NVIDIA DGX Spark · GB10 Grace Blackwell

NVIDIA DGX Spark: lej en fra 0 $,79/t, eller køb en

NVIDIA DGX Spark er en AI-computer til skrivebordet: én GB10 Grace Blackwell Superchip med 128 GB unified memory ved 273 GB/s, der kører NVIDIAs DGX OS. Du kan leje en DGX Spark hos GPUwerk for 0 $,79 i timen, faktureret pr. minut, eller købe en. Denne side forklarer, hvad det er, hvad den måler på GPUwerks flåde, og hvor den taber.

Af Samuel Seidel · Opdateret 24. oktober 2026. I dybden: DGX Spark-specifikationer, DGX Spark-pris, DGX Spark-benchmarks og DGX Spark-klyngen med to forbundne maskiner.

128GBUnified memory med 273 GB/s hukommelsesbåndbredde
0 $,79Pr. time hos GPUwerk, faktureret pr. minut, eller 1 $,79 pr. time for en klynge med to noder og 256 GB
1PFLOPFP4 AI-regnekraft, sparse, fra NVIDIA GB10 Grace Blackwell Superchip
200Gb/sConnectX-7-netværk med to QSFP-porte. NVIDIA angiver to forbundne maskiner til modeller med op til 400B parametre

GPUwerk udlejer dedikerede NVIDIA DGX Spark-maskiner pr. minut i Europa, Nordamerika og Østasien: egne maskiner i Tjekkiet og partnerejede Sparks i andre lande. Én Spark koster 0 $,79 i timen, og en klynge med to noder på 256 GB koster 1 $,79 i timen, fra forudbetalt kredit uden abonnement. Du arbejder i en browserterminal eller over root-SSH. Afslut, når du er færdig, så ophører faktureringen. Sådan lejer du en DGX Spark.

NVIDIAs amerikanske listepris er 6.950 $ (tjekket 11. oktober 2026), op fra 3.999 $ ved lanceringen: se prishistorik for DGX Spark og EU-priser. Køb en NVIDIA DGX Spark i GPUwerk-butikken →

Specifikationer

Hardwaren i én tabel.

Pr. node. Hver GPUwerk-instans er én hel maskine, så disse tal er alle dine. Hver værdi, og hvad den betyder for LLM'er, står på siden DGX Spark-specifikationer.

NVIDIA DGX Spark
SuperchipGB10 Grace Blackwell
AI-ydeevne1 PFLOPS FP4 (sparse)
Hukommelse128 GB unified LPDDR5x
Hukommelsesbåndbredde273 GB/s
CPU20-kernet Arm (10× X925 + 10× A725)
Lager1 TB NVMe på GPUwerks egne Sparks, delt med systemet og model-cachen; nogle partner-Sparks har 2 eller 4 TB (NVIDIA sælger 1 TB eller 4 TB)
NetværkConnectX-7 · 200 Gb/s
Strømmaks. 240 W
OSDGX OS 7 · Ubuntu 24.04
CUDAHele stacken forudinstalleret

Kilder, læst 24. oktober 2026: NVIDIAs produktside for DGX Spark (CPU, hukommelse, 273 GB/s, 1 PFLOP FP4 med sparsity, 240 W strømforsyning, op til 200B parametre på én maskine og 400B på to) og NVIDIAs hardwaredokumentation (1 TB eller 4 TB NVMe, 256-bit hukommelse ved 4266 MHz). Lanceringsdato og pris: NVIDIA newsroom, 13. oktober 2025.

En hukommelsesbåndbredde på 273 GB/s er den begrænsning, der betyder noget for genereringshastigheden ved en enkelt LLM-strøm. Sparks styrke er kapacitet: modeller, der simpelthen ikke passer på forbruger-GPU'er, plus FP4-regnekraft til batch-serving og finjustering, hvor gennemløbet skalerer langt bedre, end tallene for en enkelt strøm antyder.

Pris, leje og køb

Lej en, eller køb en.

Leje pr. minut fortæller dig, om din model passer og kører hurtigt nok, før du bruger tusindvis på hardwaren. En lejet Spark giver dig en browserterminal eller root-SSH til din egen container, CUDA 13.0-toolkittet forudinstalleret (og Docker på nogle maskiner) og et OpenAI-kompatibelt endpoint fra et modelimage: det arbejder du med.

Målt på GPUwerks flåde

Benchmarks fra flåden.

De to modeller, der ligger klar på alle noder i flåden, målt med vllm bench serve på en af GPUwerks egne noder uden andet på GPU'en. Rå logfiler står nedenfor, og flere modeller står på siden DGX Spark-benchmarks. Tredjepartstal for andre modeller er samlet og diskuteret i købsguiden.

Benchmarkresultater fra flåden på én DGX Spark-node
ModelKvantiseringFrameworkPrefill tok/sGenerering, tok/sMaks. kontekst
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

Sådan læser du dette.

Prefill er mediantiden til første token på en prompt på 8.192 tokens. Generering er én strøm, 128 ind og 512 ud, uden andet i gang. Maks. kontekst er en prompt af den længde, der faktisk blev serveret, ikke et tal udledt af KV-cachens størrelse. Prefill bliver langsommere, jo længere prompten er, fordi attention-omkostningen er kvadratisk: 30B klarer 5.705 tok/s ved 8k og 586 tok/s, når den fylder hele sin kontekst på 262.144.

Batchstørrelsen ændrer svaret fuldstændigt.

Én strøm er det værste tilfælde på denne hardware, og det er det tal, de fleste sammenligninger stopper ved. Med flere forespørgsler i gang når 30B op på 3.235 tok/s samlet ved 256 samtidige, og 70B når 485 tok/s ved 128 og falder så til 300 ved 256, mens mediantiden til første token går fra 8 til 40 sekunder. Mixture-of-experts-modellen mætter efter sit knæk; den tætte kollapser efter sit. Begge kurver står i logfilerne.

Målt på en ledig node.

Alle kørsler skete på en ellers ubrugt node uden andre modeller indlæst på GPU'en. Hver log nedenfor starter med GPU'ens procesliste og ledige hukommelse i det øjeblik, kørslen startede, så du kan tjekke det i stedet for at tage det for givet.

Rå logfiler fra hver kørsel, uredigerede bortset fra sammenfoldede gentegninger af statuslinjer: Qwen3-Coder 30B-A3B · Llama 3.3 70B. Vil du køre dine egne: optank 20 $ første gang, og få 30 $ i kredit, nok til en evalueringsdag på en dedikeret node.

Workloads

Hvad bør jeg køre på den?

Klare anbefalinger fra driften af en flåde af disse.

Kodeassistent til teamet

Qwen3-Coder 30B-A3B (AWQ, den model GPUwerk benchmarker) giver plads til lange kontekster og flere samtidige brugere. Server den med vLLM bag et OpenAI-kompatibelt endpoint, og peg dine editorer mod det.

Privat chat + RAG

En instruct-model i 70B-klassen ved Q4 passer på én node med plads til en embedding-model og en vektordatabase på samme maskine – en hel privat assistent på én maskine. Se opsætningen af en privat ChatGPT →

Finjustering

LoRA-finjusteringer af modeller i 70B-klassen passer i unified memory uden model-parallel akrobatik. Langsommere pr. trin end en datacenter-GPU, men den kører, hvor forbrugerkort simpelthen ikke kan.

Leje til ét job

Hvad folk lejer en Spark til.

Tre opgaver, hver med kommandoerne, de målte tal og begrænsningerne på én side.

Sammenligninger

Sådan står den sig.

Sammenligninger med konklusionen først mod de maskiner, købere reelt overvejer. Hver af dem siger, hvor konkurrenten vinder.

DGX Spark vs Mac Studio

Unified memory på begge sider, CUDA-økosystem mod rå båndbredde. Opdateret til Apples Mac Studio med M5 Ultra: Macen vinder dekodning, Sparken vinder prefill og CUDA-portabilitet.

9 min. læsning

DGX Spark vs RTX 5090

32 GB hurtig VRAM mod 128 GB kapacitet. Ingen tæt kamp om hastighed: hele spørgsmålet er, om din model kan være der.

6 min. læsning

DGX Spark vs Strix Halo

Næsten identisk tokengenerering, en prefill-forskel på 2-3x og cirka 4.000 $ billigere i indkøb. Hvad The Registers praktiske test fandt.

5 min. læsning

Cloududbydere af DGX Spark sammenlignet

Alle Spark-lejemål pr. time med en offentlig oversigt, med pris, placering, faktureringsgranularitet, og hvad der sker med dine data ved stop. Citeret fra hver udbyders egen side, GPUwerks inklusive.

7 min. læsning

DGX Spark vs H100 til LLM-inferens

Hvornår 128 GB og fakturering pr. minut slår et datacenterkort, og hvornår hukommelsesbåndbredde og batchgennemløb betyder, at du har brug for H100 i stedet.

8 min. læsning

DGX Spark vs H200 til LLM-inferens

Den største forskel i båndbredde på dette websted, 273 GB/s mod omkring 4,8 TB/s. Hvor det betyder noget, og hvor det ikke gør.

7 min. læsning

DGX Spark vs Jetson AGX Thor: to forskellige opgaver

Hvorfor de reelt ikke konkurrerer om den samme køber, med målgruppe, formfaktor og softwarestack sammenlignet.

7 min. læsning

DGX Spark vs RTX PRO 6000 Blackwell

128 GB unified memory ved 273 GB/s mod 96 GB GDDR7 ved omkring 1,8 TB/s: hvilke modeller der passer på hver, og hvilken dekodningshastighed båndbredden tillader.

Sammenligning

ASUS Ascent GX10 vs DGX Spark

Samme GB10-chip og 128 GB. Det, der adskiller dem, er lager, pris, størrelse og firmware, hver med sin kilde.

Sammenligning

Alle GB10-maskiner sammenlignet

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte og Acer side om side: én chip og de forskelle, der er tilbage.

Sammenligning

Alle otte side om side med hukommelse, båndbredde, og hvor hver konkurrent vinder: alternativer til DGX Spark sammenlignet.

Guides

Guides og analyser.

Til alle, der evaluerer, køber eller sætter en DGX Spark op, skrevet fra serverrummet, ikke fra et pressekit.

Opsætning af DGX Spark: fra udpakning til første token

Første opstart af DGX OS, SSH, drivere og serving af din første model: den guide, jeg ville ønske havde eksisteret, da jeg monterede min første enhed i rack.

Opsætning · 4 min. læsning

Hvad du skal vide, før du køber en DGX Spark

Strøm, støj, netværk mellem to enheder, hvad den reelt er god til, og de samlede ejeromkostninger mod en 5090-rig eller skyen.

Købsanalyse · 11 min. læsning

Lej eller køb en DGX Spark

Timer pr. uge, købspris og break-even-regnestykket med en beregner til dine egne tal.

Købsanalyse · 8 min. læsning

Server Qwen3 med vLLM på en Spark

Kopiér-og-indsæt-vej til et OpenAI-kompatibelt endpoint på din egen hardware, inklusive Open WebUI-frontend og systemd.

Opsætning · 6 min. læsning

De bedste modeller, du ikke må sende dine data til

Hvilke store åbne modeller passer i 128 GB / 256 GB, og hvor langt efter de førende modeller de reelt er.

Privat AI · 7 min. læsning

Finjuster en model på din virksomheds data

LoRA på modeller i 70B-klassen passer i 128 GB unified memory, og træningssættet bliver på nodens lokale NVMe.

Finjustering · 11 min. læsning

En AI-medarbejder har brug for et kontor. Giv den et, du ejer.

OpenClaw, Hermes, og hvorfor en agent, der læser din indbakke, hører hjemme på hardware, du kontrollerer.

AI-agenter · 9 min. læsning

Automatiser de kedelige 80 %

Batchbehandling af dokumenter på en maskine til fast takst: det marginale token er gratis, så kør modellen over det hele.

Automatisering · 7 min. læsning

DGX Spark-klynge med to noder: opsætning, og hvad den reelt giver dig

Forbindelse af to Sparks over ConnectX-7 200 GbE, hvad NVIDIAs egen dokumentation siger, og en ærlig vurdering af, hvad parring giver dig, og hvad den ikke giver.

Opsætning · 9 min. læsning

Sådan tjener du penge på din DGX Spark

Udlej en Spark, du ejer, via GPUwerk Platform: andelen på 70 %, hvad der ikke giver noget, et eksempel ved angivne timer og dine omkostninger.

Ejere · 7 min. læsning

DGX Sparks strømforbrug og driftsomkostninger

De offentliggjorte strømtal, hvad de betyder ved stikkontakten, og hvordan du regner din egen elomkostning pr. time ud.

Købsanalyse · 6 min. læsning

ComfyUI og Stable Diffusion på en DGX Spark

NVIDIAs ComfyUI-playbook på ARM64, rapporterede billedtider pr. model og deling af unified memory med en LLM.

Modeller

Sådan kører du en nyudgivet model på en DGX Spark

Hukommelsestilpasning, arm64-images, NVFP4 eller GGUF, hvilken engine, og hvornår en model fra udgivelsesugen kræver to Sparks.

Modeller

Bedste open-weight-modeller at køre på en DGX Spark

Hvilken model passer til chat, kodning, batch- og agentarbejde, og et realitetstjek af tætte modeller, udelukkende med målte tok/s-tal.

Modeller · 8 min. læsning

Samlede ejeromkostninger: GPU-leje mod en cloud-AI-API

En cloud-API med betaling pr. token, en lejet dedikeret GPU og køb af egen hardware sammenlignet side om side med tal, der allerede er offentliggjort på dette websted.

Købsanalyse · 9 min. læsning

Sådan benchmarker GPUwerk DGX Spark

Hvad der måles, én strøm mod samtidighed, hvilke engines og indstillinger, og hvorfor de rå logfiler offentliggøres i stedet for kun resumétabellen.

Benchmarks · 4 min. læsning

Støj og køling på DGX Spark: hvad du kan forvente

Hvad der er dokumenteret om blæserstøj og køling på et skrivebord eller et hjemmekontor, hvad der ikke er målt uafhængigt, og hvor du kan tjekke før køb.

Købsanalyse · 4 min. læsning

Kørsel af visions- og multimodale modeller på en DGX Spark

Hvad der er realistisk på 128 GB unified memory for vision-language-modeller og billedforståelse, og hvorfor der endnu ikke er offentliggjort dedikerede VLM-benchmarks.

Modeller · 3 min. læsning

Driver- og firmwareopdateringer på DGX Spark: hvad GPUwerk står for

Hvad der holdes opdateret på værts- og nodeniveau på en lejet Spark, og hvad der ligger i din egen root-container og helt er dit ansvar.

Opsætning · 4 min. læsning

DGX Spark-lager: hvad der er persistent, og hvad du skal tage backup af

1 TB NVMe på en lejet Spark, præcis hvad der overlever et stop i forhold til en afslutning, og hvorfor du har brug for din egen backup: GPUwerk opbevarer ingen kopi af dit workspace.

Opsætning · 4 min. læsning

Overvågning og observerbarhed for en selvhostet LLM

Hvad du skal følge på en Spark, der serverer produktionstrafik, fra GPU-hukommelse til svartid pr. forespørgsel.

Drift · 6 min. læsning

Backup og katastrofegendannelse for dit DGX Spark-workload

Hvad der faktisk kræver backup på en lejet Spark, og hvordan du gendanner efter en fejl.

Drift · 6 min. læsning

Adgang for teams og flere brugere til en delt DGX Spark

Giv et team delt adgang til én Spark, uden at alle deler én API-nøgle.

Drift · 5 min. læsning

Ratebegrænsning og kvoter for en intern LLM-udrulning

Forhindrer, at ét team eller ét script udsulter alle andres forespørgsler på et delt endpoint.

Drift · 5 min. læsning

Opdatering eller udskiftning af modeller uden nedetid

Udrulning af en ny model eller modelversion i produktion på en Spark uden et nedetidsvindue.

Drift · 6 min. læsning

Skalering fra én DGX Spark til en flåde

Hvornår det er bedre at leje flere enkelte Sparks end en klynge med to noder, hvordan du fordeler belastningen på uafhængige noder, og de driftsmæssige afvejninger ved at drive en lille flåde.

Drift · 7 min. læsning

Kvantiserede modeller vs modeller i fuld præcision i produktion

Sådan vælger du mellem en kvantiseret model og en model i fuld præcision til en selvhostet produktionsudrulning: hukommelsestilpasning, kvalitetsrisiko pr. opgave, og hvornår du skal teste begge.

Drift · 6 min. læsning

Omkostningsprognoser og budgettering for AI-infrastruktur

Sådan estimerer du de månedlige udgifter til AI-infrastruktur ved selvhosting mod en målt API, med GPUwerks takst på 0 $,79/time som gennemregnet eksempel og en tjekliste til budgettering.

Købsanalyse · 7 min. læsning

Sikkerhedshærdning af en lejet GPU-instans

Praktisk hærdning inde i instansen for en lejet GPU: håndtering af SSH-nøgler, netværkseksponering, kørsel af tjenester uden root, hemmeligheder og flygtig vs persistent tilstand.

Drift · 6 min. læsning

Migrering af en eksisterende selvhostet AI-udrulning til en DGX Spark

En praktisk migreringsvej fra en workstation eller en anden cloud-GPU til en lejet DGX Spark: genkvantisering til unified memory, flytning af data og en plan for omstillingen.

Opsætning · 7 min. læsning

Styring af GPU-hukommelse til flere modeller på én Spark

Fordeling af 128 GB unified memory på flere modeller eller containere på én DGX Spark, og hvornår regnestykket siger, at du i stedet skal dele op på en klynge med to noder.

Drift · 6 min. læsning

llama.cpp vs vLLM vs SGLang på en DGX Spark: flag og opstart

En praktisk guide til valg af inferens-engine: præcise flag, startkommandoer, og hvor llama.cpp, vLLM og SGLang reelt adskiller sig på GB10's unified memory.

Opsætning · 6 min. læsning

Test af din katastrofeberedskabsplan for en selvhostet LLM

En backupplan, du ikke har gendannet fra, er en hypotese. Gendannelsesøvelser, game days og måling af RTO/RPO for en selvhostet LLM-udrulning.

Drift · 6 min. læsning

Best practices for rotation af API-nøgler i en privat LLM-udrulning

Rotation af API-nøgler og legitimationsoplysninger for et selvhostet inferens-endpoint: afgrænsning, rotationsplaner, tilbagekaldelse, og hvad der skal automatiseres frem for at gøres manuelt.

Drift · 6 min. læsning

Evaluering af modelkvalitet, før du skifter model

Holdout-testsæt, A/B-tilgange og regressionstjek til benchmarking af en kandidatmodel mod din nuværende, før du skifter i produktion.

Drift · 6 min. læsning

Prompt caching for at reducere inferensomkostninger

Sådan reducerer genbrug af prefix- og KV-cache gentagen beregning i en selvhostet udrulning: hvad der giver et cache-hit, hvordan du strukturerer prompts til det, og hvor besparelserne reelt viser sig på en Spark, der lejes pr. time.

Drift · 6 min. læsning

Struktureret output og function calling på en selvhostet LLM

Opsætning af struktureret output i JSON-tilstand og tool/function calling på selvhostede modeller med vLLM og llama.cpp, inklusive hvilke modeller der understøtter det, og hvordan du fejlfinder misdannede kald.

Opsætning · 5 min. læsning

Embeddings og vektorsøgning på en DGX Spark

Selvhosting af en embedding-model ved siden af en vektordatabase til en RAG-pipeline på én Spark: hukommelsesbudget, serving af embedding-modellen og valg af vektordatabase.

Modeller · 5 min. læsning

Batchbehandling af store inferensjob på en lejet Spark

Massebehandling af dokumenter og mærkning af datasæt i stor skala på en DGX Spark, der lejes pr. time: indstillinger for gennemløb, dimensionering af job, og hvordan omkostningen ved batchinferens står sig mod interaktiv serving.

Drift · 5 min. læsning

Overvågning af GPU-udnyttelse og korrekt dimensionering af din udrulning

Sådan aflæser du den faktiske GPU- og hukommelsesudnyttelse på en lejet DGX Spark og bruger den til at vælge mellem at blive, hvor du er, skalere op til en klynge med to noder eller skalere ud til en flåde.

Drift · 5 min. læsning

Revisionslogning for en compliance-følsom selvhostet LLM-udrulning

Opsætning af revisionslogfiler for forespørgsler og svar inde i din egen container på en lejet DGX Spark: hvad der skal registreres, hvor det skal gemmes, og hvor GPUwerks ansvar ender.

Drift · 6 min. læsning

Strategi for modelversionering og tilbagerulning i en selvhostet udrulning

Overblik over, hvilke modelvægte og konfigurationer der faktisk kører, og ren tilbagerulning, når en ny version præsterer dårligere.

Drift · 6 min. læsning

Koldstart mod altid tændt: valg af oppetidsmønster for en instans

At stoppe en DGX Spark mellem brug eller holde den kørende døgnet rundt: afvejninger af pris, svartid og data.

Købsanalyse · 5 min. læsning

Opsætning af SSO og adgangskontrol til en LLM-udrulning for et team

Placering af et autentificeringslag foran et selvhostet inferens-endpoint, så et team logger ind med eksisterende identiteter i stedet for at dele SSH-nøgler eller API-tokens.

Opsætning · 5 min. læsning

Kørsel af flere containere og tjenester på en DGX Spark

Docker-containermønstre for én DGX Spark: hvornår en almindelig docker-compose-fil er nok, og hvornår workloadet er vokset fra den.

Opsætning · 5 min. læsning

Alle guides, grupperet efter køb, modeller og engines, klynger og drift: alle DGX Spark-guides.

Spørgsmål.

Hvad er NVIDIA DGX Spark?

NVIDIA DGX Spark er en AI-computer til skrivebordet bygget på NVIDIA GB10 Grace Blackwell Superchip: en Blackwell-GPU og en 20-kernet Arm-CPU, der deler 128 GB unified memory ved 273 GB/s, med op til 1 PFLOP sparse FP4-regnekraft. Den kører NVIDIAs DGX OS, et Ubuntu-baseret system med CUDA-stacken forudinstalleret, og bruger højst 240 W. Bestillinger åbnede den 15. oktober 2025 til 3.999 $; NVIDIAs amerikanske listepris var 6.950 $, da den blev tjekket den 11. oktober 2026 (prishistorik). ASUS, Dell, HP, Lenovo, MSI, Gigabyte og Acer sælger maskiner med samme GB10-chip under deres egne navne: alle GB10-maskiner sammenlignet.

Får jeg en hel DGX Spark for mig selv?

Ja. Hver GPUwerk-instans er én dedikeret node, ikke en del af en delt GPU. De 128 GB unified memory, hele båndbredden på 273 GB/s og 1 PFLOPS sparse FP4-regnekraft er dine i hele lejeperioden, uden at noget andet kører på maskinen.

Hvordan adskiller en DGX Spark sig fra at leje en cloud-GPU-instans?

En typisk cloud-GPU-instans giver dig 24 til 80 GB VRAM på et datacenterkort. En DGX Spark giver dig 128 GB unified memory på én maskine, nok til modeller i 70B-klassen uden at dele dem over flere GPU'er, og GPUwerk udlejer den med fakturering pr. minut fra sine egne Sparks i Tjekkiet og partner-Sparks i Europa, Nordamerika og Østasien.

Hvad er hagen ved en hukommelsesbåndbredde på 273 GB/s?

Det er loftet for genereringshastigheden ved en enkelt strøm: færre tokens i sekundet end en separat GPU med hurtigere VRAM, og derfor fremhæver både købsguiden og sammenligningen med RTX 5090 det først. Sparks fordel er kapacitet og batchgennemløb, ikke rå hastighed for én bruger.

Kan jeg købe en DGX Spark i stedet for at leje en?

Ja. GPUwerks butik har selve NVIDIA DGX Spark, prissat ud fra tjekkiske leverandørers lager, når en kan levere den, og den samme GB10-maskine fra syv andre producenter, heriblandt Lenovo ThinkStation PGX fra 5.330 € ekskl. moms. GPUwerk sender den til dig eller, hvis du vælger det, huser den i sit datacenter og udlejer den for dig. Du kan også købe hos NVIDIA eller dets partnere eller spørge GPUwerk om en maskine til dit eget sted. Leje pr. minut først fortæller dig, om hardwaren passer til dit workload, før et køb på omkring 4.000 € eller mere, og alle GPUwerks cloud-instanser kører på identisk GB10-hardware.

Alt om DGX Spark på dette websted.

Alle sider på GPUwerk om DGX Spark, grupperet efter, hvad du prøver at opnå.

Hold op med at læse benchmarks.
Kør dine egne.

Lej en dedikeret Spark for 0 $,79/t, faktureret pr. minut. Første optankning: betal 20 $, få 30 $ i kredit, cirka 37 timers regnekraft.

Opret konto