DGX Spark/Testování ARM64 a CUDA
Případ použití · Testování a portování

Testujte a portujte svůj software na skutečném GB10: aarch64, CUDA, sm_121

Autor: Samuel Seidel · Aktualizováno 10. listopadu 2026 · 7 min čtení

V issue někdo hlásí, že vaše knihovna na DGX Sparku selhává, a vy žádný nemáte. Nebo se vaše wheely sestavují na x86 a nikdo je nezkoušel na CPU Arm s GPU Blackwell. Pronajměte si celý Spark na tolik minut, kolik to zjistit zabere: root shell na NVIDIA GB10 (aarch64, CUDA compute capability 12.1) s nainstalovaným toolkitem CUDA 13.0. Při 0,79 $ za hodinu, účtováno po minutách, stojí 20minutová kontrola zhruba 0,26 $.

První dobití: zaplaťte 20 $, získejte 30 $ kreditu. Účtováno po minutách z předplaceného kreditu. Po dokončení instanci ukončete a účtování skončí. Většina lidí, kteří si u mě pronajmou Spark, spustí čistý image DGX OS a přinese si vlastní stack, a o tom je tato stránka.

Co dostanete

CPU20jádrový Arm (10 Cortex-X925 a 10 Cortex-A725), uname -m vrací aarch64
GPUNVIDIA GB10, generace Blackwell, compute capability 12.1 (sm_121)
Paměť128 GB sjednocené LPDDR5x sdílené CPU a GPU, 273 GB/s
ImageDGX OS 7: Ubuntu 24.04 s toolkitem CUDA 13.0 (nvcc), NCCL a NVIDIA DCGM. Ubuntu 24.04: totéž bez DCGM. Oba mají git, tmux, vim, curl a Python 3 s pip a venv.
PřístupRootovský terminál v prohlížeči bez SSH klíče, nebo SSH jako root na portu 22 s vlastním klíčem. Každá instance má vlastní veřejnou adresu IPv4 a hostname <name>.gpuwerk.com.
Jak běžíKontejner s přímo předanou GPU: na mnoha Sparcích systémový kontejner se systemd a Dockerem, na ostatních prostý kontejner bez nich. Uvnitř jste root; ovladač NVIDIA pochází z hostitele.
Úložiště1 TB NVMe, sdílený s hostitelem. /workspace přežije restarty i přestavby a smaže se, když instanci ukončíte.

Image, který se v konzoli jmenuje DGX OS 7, je můj build: Ubuntu 24.04 s výše uvedenými balíčky, v kontejneru. Nejde o instalační image DGX OS od NVIDIA a /etc/dgx-release to uvádí. Co v kontejneru běží a co ne, popisují poznámky k prostředí nájemce.

První kontrola za pět minut

Nasaďte DGX Spark 1× s image DGX OS, počkejte na stav running a na stránce instance klikněte na Otevřít terminál v prohlížeči. Pak si ověřte, na čem jste:

uname -m                                    # aarch64
nvidia-smi --query-gpu=name,compute_cap,driver_version --format=csv
nvcc --version | tail -n 2                  # CUDA 13.0

python3 -m venv /workspace/venv && . /workspace/venv/bin/activate
pip install torch --index-url https://download.pytorch.org/whl/cu130
python -c "import torch; print(torch.cuda.get_device_name(0), torch.cuda.get_device_capability(0))"

Poslední řádek vypíše GB10 a (12, 1). Některé buildy PyTorch vypisují varování, že sm_121 není kompatibilní; obvykle je chybné a průvodce PyTorch na DGX Sparku vysvětluje proč a který wheel zvolit.

Sestavte a otestujte svůj projekt

cd /workspace
git clone https://github.com/your-org/your-project.git
cd your-project
pip install -e '.[test]'           # or your own build step
pytest -x -q
pip wheel . --no-deps -w dist/     # an aarch64 wheel to take home

Na tomto čipu lidi zaskočí tři věci:

Chcete-li si artefakty buildu odnést, zkopírujte je s vlastním SSH klíčem a pak instanci ukončete:

# on your laptop
scp 'root@<name>.gpuwerk.com:/workspace/your-project/dist/*.whl' .

Skriptované běhy z vlastního CI

Hotová integrace CI neexistuje. Existuje API, které nasazuje a ukončuje po minutách, takže úloha na vašem vlastním runneru si může Spark vypůjčit, spustit přes SSH testy a vrátit ho. Použijte API klíč s oprávněním instances.

curl -s -X POST https://api.gpuwerk.com/v1/instances \
  -H "Authorization: Bearer $GPUWERK_TOKEN" -H "Content-Type: application/json" \
  -d '{"type":"spark-1x","image":"ubuntu"}'
# wait for status "running" in GET /v1/instances, run the job over SSH, then:
curl -s -X DELETE https://api.gpuwerk.com/v1/instances/<id> \
  -H "Authorization: Bearer $GPUWERK_TOKEN"     # billing ends, workspace deleted

Nasazení vyžaduje kredit alespoň na jednu hodinu (jinak 402) a vrací 409, když není volný žádný stroj, takže to vaše úloha musí ošetřit. Nasazení přes API jdou na stroj v EHP, pokud nenastavíte location_country nebo partner_region. Všechna pole najdete v referenci API.

Kolik stojí kontrola

SetkáníNáklady při 0,79 $/h
Reprodukce jednoho hlášení chyby, 20 minutzhruba 0,26 $
Sestavení a test vydání, 1 hodina0,79 $
Den portování, 8 hodin6,32 $

Účtuje se po minutách z předplaceného kreditu a začíná, jakmile instance projde kontrolou připravenosti. K nasazení potřebuje účet kredit na jednu hodinu. První dobití: zaplaťte 20 $, získejte 30 $ kreditu, zhruba 37 hodin na jednom Sparku. Zastavená instance si ponechá pracovní prostor a účtuje se 75 % hodinové sazby; po dokončení ji ukončete a účtování skončí, čímž se pracovní prostor smaže. Ceny jsou uvedeny bez DPH, pokud se uplatňuje.

Co vám pronajatý GB10 neřekne

Kde Sparky jsou

Funguje to ve všech umístěních, protože partnerské Sparky nabízejí stejné image DGX OS a Ubuntu. Moje vlastní Sparky jsou v datacentru v Hradci Králové v Česku. Partnerské Sparky vlastní a ve svých prostorách hostují partneři v USA, Švédsku, Nizozemsku, na Slovensku a v Hongkongu a partner má ke svému stroji fyzický přístup. Konzole před nasazením ukáže zemi a zda je v EHP.

Kdo to provozuje

GPUwerk je nová platforma a já jsem člověk, který za ní stojí: Samuel Seidel, zakladatel, působící jako PRINT IT! SE se sídlem v Praze. Od září 2026 na ní 94 vývojářů spustilo 374 instancí (k 9. listopadu 2026). Dostupnost a incidenty najdete na status.gpuwerk.com. Pokud si nejste jisti, že váš stack poběží, napište mi před zaplacením přes kontaktní stránku; odpovídám sám.

FAQ

Jaká verze CUDA je na stroji?

Oba image, DGX OS 7 i Ubuntu 24.04, obsahují toolkit CUDA 13.0 s nvcc a NCCL. Ovladač NVIDIA pochází z hostitele a zevnitř instance ho nelze změnit.

Je image DGX OS skutečně DGX OS od NVIDIA?

Ne. Je to můj build v kontejneru: Ubuntu 24.04 s toolkitem CUDA 13.0, NCCL a NVIDIA DCGM. /etc/dgx-release ho identifikuje jako image GPUwerk.

Mohu na něm sestavovat Docker image?

Na některých strojích ano: mnoho pronajímaných Sparků spouští vaši instanci jako systémový kontejner s vlastním démonem Dockeru, takže docker build a docker run --gpus all běží nativně na arm64. Jiné spouštějí prostý kontejner bez Dockeru. Vybrat si nemůžete; docker info vám řekne, co máte.

Kolik stojí krátký test?

Zhruba 0,26 $ za 20 minut při 0,79 $ za hodinu, účtováno po minutách z předplaceného kreditu. K nasazení potřebuje účet kredit na jednu hodinu. Po dokončení instanci ukončete a účtování skončí; tím se pracovní prostor smaže.

První dobití: zaplaťte 20 $, získejte 30 $ kreditu

Reprodukujte to na GB10 ještě dnes.

Dedikovaný DGX Spark s root shellem a CUDA 13.0, 0,79 $/h účtováno po minutách. Po dokončení instanci ukončete a účtování skončí.

Nasadit hned