Prueba y porta tu software en un GB10 real: aarch64, CUDA, sm_121
Una issue dice que tu biblioteca falla en un DGX Spark y tú no tienes uno. O tus wheels compilan en x86 y nadie las ha probado en una CPU Arm con una GPU Blackwell. Alquila un Spark entero durante los minutos que tardes en averiguarlo: una shell root en una NVIDIA GB10 (aarch64, compute capability de CUDA 12.1) con el toolkit CUDA 13.0 instalado. A 0,79 $ la hora, facturado por minuto, una comprobación de 20 minutos cuesta unos 0,26 $.
Primera recarga: paga 20 $ y recibe 30 $ de crédito. Facturado por minuto con crédito prepago. Termina la instancia cuando acabes y se deja de facturar. La mayoría de quienes me alquilan un Spark arrancan la imagen DGX OS sin más y traen su propio stack, que es de lo que trata esta página.
Qué obtienes
| CPU | Arm de 20 núcleos (10 Cortex-X925 y 10 Cortex-A725), uname -m devuelve aarch64 |
|---|---|
| GPU | NVIDIA GB10, generación Blackwell, compute capability 12.1 (sm_121) |
| Memoria | 128 GB de LPDDR5x unificada compartida por CPU y GPU, 273 GB/s |
| Imágenes | DGX OS 7: Ubuntu 24.04 con el toolkit CUDA 13.0 (nvcc), NCCL y NVIDIA DCGM. Ubuntu 24.04: lo mismo sin DCGM. Ambas incluyen git, tmux, vim, curl y Python 3 con pip y venv. |
| Acceso | Un terminal root en el navegador sin clave SSH, o SSH como root en el puerto 22 con tu propia clave. Cada instancia tiene su propia dirección IPv4 pública y el nombre de host <name>.gpuwerk.com. |
| Cómo funciona | Un contenedor con la GPU asignada directamente: en muchos Sparks, un contenedor de sistema con systemd y Docker; en los demás, uno sencillo sin ninguno de los dos. Dentro eres root; el driver de NVIDIA lo aporta el host. |
| Almacenamiento | 1 TB NVMe, compartido con el host. /workspace sobrevive a reinicios y reconstrucciones y se borra cuando terminas la instancia. |
La imagen llamada DGX OS 7 en la consola es una compilación mía: Ubuntu 24.04 más los paquetes de arriba, en un contenedor. No es la imagen de instalación de DGX OS de NVIDIA, y /etc/dgx-release lo indica. Qué funciona en un contenedor y qué no está en las notas del entorno del inquilino.
Una primera comprobación en cinco minutos
Despliega DGX Spark 1× con la imagen DGX OS, espera a running y haz clic en Open terminal in browser en la página de la instancia. Después confirma en qué máquina estás:
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))"
La última línea muestra el GB10 y (12, 1). Algunas compilaciones de PyTorch muestran un aviso de que sm_121 no es compatible; suele ser erróneo, y la guía PyTorch en un DGX Spark explica por qué y qué wheel elegir.
Compila y prueba tu proyecto
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
Tres cosas pillan desprevenida a la gente con este chip:
- Indica la arquitectura. Para tu propio código CUDA, compila con
-gencode=arch=compute_121a,code=sm_121a, o-DCMAKE_CUDA_ARCHITECTURES=121a-realen CMake. La forma abreviada-arch=sm_121apuede perder la "a" y con ella las instrucciones FP4, como descubrió un hilo del foro de NVIDIA (detalles en la guía de TFLOPS). Una compilación para otra arquitectura puede compilar sin errores y después ir mal. - Cuenta con compilar desde el código fuente. Muchos paquetes para aarch64 y sm_121 no publican wheel, así que pip los compila. Limita los trabajos en paralelo (
MAX_JOBS=4) para que una compilación grande no agote los 128 GB de memoria. - No todos los kernels para otros chips Blackwell sirven. sm_121 ejecuta código compilado para sm_120, pero los kernels escritos para Blackwell de centro de datos (sm_100) no, y algunas rutas de FP4 se han ejecutado sin errores y han dado resultados incorrectos. Comprueba los resultados, no solo que se ejecute.
Para llevarte los artefactos de compilación, cópialos con tu propia clave SSH y después termina la instancia:
# on your laptop scp 'root@<name>.gpuwerk.com:/workspace/your-project/dist/*.whl' .
Ejecuciones automatizadas desde tu propia CI
No hay una integración de CI lista para usar. Lo que sí hay: una API que despliega y termina por minutos, así que un trabajo en tu propio runner puede tomar prestado un Spark, ejecutar sus tests por SSH y devolverlo. Usa una clave de API con el permiso de instancias.
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
Un despliegue necesita crédito para al menos una hora (si no, devuelve 402) y devuelve 409 cuando no hay ninguna máquina libre, así que tu trabajo tiene que gestionarlo. Los despliegues por API van a una máquina del EEE salvo que indiques location_country o partner_region. Todos los campos están en la referencia de la API.
Lo que cuesta una comprobación
| Sesión | Coste a 0,79 $/h |
|---|---|
| Reproducir un informe de error, 20 minutos | unos 0,26 $ |
| Compilar y probar una versión, 1 hora | 0,79 $ |
| Un día de portabilidad, 8 horas | 6,32 $ |
La facturación es por minuto con crédito prepago y empieza en cuanto la instancia supera su comprobación de disponibilidad. La cuenta necesita crédito para una hora para desplegar. Primera recarga: paga 20 $ y recibe 30 $ de crédito, unas 37 horas en un Spark. Una instancia detenida conserva su espacio de trabajo y se factura al 75% de la tarifa por hora; termínala cuando acabes y se deja de facturar, lo que borra el espacio de trabajo. Los precios no incluyen el IVA cuando corresponda.
Lo que un GB10 alquilado no te puede decir
- Es un contenedor, no bare metal. No puedes cargar módulos del kernel ni cambiar el driver, y la versión del driver es la que tenga el host. Las regresiones del driver quedan fuera de tu alcance aquí.
- Docker depende de la máquina. Muchos Sparks ejecutan tu instancia como un contenedor de sistema con su propio demonio de Docker, así que
docker buildydocker runfuncionan; otros ejecutan un contenedor sencillo sin él, y no puedes elegir cuál. Consulta la página del entorno del inquilino. - Un solo chip. Que funcione en GB10 no dice nada de Grace Hopper (sm_90), de Blackwell de centro de datos (sm_100) ni de Jetson. Las máquinas GB10 de otros fabricantes comparten el chip, pero el firmware puede variar.
- systemd depende de la máquina. Muchos Sparks ejecutan systemd en tu instancia; los demás ejecutan un contenedor sencillo sin él ni
NET_ADMIN, donde arrancas los servicios desde una shell, tmux o el hook de arranque. En ningún caso hay dispositivo TUN, así que los clientes VPN en modo kernel no funcionan. - Sin SLA ni copias de seguridad. Copia todo lo que necesites de la máquina antes de terminarla.
Dónde están los Sparks
Esto funciona en todas las ubicaciones, porque los Sparks de socios ofrecen las mismas imágenes DGX OS y Ubuntu. Mis propios Sparks están en un centro de datos en Hradec Králové, República Checa. Los Sparks de socios son propiedad de socios que los alojan en sus propias instalaciones en EE. UU., Suecia, los Países Bajos, Eslovaquia y Hong Kong, y un socio tiene acceso físico a su máquina. La consola muestra el país, y si está en el EEE, antes de desplegar.
Quién está detrás
GPUwerk es una plataforma nueva, y yo soy la persona que está detrás: Samuel Seidel, fundador, operando como PRINT IT! SE, registrada en Praga. Desde septiembre de 2026, 94 desarrolladores han iniciado 374 instancias en ella (a 9 de noviembre de 2026). La disponibilidad y las incidencias están en status.gpuwerk.com. Si no tienes claro que tu stack vaya a funcionar, escríbeme a través de la página de contacto antes de pagar; respondo yo mismo.
Preguntas frecuentes
¿Qué versión de CUDA hay en la máquina?
Las dos imágenes, DGX OS 7 y Ubuntu 24.04, incluyen el toolkit CUDA 13.0 con nvcc y NCCL. El driver de NVIDIA lo aporta el host y no se puede cambiar desde dentro de la instancia.
¿La imagen DGX OS es el DGX OS de NVIDIA?
No. Es una compilación mía en un contenedor: Ubuntu 24.04 con el toolkit CUDA 13.0, NCCL y NVIDIA DCGM. /etc/dgx-release la identifica como una imagen de GPUwerk.
¿Puedo compilar imágenes de Docker en él?
En algunas máquinas, sí: muchos Sparks alquilados ejecutan tu instancia como un contenedor de sistema con su propio demonio de Docker, así que docker build y docker run --gpus all funcionan de forma nativa en arm64. Otros ejecutan un contenedor sencillo sin Docker. No puedes elegir cuál; docker info te dice cuál tienes.
¿Cuánto cuesta una prueba corta?
Unos 0,26 $ por 20 minutos a 0,79 $ la hora, facturado por minuto con crédito prepago. Para desplegar, la cuenta necesita crédito para una hora. Termina la instancia cuando acabes y se deja de facturar; eso borra el espacio de trabajo.