/s a 1 PFLOPS sparse FP4 jsou po dobu pronájmu vaše a na stroji nic jiného neběží.

Čím se DGX Sparkem liší od pronájmu cloudové GPU instance?

Typická cloudová instance s GPU vám dá 24 až 80 GB VRAM na datacentrové kartě. DGX Spark vám dá 128 GB sjednocené paměti na jednom stroji, dost pro modely třídy 70B bez dělení mezi GPU, a GPUwerk ho pronajímá s účtováním po minutách z vlastních Sparků v Česku a z partnerských Sparků v Evropě, Severní Americe a Východní Asii.

Jaký je háček u propustnosti paměti 273 GB/s?

Je to strop rychlosti generování v jednom proudu: méně tokenů za sekundu než u samostatné GPU s rychlejší VRAM, a proto s ním začíná průvodce koupí i srovnání s RTX 5090. Výhodou Sparku je kapacita a dávková propustnost, ne hrubá rychlost pro jednoho uživatele.

Mohu si DGX Spark místo pronájmu koupit?

Ano. Obchod GPUwerk nabízí samotný NVIDIA DGX Spark, naceněný ze zásob českých dodavatelů, když ho některý může dodat, a stejný stroj GB10 od sedmi dalších výrobců, mezi nimi Lenovo ThinkStation PGX od 5 330 € bez DPH. GPUwerk vám ho odešle, nebo, pokud zvolíte, umístí ve svém datacentru a bude ho za vás pronajímat. Koupit ho můžete i od NVIDIA nebo jejích partnerů, nebo se GPUwerku zeptat na stroj pro vlastní pracoviště. Pronájem po minutách vám nejdřív ukáže, zda hardware vyhovuje vaší zátěži, než utratíte zhruba 4 000 € nebo víc, a každá cloudová instance GPUwerk běží na identickém hardwaru GB10.

Vše o DGX Sparku na tomto webu.

Všechny stránky GPUwerk o DGX Sparku, seskupené podle toho, čeho chcete dosáhnout.

Přestaňte číst benchmarky.
Spusťte si vlastní.

Pronajměte si dedikovaný Spark za 0,79 $/h, účtováno po minutách. První dobití: zaplaťte 20 $, získejte 30 $ kreditu, zhruba 37 hodin výpočtu.

Založit účet