NVIDIA DGX Spark · GB10 Grace Blackwell

El NVIDIA DGX Spark: alquila uno desde 0,79 $/h o compra uno

El NVIDIA DGX Spark es un ordenador de sobremesa para IA: un superchip GB10 Grace Blackwell con 128 GB de memoria unificada a 273 GB/s, con el DGX OS de NVIDIA. Puedes alquilar un DGX Spark en GPUwerk por 0,79 $ la hora, facturado por minuto, o comprar uno. Esta página explica qué es, qué mide en la flota de GPUwerk y dónde pierde.

Por Samuel Seidel · Actualizado el 24 de octubre de 2026. En profundidad: especificaciones del DGX Spark, precio del DGX Spark, benchmarks del DGX Spark y el clúster de DGX Spark de dos máquinas enlazadas.

128GBMemoria unificada, con 273 GB/s de ancho de banda de memoria
0,79 $La hora en GPUwerk, facturado por minuto, o 1,79 $ la hora por un clúster de dos nodos con 256 GB
1PFLOPCómputo de IA en FP4, disperso, del superchip NVIDIA GB10 Grace Blackwell
200Gb/sRed ConnectX-7 con dos puertos QSFP. NVIDIA indica que dos máquinas enlazadas admiten modelos de hasta 400B parámetros

GPUwerk alquila máquinas NVIDIA DGX Spark dedicadas por minutos en Europa, Norteamérica y Asia Oriental: sus propias máquinas en la República Checa y Sparks propiedad de socios en otros países. Un Spark cuesta 0,79 $ la hora y un clúster de dos nodos y 256 GB, 1,79 $ la hora, con crédito prepago y sin suscripción. Trabajas en un terminal del navegador o por SSH como root. Termina la instancia cuando acabes y se deja de facturar. Cómo alquilar un DGX Spark.

El precio de lista de NVIDIA en EE. UU. es de 6.950 $ (comprobado el 11 de octubre de 2026), frente a 3.999 $ en el lanzamiento: consulta el historial de precios del DGX Spark y los precios en la UE. Compra un NVIDIA DGX Spark en la tienda de GPUwerk →

Especificaciones

El hardware en una tabla.

Por nodo. Cada instancia de GPUwerk es una máquina entera, así que todas estas cifras son tuyas. Cada valor, con lo que significa para los LLM, está en la página de especificaciones del DGX Spark.

NVIDIA DGX Spark
SuperchipGB10 Grace Blackwell
Rendimiento de IA1 PFLOPS FP4 (disperso)
Memoria128 GB LPDDR5x unificada
Ancho de banda de memoria273 GB/s
CPUArm de 20 núcleos (10× X925 + 10× A725)
Almacenamiento1 TB NVMe en los Sparks propios de GPUwerk, compartido con el sistema y la caché de modelos; algunos Sparks de socios tienen 2 o 4 TB (NVIDIA vende 1 TB o 4 TB)
RedConnectX-7 · 200 Gb/s
Consumo240 W máx.
Sistema operativoDGX OS 7 · Ubuntu 24.04
CUDAStack completo preinstalado

Fuentes, consultadas el 24 de octubre de 2026: la página de producto del NVIDIA DGX Spark (CPU, memoria, 273 GB/s, 1 PFLOP FP4 con dispersión, fuente de 240 W, hasta 200B parámetros en una máquina y 400B en dos) y la documentación de hardware de NVIDIA (NVMe de 1 TB o 4 TB, memoria de 256 bits a 4266 MHz). Fecha y precio de lanzamiento: sala de prensa de NVIDIA, 13 de octubre de 2025.

Los 273 GB/s de ancho de banda de memoria son la limitación que importa para la velocidad de generación de LLM en un solo flujo. El punto fuerte del Spark es la capacidad: modelos que simplemente no caben en GPU de consumo, además de cómputo FP4 para servir por lotes y hacer fine-tuning, donde el rendimiento escala mucho mejor de lo que sugieren las cifras de un solo flujo.

Precio, alquiler y compra

Alquila uno o compra uno.

Alquilar por minutos te dice si tu modelo cabe y va lo bastante rápido antes de gastar miles en el hardware. Un Spark alquilado te da un terminal en el navegador o SSH como root en tu propio contenedor, el toolkit CUDA 13.0 preinstalado (y Docker, en algunas máquinas) y un endpoint compatible con OpenAI desde una imagen de modelo: con qué trabajas.

Medido en la flota de GPUwerk

Benchmarks de la flota.

Los dos modelos preparados en cada nodo de la flota, medidos con vllm bench serve en uno de los nodos propios de GPUwerk sin nada más en su GPU. Los logs sin editar están abajo, y hay más modelos en la página de benchmarks del DGX Spark. Las cifras de terceros para otros modelos están recopiladas y analizadas en la guía de compra.

Resultados de benchmarks de la flota en un nodo DGX Spark
ModeloCuantizaciónFrameworkPrefill tok/sGeneración tok/sContexto máximo
Qwen3-Coder 30B-A3BAWQvLLM 0.27.15705 tok/s80,9 tok/s262.144
Llama 3.3 70BAWQvLLM 0.27.1391 tok/s6,0 tok/s131.072

Cómo leer esto.

El prefill es la mediana del tiempo hasta el primer token con un prompt de 8192 tokens. La generación es un solo flujo, 128 de entrada y 512 de salida, sin nada más en curso. El contexto máximo es un prompt de esa longitud que se sirvió realmente, no una cifra deducida del tamaño de la caché KV. El prefill se ralentiza a medida que crece el prompt, porque el coste de la atención es cuadrático: el 30B hace 5705 tok/s con 8k y 586 tok/s llenando sus 262.144 completos.

El tamaño del lote cambia la respuesta por completo.

Un solo flujo es el peor caso en este hardware, y es la cifra en la que se quedan la mayoría de las comparativas. Con solicitudes en curso, el 30B alcanza 3235 tok/s agregados con 256 simultáneas, y el 70B llega a 485 tok/s con 128 y luego cae a 300 con 256, con la mediana del tiempo hasta el primer token pasando de 8 a 40 segundos. El modelo mixture-of-experts se satura pasado su punto de inflexión; el denso se desploma pasado el suyo. Ambas curvas están en los logs.

Medido en un nodo sin otra actividad.

Todas las ejecuciones se hicieron en un nodo sin otra actividad, sin ningún otro modelo cargado en la GPU. Cada log de abajo empieza con la lista de procesos de la GPU y la memoria libre en el instante en que empezó la ejecución, para que puedas comprobarlo en lugar de creerlo.

Logs sin editar, de todas las ejecuciones, salvo la eliminación de los redibujados de las barras de progreso: Qwen3-Coder 30B-A3B · Llama 3.3 70B. Para hacer las tuyas: recarga 20 $ la primera vez y recibe 30 $ de crédito, suficiente para un día de evaluación en un nodo dedicado.

Cargas de trabajo

¿Qué debería ejecutar en él?

Consejos con criterio propio, tras gestionar una flota de estas máquinas.

Asistente de programación para el equipo

Qwen3-Coder 30B-A3B (AWQ, el modelo con el que GPUwerk hace benchmarks) deja margen para contextos largos y varios usuarios simultáneos. Sírvelo con vLLM detrás de un endpoint compatible con OpenAI y apunta tus editores a él.

Chat privado + RAG

Un modelo instruct de clase 70B en Q4 cabe en un nodo con margen para un modelo de embeddings y una base de datos vectorial en la misma máquina: un asistente privado completo en un solo equipo. Ver la configuración de ChatGPT privado →

Fine-tuning

Los fine-tunings con LoRA de modelos de clase 70B caben en la memoria unificada sin malabarismos de paralelismo de modelo. Más lento por paso que una GPU de centro de datos, pero funciona donde las tarjetas de consumo simplemente no pueden.

Alquilar para un trabajo concreto

Para qué alquila la gente un Spark.

Tres trabajos, cada uno con los comandos, las cifras medidas y los límites en una sola página.

Comparativas

Cómo se compara.

Comparativas que empiezan por el veredicto, frente a las máquinas que los compradores comparan de verdad. Cada una dice dónde gana el rival.

DGX Spark frente a Mac Studio

Memoria unificada en ambos casos, ecosistema CUDA frente a ancho de banda bruto. Actualizado para el Mac Studio con M5 Ultra de Apple: el Mac gana en decodificación, el Spark en prefill y portabilidad de CUDA.

9 min de lectura

DGX Spark frente a RTX 5090

32 GB de VRAM rápida frente a 128 GB de capacidad. En velocidad no hay color: la cuestión es si tu modelo cabe.

6 min de lectura

DGX Spark frente a Strix Halo

Generación de tokens casi idéntica, una diferencia de 2 a 3 veces en el prefill y unos 4.000 $ menos de precio. Lo que encontró la prueba práctica de The Register.

5 min de lectura

Proveedores de DGX Spark en la nube comparados

Todos los alquileres de Spark por horas con oferta pública, con precio, ubicación, granularidad de facturación y qué pasa con tus datos al detener. Citados de la propia página de cada proveedor, incluido GPUwerk.

7 min de lectura

DGX Spark frente a H100 para inferencia de LLM

Cuándo 128 GB y la facturación por minuto superan a una tarjeta de centro de datos, y cuándo el ancho de banda de memoria y el rendimiento por lotes hacen que necesites la H100.

8 min de lectura

DGX Spark frente a H200 para inferencia de LLM

La mayor diferencia de ancho de banda de este sitio, 273 GB/s frente a unos 4,8 TB/s. Dónde importa y dónde no.

7 min de lectura

DGX Spark frente a Jetson AGX Thor: dos trabajos distintos

Por qué en realidad no compiten por el mismo comprador, con el mercado objetivo, el formato y el stack de software comparados.

7 min de lectura

DGX Spark frente a RTX PRO 6000 Blackwell

128 GB de memoria unificada a 273 GB/s frente a 96 GB de GDDR7 a unos 1,8 TB/s: qué modelos caben en cada uno y qué velocidad de decodificación permite el ancho de banda.

Comparativa

ASUS Ascent GX10 frente a DGX Spark

El mismo chip GB10 y los mismos 128 GB. Lo que cambia es el almacenamiento, el precio, el tamaño y el firmware, cada cosa con su fuente.

Comparativa

Todas las máquinas GB10 comparadas

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte y Acer, uno al lado del otro: un mismo chip y las diferencias que quedan.

Comparativa

Los ocho, uno al lado del otro, con memoria, ancho de banda y dónde gana cada rival: alternativas al DGX Spark comparadas.

Guías

Guías y análisis.

Para cualquiera que esté evaluando, comprando o configurando un DGX Spark, escrito desde la sala de la flota, no desde un dosier de prensa.

Instalación del DGX Spark: del unboxing al primer token

Primer arranque de DGX OS, SSH, drivers y servir tu primer modelo: la guía que me habría gustado tener cuando monté mi primera unidad en el rack.

Instalación · 4 min de lectura

Qué saber antes de comprar un DGX Spark

Consumo, ruido, conectar dos unidades en red, en qué es realmente bueno y el coste total de propiedad frente a un equipo con una 5090 o la nube.

Análisis de compra · 11 min de lectura

Alquilar o comprar un DGX Spark

Horas por semana, precio de compra y el cálculo del punto de equilibrio, con una calculadora para tus propias cifras.

Análisis de compra · 8 min de lectura

Servir Qwen3 con vLLM en un Spark

Un camino de copiar y pegar hacia un endpoint compatible con OpenAI en tu propio hardware, con frontend Open WebUI y systemd incluidos.

Instalación · 6 min de lectura

Los mejores modelos a los que no puedes enviar tus datos

Qué modelos abiertos grandes caben en 128 GB / 256 GB, y a qué distancia están realmente de la vanguardia.

IA privada · 7 min de lectura

Haz fine-tuning de un modelo con los datos de tu empresa

LoRA en modelos de clase 70B cabe en 128 GB de memoria unificada, con el conjunto de entrenamiento en el NVMe local del nodo.

Fine-tuning · 11 min de lectura

Un empleado de IA necesita una oficina. Dale una que sea tuya.

OpenClaw, Hermes y por qué un agente que lee tu bandeja de entrada debe estar en hardware que controlas.

Agentes de IA · 9 min de lectura

Automatiza el 80% aburrido

Procesamiento de documentos por lotes en una máquina con tarifa plana: el token adicional sale gratis, así que pasa el modelo por todo.

Automatización · 7 min de lectura

Clúster de DGX Spark de dos nodos: configuración y lo que aporta realmente

Enlazar dos Sparks por ConnectX-7 a 200 GbE, lo que dice la propia documentación de NVIDIA y una valoración honesta de lo que aporta y lo que no aporta emparejarlos.

Instalación · 9 min de lectura

Cómo ganar dinero con tu DGX Spark

Alquila un Spark de tu propiedad a través de GPUwerk Platform: el 70% para ti, qué no genera nada, un ejemplo con horas indicadas y tus costes.

Propietarios · 7 min de lectura

Consumo eléctrico y coste de funcionamiento del DGX Spark

Las cifras de consumo publicadas, lo que significan en el enchufe y cómo calcular tu propio coste eléctrico por hora.

Análisis de compra · 6 min de lectura

ComfyUI y Stable Diffusion en un DGX Spark

El playbook de ComfyUI de NVIDIA en ARM64, tiempos de imagen publicados por modelo y cómo compartir la memoria unificada con un LLM.

Modelos

Cómo ejecutar un modelo recién publicado en un DGX Spark

Si cabe en memoria, imágenes arm64, NVFP4 o GGUF, qué motor y cuándo un modelo de la semana de lanzamiento necesita dos Sparks.

Modelos

Los mejores modelos de pesos abiertos para ejecutar en un DGX Spark

Qué modelo encaja para chat, programación, lotes y agentes, y una comprobación de la realidad de los modelos densos, usando solo cifras de tok/s medidas.

Modelos · 8 min de lectura

Coste total de propiedad: alquiler de GPU frente a una API de IA en la nube

Una API en la nube de pago por token, una GPU dedicada alquilada y comprar el hardware, comparados lado a lado con cifras ya publicadas en este sitio.

Análisis de compra · 9 min de lectura

Cómo hace GPUwerk los benchmarks del DGX Spark

Qué se mide, un solo flujo frente a concurrencia, qué motores y ajustes, y por qué se publican los logs sin editar y no solo la tabla resumen.

Benchmarks · 4 min de lectura

Ruido y refrigeración del DGX Spark: qué esperar

Lo que está documentado sobre el ruido de los ventiladores y la refrigeración para una mesa o una oficina en casa, lo que no se ha medido de forma independiente y dónde comprobarlo antes de comprar.

Análisis de compra · 4 min de lectura

Modelos de visión y multimodales en un DGX Spark

Lo que es viable con 128 GB de memoria unificada para modelos de visión y lenguaje y comprensión de imágenes, y por qué aún no se han publicado benchmarks específicos de VLM.

Modelos · 3 min de lectura

Actualizaciones de drivers y firmware del DGX Spark: qué gestiona GPUwerk

Qué se mantiene actualizado a nivel de host y de nodo en un Spark alquilado, y qué hay dentro de tu propio contenedor root y queda por completo bajo tu responsabilidad.

Instalación · 4 min de lectura

Almacenamiento del DGX Spark: qué es persistente y de qué hacer copia

El NVMe de 1 TB de un Spark alquilado, exactamente qué sobrevive al detener frente a terminar, y por qué necesitas tu propia copia de seguridad: GPUwerk no guarda ninguna copia de tu espacio de trabajo.

Instalación · 4 min de lectura

Monitorización y observabilidad para un LLM autoalojado

Qué vigilar en un Spark que sirve tráfico de producción, de la memoria de la GPU a la latencia por solicitud.

Operaciones · 6 min de lectura

Copias de seguridad y recuperación ante desastres para tu carga de trabajo en DGX Spark

Qué necesita realmente copia de seguridad en un Spark alquilado y cómo restaurarlo tras un fallo.

Operaciones · 6 min de lectura

Acceso para equipos y varios usuarios a un DGX Spark compartido

Dar a un equipo acceso compartido a un Spark sin que todos compartan una misma clave de API.

Operaciones · 5 min de lectura

Límites de uso y cuotas para un despliegue interno de LLM

Evitar que un equipo o un script deje sin recursos las solicitudes de los demás en un endpoint compartido.

Operaciones · 5 min de lectura

Actualizar o cambiar modelos sin tiempo de inactividad

Poner en producción un modelo nuevo o una nueva versión de un modelo en un Spark sin ventana de interrupción.

Operaciones · 6 min de lectura

Escalar de un DGX Spark a una flota

Cuándo alquilar más Sparks sueltos supera a un clúster de dos nodos, cómo repartir la carga entre nodos independientes y las contrapartidas operativas de gestionar una flota pequeña.

Operaciones · 7 min de lectura

Modelos cuantizados frente a precisión completa en producción

Cómo decidir entre un modelo cuantizado y uno de precisión completa para un despliegue autoalojado en producción: encaje en memoria, riesgo de calidad según la tarea y cuándo probar ambos.

Operaciones · 6 min de lectura

Previsión de costes y presupuestos para infraestructura de IA

Cómo estimar el gasto mensual en infraestructura de IA al autoalojar frente a pagar una API por uso, con la tarifa de 0,79 $/hora de GPUwerk como ejemplo resuelto y una lista de comprobación para el presupuesto.

Análisis de compra · 7 min de lectura

Reforzar la seguridad de una instancia de GPU alquilada

Cómo reforzar la seguridad de una GPU alquilada desde dentro de la instancia: gestión de claves SSH, exposición a la red, ejecutar servicios sin root, secretos y estado efímero frente a persistente.

Operaciones · 6 min de lectura

Migrar un despliegue de IA autoalojado existente a un DGX Spark

Una vía práctica de migración desde una estación de trabajo u otra GPU en la nube a un DGX Spark alquilado: recuantizar para memoria unificada, mover los datos y un plan de cambio.

Instalación · 7 min de lectura

Gestión de memoria de GPU para varios modelos en un Spark

Cómo repartir 128 GB de memoria unificada entre varios modelos o contenedores en un solo DGX Spark, y cuándo los números dicen que conviene dividir en un clúster de dos nodos.

Operaciones · 6 min de lectura

llama.cpp, vLLM o SGLang en un DGX Spark: flags y arranque

Una guía práctica para elegir motor de inferencia: flags exactos, comandos de arranque y en qué se diferencian realmente llama.cpp, vLLM y SGLang con la memoria unificada del GB10.

Instalación · 6 min de lectura

Probar tu plan de recuperación ante desastres para un LLM autoalojado

Un plan de copias de seguridad que no has restaurado nunca es una hipótesis. Simulacros de restauración, game days y medición de RTO/RPO para un despliegue de LLM autoalojado.

Operaciones · 6 min de lectura

Buenas prácticas de rotación de claves de API para un despliegue privado de LLM

Rotar claves de API y credenciales de un endpoint de inferencia autoalojado: permisos, calendarios de rotación, revocación y qué automatizar frente a qué hacer a mano.

Operaciones · 6 min de lectura

Evaluar la calidad del modelo antes de cambiar de modelo

Conjuntos de prueba reservados, enfoques A/B y comprobaciones de regresión para comparar un modelo candidato con el actual antes de cambiarlo en producción.

Operaciones · 6 min de lectura

Caché de prompts para reducir el coste de inferencia

Cómo la reutilización de prefijos y de la caché KV reduce el cómputo repetido en un despliegue autoalojado: qué cuenta como acierto de caché, cómo estructurar los prompts para aprovecharlo y dónde se nota realmente el ahorro en un Spark alquilado por horas.

Operaciones · 6 min de lectura

Salida estructurada y llamadas a funciones en un LLM autoalojado

Configurar salida estructurada en modo JSON y llamadas a herramientas/funciones en modelos autoalojados con vLLM y llama.cpp, incluido qué modelos lo admiten y cómo depurar llamadas mal formadas.

Instalación · 5 min de lectura

Embeddings y búsqueda vectorial en un DGX Spark

Autoalojar un modelo de embeddings junto a una base de datos vectorial para un pipeline RAG en un solo Spark: reparto de memoria, servicio del modelo de embeddings y elección de base vectorial.

Modelos · 5 min de lectura

Procesamiento por lotes de grandes trabajos de inferencia en un Spark alquilado

Procesamiento masivo de documentos y etiquetado de datasets a gran escala en un DGX Spark alquilado por horas: ajustes de rendimiento, dimensionamiento de trabajos y cómo se compara el coste de la inferencia por lotes con el servicio interactivo.

Operaciones · 5 min de lectura

Monitorizar el uso de la GPU y dimensionar bien tu despliegue

Cómo leer el uso real de GPU y memoria en un DGX Spark alquilado y usarlo para decidir entre quedarte como estás, escalar a un clúster de dos nodos o ampliar a una flota.

Operaciones · 5 min de lectura

Registro de auditoría para un despliegue de LLM autoalojado sujeto a cumplimiento normativo

Configurar logs de auditoría de solicitudes y respuestas dentro de tu propio contenedor en un DGX Spark alquilado: qué registrar, dónde guardarlo y dónde termina la responsabilidad de GPUwerk.

Operaciones · 6 min de lectura

Estrategia de versionado de modelos y vuelta atrás para un despliegue autoalojado

Controlar qué pesos y configuraciones de modelo se están ejecutando realmente y volver atrás limpiamente cuando una nueva versión rinde peor.

Operaciones · 6 min de lectura

Arranque en frío frente a siempre encendido: elegir un patrón de actividad para la instancia

Detener un DGX Spark entre usos frente a mantenerlo en ejecución las 24 horas: coste, latencia y contrapartidas en cuanto a los datos.

Análisis de compra · 5 min de lectura

Configurar SSO y control de acceso para un despliegue de LLM de equipo

Poner una capa de autenticación delante de un endpoint de inferencia autoalojado para que un equipo inicie sesión con sus identidades existentes en lugar de compartir claves SSH o tokens de API.

Instalación · 5 min de lectura

Varios contenedores y servicios en un DGX Spark

Patrones de contenedores Docker para un solo DGX Spark: cuándo basta un archivo docker-compose sencillo y cuándo la carga de trabajo lo ha superado.

Instalación · 5 min de lectura

Todas las guías, agrupadas en compra, modelos y motores, clústeres y operaciones: todas las guías de DGX Spark.

Preguntas.

¿Qué es el NVIDIA DGX Spark?

El NVIDIA DGX Spark es un ordenador de sobremesa para IA basado en el superchip NVIDIA GB10 Grace Blackwell: una GPU Blackwell y una CPU Arm de 20 núcleos que comparten 128 GB de memoria unificada a 273 GB/s, con hasta 1 PFLOP de cómputo FP4 disperso. Ejecuta el DGX OS de NVIDIA, un sistema basado en Ubuntu con el stack CUDA preinstalado, y consume como máximo 240 W. Los pedidos se abrieron el 15 de octubre de 2025 a 3.999 $; el precio de lista de NVIDIA en EE. UU. era de 6.950 $ cuando se comprobó el 11 de octubre de 2026 (historial de precios). ASUS, Dell, HP, Lenovo, MSI, Gigabyte y Acer venden máquinas con el mismo chip GB10 con su propio nombre: todas las máquinas GB10 comparadas.

¿Tengo un DGX Spark entero para mí?

Sí. Cada instancia de GPUwerk es un nodo dedicado, no una porción de una GPU compartida. Los 128 GB de memoria unificada, los 273 GB/s completos de ancho de banda y el 1 PFLOPS de cómputo FP4 disperso son tuyos durante todo el alquiler, sin nada más ejecutándose en la máquina.

¿En qué se diferencia un DGX Spark de alquilar una instancia de GPU en la nube?

Una instancia típica de GPU en la nube te da de 24 a 80 GB de VRAM en una tarjeta de centro de datos. Un DGX Spark te da 128 GB de memoria unificada en una sola máquina, suficiente para modelos de clase 70B sin repartirlos entre GPU, y GPUwerk lo alquila con facturación por minuto desde sus propios Sparks en Chequia y Sparks de socios en Europa, Norteamérica y Asia Oriental.

¿Cuál es la pega de los 273 GB/s de ancho de banda de memoria?

Es el techo de la velocidad de generación en un solo flujo: menos tokens por segundo que una GPU dedicada con VRAM más rápida, por eso tanto la guía de compra como la comparativa con la RTX 5090 empiezan por ahí. La ventaja del Spark es la capacidad y el rendimiento por lotes, no la velocidad bruta para un solo usuario.

¿Puedo comprar un DGX Spark en vez de alquilarlo?

Sí. La tienda de GPUwerk ofrece el propio NVIDIA DGX Spark, con precio según el stock de proveedores checos cuando uno puede entregarlo, y la misma máquina GB10 de otros siete fabricantes, entre ellos la Lenovo ThinkStation PGX desde 5.330 € sin IVA. GPUwerk te la envía o, si lo eliges, la aloja en su centro de datos y la alquila por ti. También puedes comprarla a NVIDIA o a sus socios, o preguntar a GPUwerk por una máquina para tus propias instalaciones. Alquilar primero por minutos te dice si el hardware encaja con tu carga de trabajo antes de una compra de unos 4.000 € o más, y todas las instancias en la nube de GPUwerk funcionan con el mismo hardware GB10.

Todo sobre el DGX Spark en este sitio.

Todas las páginas de GPUwerk que tratan el DGX Spark, agrupadas según lo que quieras hacer.

Deja de leer benchmarks.
Haz los tuyos.

Alquila un Spark dedicado por 0,79 $/h, facturado por minuto. Primera recarga: paga 20 $ y recibe 30 $ de crédito, unas 37 horas de cómputo.

Crear cuenta