NVIDIA DGX Spark · GB10 Grace Blackwell

Le NVIDIA DGX Spark : louez-en un dès 0,79 $/h ou achetez-en un

Le NVIDIA DGX Spark est un ordinateur d'IA de bureau : un superchip GB10 Grace Blackwell avec 128 Go de mémoire unifiée à 273 Go/s, sous DGX OS de NVIDIA. Vous pouvez louer un DGX Spark sur GPUwerk pour 0,79 $ de l'heure, facturé à la minute, ou en acheter un. Cette page explique ce que c'est, ce qu'il mesure sur la flotte de GPUwerk et là où il est en retrait.

Par Samuel Seidel · Mis à jour le 24 octobre 2026. Pour aller plus loin : caractéristiques du DGX Spark, prix du DGX Spark, benchmarks du DGX Spark et le cluster DGX Spark de deux machines reliées.

128GoMémoire unifiée, avec 273 Go/s de bande passante mémoire
0,79 $De l'heure sur GPUwerk, facturé à la minute, ou 1,79 $ de l'heure pour un cluster de deux nœuds avec 256 Go
1PFLOPCalcul IA FP4, avec sparsité, fourni par le superchip NVIDIA GB10 Grace Blackwell
200Gb/sRéseau ConnectX-7 avec deux ports QSFP. Selon NVIDIA, deux machines reliées prennent en charge des modèles jusqu'à 400B paramètres

GPUwerk loue à la minute des machines NVIDIA DGX Spark dédiées en Europe, en Amérique du Nord et en Asie de l'Est : ses propres machines en République tchèque et des Sparks appartenant à des partenaires dans d'autres pays. Un Spark coûte 0,79 $ de l'heure et un cluster de deux nœuds de 256 Go 1,79 $ de l'heure, sur crédit prépayé, sans abonnement. Vous travaillez dans un terminal du navigateur ou en SSH root. Supprimez l'instance quand vous avez fini : la facturation s'arrête. Comment louer un DGX Spark.

Le prix catalogue américain de NVIDIA est de 6 950 $ (vérifié le 11 octobre 2026), contre 3 999 $ au lancement : voir l'historique des prix du DGX Spark et les prix dans l'UE. Acheter un NVIDIA DGX Spark dans la boutique GPUwerk →

Caractéristiques

Le matériel en un seul tableau.

Par nœud. Chaque instance GPUwerk est une machine entière : ces chiffres sont donc entièrement à vous. Chaque valeur, avec ce qu'elle signifie pour les LLM, figure sur la page caractéristiques du DGX Spark.

NVIDIA DGX Spark
SuperchipGB10 Grace Blackwell
Performances IA1 PFLOPS FP4 (avec sparsité)
Mémoire128 Go LPDDR5x unifiée
Bande passante mémoire273 Go/s
CPUArm à 20 cœurs (10× X925 + 10× A725)
Stockage1 To NVMe sur les Sparks de GPUwerk, partagé avec le système et le cache des modèles ; certains Sparks de partenaires ont 2 ou 4 To (NVIDIA vend 1 To ou 4 To)
RéseauConnectX-7 · 200 Gb/s
Alimentation240 W max.
OSDGX OS 7 · Ubuntu 24.04
CUDAPile complète préinstallée

Sources, consultées le 24 octobre 2026 : la page produit NVIDIA DGX Spark (CPU, mémoire, 273 Go/s, 1 PFLOP FP4 avec sparsité, alimentation 240 W, jusqu'à 200B paramètres sur une machine et 400B sur deux) et la documentation matérielle NVIDIA (NVMe de 1 To ou 4 To, mémoire 256 bits à 4266 MHz). Date de lancement et prix : salle de presse NVIDIA, 13 octobre 2025.

La bande passante mémoire de 273 Go/s est la contrainte qui compte pour la vitesse de génération d'un LLM en flux unique. La force du Spark, c'est sa capacité : des modèles qui ne tiennent tout simplement pas sur des GPU grand public, plus du calcul FP4 pour le service par lots et le fine-tuning, où le débit progresse bien mieux que ne le laissent penser les chiffres en flux unique.

Prix, location et achat

Louez-en un ou achetez-en un.

Louer à la minute vous indique si votre modèle tient et tourne assez vite avant de dépenser des milliers pour le matériel. Un Spark loué vous donne un terminal dans le navigateur ou un accès SSH root à votre propre conteneur, le toolkit CUDA 13.0 préinstallé (et Docker, sur certaines machines), et un endpoint compatible OpenAI à partir d'une image de modèle : ce avec quoi vous travaillez.

Mesuré sur la flotte de GPUwerk

Benchmarks de la flotte.

Les deux modèles préinstallés sur chaque nœud de la flotte, mesurés avec vllm bench serve sur l'un des nœuds de GPUwerk, sans rien d'autre sur son GPU. Les logs bruts sont ci-dessous, et d'autres modèles figurent sur la page benchmarks du DGX Spark. Les chiffres de tiers pour d'autres modèles sont rassemblés et discutés dans le guide d'achat.

Résultats des benchmarks de la flotte sur un nœud DGX Spark
ModèleQuantificationFrameworkPrefill tok/sGénération tok/sContexte max.
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

Comment lire ceci.

Le prefill est le délai médian avant le premier token sur un prompt de 8 192 tokens. La génération est un flux unique, 128 en entrée et 512 en sortie, sans autre requête en cours. Le contexte max. est un prompt de cette longueur effectivement servi, pas un chiffre déduit de la taille du cache KV. Le prefill ralentit à mesure que le prompt s'allonge, car le coût de l'attention est quadratique : le 30B fait 5 705 tok/s à 8k et 586 tok/s en remplissant ses 262 144 tokens.

La taille de lot change complètement la réponse.

Un flux unique est le pire cas sur ce matériel, et c'est le chiffre auquel s'arrêtent la plupart des comparaisons. Avec des requêtes en cours, le 30B atteint 3 235 tok/s cumulés à 256 requêtes simultanées, et le 70B atteint 485 tok/s à 128, puis retombe à 300 à 256, avec un délai médian avant le premier token qui passe de 8 à 40 secondes. Le modèle mixture-of-experts sature au-delà de son point d'inflexion ; le dense s'effondre au-delà du sien. Les deux courbes figurent dans les logs.

Mesuré sur un nœud inactif.

Chaque test a été réalisé sur un nœud par ailleurs inactif, sans autre modèle chargé sur le GPU. Chaque log ci-dessous commence par la liste des processus du GPU et la mémoire libre au moment où le test a démarré, pour que vous puissiez le vérifier plutôt que de nous croire sur parole.

Logs bruts, de chaque test, non modifiés à part la compression des rafraîchissements de barres de progression : Qwen3-Coder 30B-A3B · Llama 3.3 70B. Pour lancer les vôtres : rechargez 20 $ la première fois et recevez 30 $ de crédit, de quoi faire une journée d'évaluation sur un nœud dédié.

Charges de travail

Que dois-je faire tourner dessus ?

Des conseils tranchés tirés de l'exploitation d'une flotte de ces machines.

Assistant de code pour l'équipe

Qwen3-Coder 30B-A3B (AWQ, le modèle que GPUwerk utilise pour ses benchmarks) laisse de la place pour de longs contextes et plusieurs utilisateurs simultanés. Servez-le avec vLLM derrière un endpoint compatible OpenAI et pointez-y vos éditeurs.

Chat privé + RAG

Un modèle instruct de classe 70B en Q4 tient sur un seul nœud, avec de la marge pour un modèle d'embedding et une base vectorielle sur la même machine : tout un assistant privé sur une seule machine. Voir la configuration ChatGPT privé →

Fine-tuning

Les fine-tunings LoRA de modèles de classe 70B tiennent en mémoire unifiée sans acrobaties de parallélisme de modèle. Plus lent par étape qu'un GPU de datacenter, mais cela tourne là où les cartes grand public n'y arrivent tout simplement pas.

Louer pour une seule tâche

Pourquoi les gens louent un Spark.

Trois tâches, chacune avec les commandes, les chiffres mesurés et les limites sur une seule page.

Comparaisons

Comment il se compare.

Des comparaisons qui donnent d'abord le verdict, face aux machines que les acheteurs mettent réellement en balance. Chacune indique où le concurrent l'emporte.

DGX Spark vs Mac Studio

Mémoire unifiée des deux côtés, écosystème CUDA contre bande passante brute. Mis à jour pour le Mac Studio M5 Ultra d'Apple : le Mac l'emporte en décodage, le Spark en prefill et en portabilité CUDA.

Lecture : 9 min

DGX Spark vs RTX 5090

32 Go de VRAM rapide contre 128 Go de capacité. Sur la vitesse, il n'y a pas match : toute la question est de savoir si votre modèle tient.

Lecture : 6 min

DGX Spark vs Strix Halo

Une génération de tokens quasi identique, un écart de 2 à 3x en prefill, et environ 4 000 $ de moins à l'achat. Ce qu'a révélé le test pratique de The Register.

Lecture : 5 min

Fournisseurs cloud de DGX Spark comparés

Toutes les locations de Spark à l'heure ayant une offre publique, avec le prix, l'emplacement, la granularité de facturation et ce que deviennent vos données à l'arrêt. Citées d'après la page de chaque fournisseur, GPUwerk compris.

Lecture : 7 min

DGX Spark vs H100 pour l'inférence LLM

Quand 128 Go et la facturation à la minute l'emportent sur une carte de datacenter, et quand la bande passante mémoire et le débit par lots signifient qu'il vous faut plutôt la H100.

Lecture : 8 min

DGX Spark vs H200 pour l'inférence LLM

Le plus grand écart de bande passante de ce site, 273 Go/s contre environ 4,8 To/s. Où cela compte, et où cela ne compte pas.

Lecture : 7 min

DGX Spark vs Jetson AGX Thor : deux usages différents

Pourquoi ils ne se disputent pas vraiment le même acheteur, avec le marché cible, le format et la pile logicielle comparés.

Lecture : 7 min

DGX Spark vs RTX PRO 6000 Blackwell

128 Go de mémoire unifiée à 273 Go/s contre 96 Go de GDDR7 à environ 1,8 To/s : quels modèles tiennent sur chacun, et quelle vitesse de décodage la bande passante permet.

Comparaison

ASUS Ascent GX10 vs DGX Spark

La même puce GB10 et 128 Go. Ce qui diffère, ce sont le stockage, le prix, les dimensions et le firmware, chacun avec sa source.

Comparaison

Toutes les machines GB10 comparées

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte et Acer côte à côte : une seule puce, et les différences qui subsistent.

Comparaison

Les huit côte à côte, avec la mémoire, la bande passante et les points forts de chaque concurrent : les alternatives au DGX Spark comparées.

Guides

Guides & analyses.

Pour quiconque évalue, achète ou installe un DGX Spark, écrit depuis la salle des machines, pas depuis un dossier de presse.

Installation du DGX Spark : du déballage au premier token

Premier démarrage de DGX OS, SSH, pilotes et service de votre premier modèle : le guide que j'aurais aimé avoir quand j'ai installé ma première machine en baie.

Installation · Lecture : 4 min

Ce qu'il faut savoir avant d'acheter un DGX Spark

Consommation, bruit, mise en réseau de deux machines, ce pour quoi il est vraiment bon, et le coût total de possession face à une machine à 5090 ou au cloud.

Analyse d'achat · Lecture : 11 min

Louer ou acheter un DGX Spark

Heures par semaine, prix d'achat et calcul du seuil de rentabilité, avec un calculateur pour vos propres chiffres.

Analyse d'achat · Lecture : 8 min

Servir Qwen3 avec vLLM sur un Spark

Un chemin à copier-coller vers un endpoint compatible OpenAI sur votre propre matériel, avec l'interface Open WebUI et systemd.

Installation · Lecture : 6 min

Les meilleurs modèles, ceux auxquels vous n'avez pas le droit d'envoyer vos données

Quels grands modèles ouverts tiennent dans 128 Go / 256 Go, et quel retard ils ont réellement sur l'état de l'art.

IA privée · Lecture : 7 min

Faire le fine-tuning d'un modèle sur les données de votre entreprise

Le LoRA sur des modèles de classe 70B tient dans 128 Go de mémoire unifiée, le jeu d'entraînement restant sur le NVMe local du nœud.

Fine-tuning · Lecture : 11 min

Un employé IA a besoin d'un bureau. Donnez-lui-en un qui vous appartient.

OpenClaw, Hermes, et pourquoi un agent qui lit votre boîte de réception doit tourner sur du matériel que vous contrôlez.

Agents IA · Lecture : 9 min

Automatisez les 80 % rébarbatifs

Traitement de documents par lots sur une machine à tarif fixe : le token marginal est gratuit, alors passez le modèle sur tout.

Automatisation · Lecture : 7 min

Cluster DGX Spark de deux nœuds : configuration et ce qu'il apporte vraiment

Relier deux Sparks via ConnectX-7 200 GbE, ce que dit la documentation de NVIDIA, et une lecture honnête de ce que l'appairage apporte et n'apporte pas.

Installation · Lecture : 9 min

Comment gagner de l'argent avec votre DGX Spark

Louez un Spark qui vous appartient via GPUwerk Platform : la part de 70 %, ce qui ne rapporte rien, un exemple à des heures données, et vos coûts.

Propriétaires · Lecture : 7 min

Consommation électrique et coût de fonctionnement du DGX Spark

Les chiffres de consommation publiés, ce qu'ils signifient à la prise murale, et comment calculer votre propre coût d'électricité par heure.

Analyse d'achat · Lecture : 6 min

ComfyUI et Stable Diffusion sur un DGX Spark

Le playbook ComfyUI de NVIDIA sur ARM64, les temps de génération d'images rapportés par modèle, et le partage de la mémoire unifiée avec un LLM.

Modèles

Comment faire tourner un modèle tout juste publié sur un DGX Spark

Adéquation mémoire, images arm64, NVFP4 ou GGUF, quel moteur, et quand un modèle de la semaine de sa sortie nécessite deux Sparks.

Modèles

Meilleurs modèles à poids ouverts à faire tourner sur un DGX Spark

Quel modèle convient au chat, au code, aux traitements par lots et aux agents, et un retour à la réalité sur les modèles denses, uniquement avec des tok/s mesurés.

Modèles · Lecture : 8 min

Coût total de possession : location de GPU ou API d'IA cloud

Une API cloud facturée au token, un GPU dédié loué et l'achat de matériel, comparés côte à côte avec des chiffres déjà publiés sur ce site.

Analyse d'achat · Lecture : 9 min

Comment GPUwerk réalise les benchmarks du DGX Spark

Ce qui est mesuré, flux unique ou requêtes simultanées, quels moteurs et réglages, et pourquoi les logs bruts sont publiés plutôt que le seul tableau récapitulatif.

Benchmarks · Lecture : 4 min

Bruit et refroidissement du DGX Spark : à quoi s'attendre

Ce qui est documenté sur le bruit des ventilateurs et le refroidissement pour un bureau ou un bureau à domicile, ce qui n'a pas été mesuré de façon indépendante, et ce qu'il faut vérifier avant d'acheter.

Analyse d'achat · Lecture : 4 min

Faire tourner des modèles de vision et multimodaux sur un DGX Spark

Ce qui est envisageable avec 128 Go de mémoire unifiée pour les modèles vision-langage et la compréhension d'images, et pourquoi aucun benchmark VLM dédié n'a encore été publié.

Modèles · Lecture : 3 min

Mises à jour des pilotes et du firmware du DGX Spark : ce que gère GPUwerk

Ce qui est tenu à jour au niveau de l'hôte et du nœud sur un Spark loué, et ce qui se trouve dans votre propre conteneur root et reste entièrement sous votre responsabilité.

Installation · Lecture : 4 min

Stockage du DGX Spark : ce qui persiste et ce qu'il faut sauvegarder

Le NVMe de 1 To d'un Spark loué, exactement ce qui survit à un arrêt et à une suppression, et pourquoi vous avez besoin de votre propre sauvegarde : GPUwerk ne garde aucune copie de votre espace de travail.

Installation · Lecture : 4 min

Surveillance et observabilité pour un LLM auto-hébergé

Ce qu'il faut suivre sur un Spark qui sert du trafic de production, de la mémoire GPU à la latence par requête.

Exploitation · Lecture : 6 min

Sauvegarde et reprise après sinistre pour votre charge de travail DGX Spark

Ce qui a réellement besoin d'une sauvegarde sur un Spark loué, et comment le restaurer après une panne.

Exploitation · Lecture : 6 min

Accès d'équipe et multi-utilisateur à un DGX Spark partagé

Donner à une équipe un accès partagé à un seul Spark sans que tout le monde partage la même clé API.

Exploitation · Lecture : 5 min

Limitation de débit et quotas pour un déploiement LLM interne

Empêcher une équipe ou un script d'affamer les requêtes de tous les autres sur un endpoint partagé.

Exploitation · Lecture : 5 min

Mettre à jour ou changer de modèle sans interruption

Mettre en production un nouveau modèle ou une nouvelle version de modèle sur un Spark sans fenêtre d'interruption.

Exploitation · Lecture : 6 min

Passer d'un DGX Spark à une flotte

Quand louer davantage de Sparks seuls l'emporte sur un cluster de deux nœuds, comment répartir la charge entre des nœuds indépendants, et les compromis d'exploitation d'une petite flotte.

Exploitation · Lecture : 7 min

Modèles quantifiés ou en pleine précision en production

Comment choisir entre un modèle quantifié et un modèle en pleine précision pour un déploiement auto-hébergé en production : adéquation mémoire, risque de qualité selon la tâche, et quand tester les deux.

Exploitation · Lecture : 6 min

Prévision des coûts et budget pour l'infrastructure d'IA

Comment estimer les dépenses mensuelles d'infrastructure d'IA en auto-hébergement face à une API au compteur, avec le tarif de 0,79 $/heure de GPUwerk comme exemple chiffré et une checklist budgétaire.

Analyse d'achat · Lecture : 7 min

Sécuriser une instance GPU louée

Durcissement pratique à l'intérieur de l'instance pour un GPU loué : gestion des clés SSH, exposition réseau, services sans root, secrets, et état éphémère ou persistant.

Exploitation · Lecture : 6 min

Migrer un déploiement d'IA auto-hébergé existant vers un DGX Spark

Un chemin de migration pratique d'une station de travail ou d'un autre GPU cloud vers un DGX Spark loué : requantification pour la mémoire unifiée, transfert des données et plan de bascule.

Installation · Lecture : 7 min

Gestion de la mémoire GPU pour plusieurs modèles sur un Spark

Répartir 128 Go de mémoire unifiée entre plusieurs modèles ou conteneurs sur un seul DGX Spark, et savoir quand les calculs disent de passer plutôt à un cluster de deux nœuds.

Exploitation · Lecture : 6 min

llama.cpp vs vLLM vs SGLang sur un DGX Spark : options et démarrage

Un guide pratique pour choisir un moteur d'inférence : options exactes, commandes de démarrage, et les vraies différences entre llama.cpp, vLLM et SGLang sur la mémoire unifiée du GB10.

Installation · Lecture : 6 min

Tester votre plan de reprise après sinistre pour un LLM auto-hébergé

Un plan de sauvegarde que vous n'avez jamais restauré n'est qu'une hypothèse. Exercices de restauration, game days et mesure du RTO/RPO pour un déploiement LLM auto-hébergé.

Exploitation · Lecture : 6 min

Bonnes pratiques de rotation des clés API pour un déploiement LLM privé

La rotation des clés API et des identifiants pour un endpoint d'inférence auto-hébergé : portées, calendriers de rotation, révocation, et ce qu'il faut automatiser ou faire à la main.

Exploitation · Lecture : 6 min

Évaluer la qualité d'un modèle avant d'en changer

Jeux de test réservés, approches A/B et tests de non-régression pour comparer un modèle candidat à votre modèle actuel avant de changer en production.

Exploitation · Lecture : 6 min

Mise en cache des prompts pour réduire le coût d'inférence

Comment la réutilisation du préfixe et du cache KV réduit le calcul répété sur un déploiement auto-hébergé : ce qui donne lieu à un succès de cache, comment structurer les prompts pour cela, et où les économies apparaissent réellement sur un Spark loué à l'heure.

Exploitation · Lecture : 6 min

Sortie structurée et appel de fonctions sur un LLM auto-hébergé

Configurer la sortie structurée en mode JSON et l'appel d'outils/de fonctions sur des modèles auto-hébergés avec vLLM et llama.cpp, y compris quels modèles le prennent en charge et comment déboguer les appels mal formés.

Installation · Lecture : 5 min

Embeddings et recherche vectorielle sur un DGX Spark

Auto-héberger un modèle d'embedding à côté d'une base vectorielle pour un pipeline RAG sur un seul Spark : budget mémoire, service du modèle d'embedding, et choix d'une base vectorielle.

Modèles · Lecture : 5 min

Traitement par lots de gros jobs d'inférence sur un Spark loué

Traitement de documents en masse et annotation de jeux de données à grande échelle sur un DGX Spark loué à l'heure : réglages de débit, dimensionnement des jobs, et comparaison du coût de l'inférence par lots avec le service interactif.

Exploitation · Lecture : 5 min

Surveiller l'utilisation du GPU et bien dimensionner votre déploiement

Comment lire l'utilisation réelle du GPU et de la mémoire sur un DGX Spark loué et s'en servir pour décider entre rester tel quel, monter en puissance avec un cluster de deux nœuds, ou s'étendre à une flotte.

Exploitation · Lecture : 5 min

Journalisation d'audit pour un déploiement LLM auto-hébergé soumis à des exigences de conformité

Mettre en place des logs d'audit des requêtes et réponses dans votre propre conteneur sur un DGX Spark loué : quoi capturer, où le stocker, et où s'arrête la responsabilité de GPUwerk.

Exploitation · Lecture : 6 min

Stratégie de versionnage des modèles et de retour arrière pour un déploiement auto-hébergé

Savoir quels poids et quelles configurations de modèle tournent réellement, et revenir proprement en arrière quand une nouvelle version déçoit.

Exploitation · Lecture : 6 min

Démarrage à froid ou allumé en permanence : choisir un mode de disponibilité d'instance

Arrêter un DGX Spark entre deux utilisations ou le laisser tourner 24 h/24 : coût, latence et compromis sur les données.

Analyse d'achat · Lecture : 5 min

Configurer le SSO et le contrôle d'accès pour un déploiement LLM d'équipe

Placer une couche d'authentification devant un endpoint d'inférence auto-hébergé pour qu'une équipe se connecte avec ses identités existantes au lieu de partager des clés SSH ou des jetons d'API.

Installation · Lecture : 5 min

Faire tourner plusieurs conteneurs et services sur un DGX Spark

Schémas de conteneurs Docker pour un seul DGX Spark : quand un simple fichier docker-compose suffit, et quand la charge de travail l'a dépassé.

Installation · Lecture : 5 min

Tous les guides, regroupés par achat, modèles et moteurs, clusters et exploitation : tous les guides DGX Spark.

Questions.

Qu'est-ce que le NVIDIA DGX Spark ?

Le NVIDIA DGX Spark est un ordinateur d'IA de bureau construit autour du superchip NVIDIA GB10 Grace Blackwell : un GPU Blackwell et un CPU Arm à 20 cœurs partageant 128 Go de mémoire unifiée à 273 Go/s, avec jusqu'à 1 PFLOP de calcul FP4 avec sparsité. Il fait tourner DGX OS de NVIDIA, un système basé sur Ubuntu avec la pile CUDA préinstallée, et consomme au maximum 240 W. Les commandes ont ouvert le 15 octobre 2025 à 3 999 $ ; le prix catalogue américain de NVIDIA était de 6 950 $ lors de la vérification du 11 octobre 2026 (historique des prix). ASUS, Dell, HP, Lenovo, MSI, Gigabyte et Acer vendent des machines dotées de la même puce GB10 sous leur propre nom : toutes les machines GB10 comparées.

Ai-je un DGX Spark entier pour moi seul ?

Oui. Chaque instance GPUwerk est un nœud dédié entier, pas une fraction de GPU partagé. Les 128 Go de mémoire unifiée, les 273 Go/s de bande passante et le 1 PFLOPS de calcul FP4 creux sont à vous pendant toute la durée de la location, sans rien d'autre qui tourne sur la machine.

En quoi un DGX Spark diffère-t-il de la location d'une instance GPU cloud ?

Une instance GPU cloud classique vous donne 24 à 80 Go de VRAM sur une carte de datacenter. Un DGX Spark vous donne 128 Go de mémoire unifiée sur une seule machine, assez pour des modèles de classe 70B sans les répartir sur plusieurs GPU, et GPUwerk le loue avec une facturation à la minute, depuis ses propres Sparks en Tchéquie et des Sparks partenaires en Europe, en Amérique du Nord et en Asie de l'Est.

Où est le piège avec 273 Go/s de bande passante mémoire ?

C'est le plafond de la vitesse de génération en flux unique : moins de tokens par seconde qu'un GPU dédié avec une VRAM plus rapide, c'est pourquoi le guide d'achat et la comparaison avec la RTX 5090 commencent tous deux par là. L'avantage du Spark, c'est la capacité et le débit par lots, pas la vitesse brute pour un seul utilisateur.

Puis-je acheter un DGX Spark au lieu d'en louer un ?

Oui. La boutique de GPUwerk propose le NVIDIA DGX Spark lui-même, au prix du stock des fournisseurs tchèques lorsque l'un d'eux peut le livrer, ainsi que la même machine GB10 de sept autres fabricants, dont la Lenovo ThinkStation PGX à partir de 5 330 € hors TVA. GPUwerk vous l'expédie ou, si vous le souhaitez, l'héberge dans son datacenter et la loue pour vous. Vous pouvez aussi acheter chez NVIDIA ou ses partenaires, ou demander à GPUwerk une machine pour votre propre site. Louer d'abord à la minute vous dit si le matériel convient à votre charge de travail avant un achat d'environ 4 000 € ou plus, et chaque instance cloud GPUwerk tourne sur le même matériel GB10.

Tout ce qui concerne le DGX Spark sur ce site.

Toutes les pages de GPUwerk consacrées au DGX Spark, regroupées selon ce que vous cherchez à faire.

Arrêtez de lire des benchmarks.
Lancez les vôtres.

Louez un Spark dédié pour 0,79 $/h, facturé à la minute. Première recharge : payez 20 $ recevez 30 $ de crédit, soit environ 37 heures de calcul.

Créer un compte