Testez et portez vos logiciels sur un vrai GB10 : aarch64, CUDA, sm_121
Un ticket indique que votre bibliothèque plante sur un DGX Spark, et vous n'en avez pas. Ou vos wheels se compilent sur x86 et personne ne les a essayées sur un CPU Arm avec un GPU Blackwell. Louez un Spark entier le temps de le découvrir : un shell root sur un NVIDIA GB10 (aarch64, compute capability CUDA 12.1) avec le toolkit CUDA 13.0 installé. À 0,79 $ de l'heure, facturé à la minute, une vérification de 20 minutes coûte environ 0,26 $.
Première recharge : payez 20 $ recevez 30 $ de crédit. Facturé à la minute sur crédit prépayé. Supprimez l'instance quand vous avez fini : la facturation s'arrête. La plupart des personnes qui me louent un Spark démarrent l'image DGX OS de base et apportent leur propre pile : c'est le sujet de cette page.
Ce que vous obtenez
| CPU | Arm à 20 cœurs (10 Cortex-X925 et 10 Cortex-A725), uname -m renvoie aarch64 |
|---|---|
| GPU | NVIDIA GB10, génération Blackwell, compute capability 12.1 (sm_121) |
| Mémoire | 128 Go de LPDDR5x unifiée partagée par le CPU et le GPU, 273 Go/s |
| Images | DGX OS 7 : Ubuntu 24.04 avec le toolkit CUDA 13.0 (nvcc), NCCL et NVIDIA DCGM. Ubuntu 24.04 : la même chose sans DCGM. Les deux incluent git, tmux, vim, curl et Python 3 avec pip et venv. |
| Accès | Un terminal root dans le navigateur sans clé SSH, ou SSH en root sur le port 22 avec votre propre clé. Chaque instance a sa propre adresse IPv4 publique et le nom d'hôte <name>.gpuwerk.com. |
| Comment il tourne | Un conteneur auquel le GPU est directement transmis : sur beaucoup de Sparks, un conteneur système avec systemd et Docker, sur les autres un conteneur simple sans l'un ni l'autre. Vous êtes root à l'intérieur ; le pilote NVIDIA vient de l'hôte. |
| Stockage | 1 To NVMe, partagé avec l'hôte. /workspace survit aux redémarrages et aux reconstructions et est effacé lorsque vous supprimez l'instance. |
L'image appelée DGX OS 7 dans la console est ma propre image : Ubuntu 24.04 plus les paquets ci-dessus, dans un conteneur. Ce n'est pas l'image d'installation DGX OS de NVIDIA, et /etc/dgx-release l'indique. Ce qui tourne dans un conteneur, et ce qui n'y tourne pas, est détaillé dans les notes sur l'environnement locataire.
Une première vérification en cinq minutes
Déployez DGX Spark 1× avec l'image DGX OS, attendez l'état En cours d'exécution, puis cliquez sur Ouvrir le terminal dans le navigateur sur la page de l'instance. Vérifiez ensuite sur quoi vous êtes :
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 dernière ligne affiche le GB10 et (12, 1). Certaines versions de PyTorch affichent un avertissement indiquant que sm_121 n'est pas compatible ; il est généralement faux, et le guide PyTorch sur un DGX Spark explique pourquoi et quelle wheel choisir.
Compilez et testez votre projet
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
Trois choses piègent les gens sur cette puce :
- Indiquez l'architecture. Pour votre propre code CUDA, compilez avec
-gencode=arch=compute_121a,code=sm_121a, ou-DCMAKE_CUDA_ARCHITECTURES=121a-realdans CMake. Le raccourci-arch=sm_121apeut perdre le « a » et avec lui les instructions FP4, comme l'a constaté un fil du forum NVIDIA (détails dans le guide TFLOPS). Une compilation pour une autre architecture peut se dérouler sans erreur puis mal tourner. - Attendez-vous à compiler depuis les sources. Beaucoup de paquets aarch64 et sm_121 ne fournissent pas de wheel, si bien que pip les compile. Limitez les jobs parallèles (
MAX_JOBS=4) pour qu'une grosse compilation n'épuise pas les 128 Go de mémoire. - Les kernels pour d'autres puces Blackwell ne fonctionnent pas tous. sm_121 exécute du code compilé pour sm_120, mais pas les kernels écrits pour le Blackwell de datacenter (sm_100), et certains chemins FP4 ont tourné sans erreur tout en produisant des résultats faux. Vérifiez les résultats, pas seulement que cela a tourné.
Pour récupérer les artefacts de compilation, copiez-les avec votre propre clé SSH, puis supprimez l'instance :
# on your laptop scp 'root@<name>.gpuwerk.com:/workspace/your-project/dist/*.whl' .
Exécutions scriptées depuis votre propre CI
Il n'existe pas d'intégration CI clé en main. Ce qui existe : une API qui déploie et supprime des instances à la minute, si bien qu'un job sur votre propre runner peut emprunter un Spark, y lancer ses tests via SSH puis le rendre. Utilisez une clé API avec la portée 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
Un déploiement nécessite du crédit pour au moins une heure (sinon 402), et renvoie 409 quand aucune machine n'est libre : votre job doit gérer ce cas. Les déploiements par API vont sur une machine dans l'EEE, sauf si vous définissez location_country ou partner_region. Tous les champs sont dans la référence de l'API.
Ce que coûte une vérification
| Session | Coût à 0,79 $/h |
|---|---|
| Reproduire un rapport de bug, 20 minutes | environ 0,26 $ |
| Compiler et tester une version, 1 heure | 0,79 $ |
| Une journée de portage, 8 heures | 6,32 $ |
La facturation se fait à la minute sur crédit prépayé et commence dès que l'instance passe son contrôle de disponibilité. Le compte doit avoir du crédit pour une heure pour déployer. Première recharge : payez 20 $ recevez 30 $ de crédit, soit environ 37 heures sur un Spark. Une instance arrêtée conserve son espace de travail et est facturée à 75 % du tarif horaire ; supprimez-la quand vous avez fini : la facturation s'arrête et l'espace de travail est effacé. Prix hors TVA le cas échéant.
Ce qu'un GB10 loué ne peut pas vous dire
- C'est un conteneur, pas du bare metal. Vous ne pouvez pas charger de modules du noyau ni changer de pilote, et la version du pilote est celle de l'hôte. Les régressions de pilote sont ici hors de votre portée.
- Docker dépend de la machine. Beaucoup de Sparks font tourner votre instance comme un conteneur système avec son propre démon Docker, donc
docker buildetdocker runfonctionnent ; d'autres font tourner un conteneur simple sans démon, et vous ne pouvez pas choisir. Voir la page sur l'environnement locataire. - Une seule puce. Réussir sur GB10 ne dit rien de Grace Hopper (sm_90), du Blackwell de datacenter (sm_100) ni de Jetson. Les machines GB10 des autres fabricants partagent la puce mais peuvent différer par le firmware.
- systemd dépend de la machine. Beaucoup de Sparks font tourner systemd dans votre instance ; les autres font tourner un conteneur simple sans systemd ni
NET_ADMIN, où vous démarrez les services depuis un shell, tmux ou le hook de démarrage. Il n'y a de toute façon pas de périphérique TUN, donc les clients VPN en mode noyau ne fonctionnent pas. - Ni SLA ni sauvegardes. Copiez tout ce dont vous avez besoin hors de la machine avant de supprimer l'instance.
Où se trouvent les Sparks
Cela fonctionne sur tous les emplacements, car les Sparks partenaires proposent les mêmes images DGX OS et Ubuntu. Mes propres Sparks sont dans un datacenter à Hradec Králové, en République tchèque. Les Sparks partenaires sont détenus et hébergés par des partenaires dans leurs propres locaux, aux États-Unis, en Suède, aux Pays-Bas, en Slovaquie et à Hong Kong, et un partenaire a un accès physique à sa machine. La console indique le pays, et s'il se trouve dans l'EEE, avant que vous ne déployiez.
Qui est derrière
GPUwerk est une nouvelle plateforme, et c'est moi qui suis derrière : Samuel Seidel, fondateur, sous la raison sociale PRINT IT! SE, immatriculée à Prague. Depuis septembre 2026, 94 développeurs y ont lancé 374 instances (au 9 novembre 2026). La disponibilité et les incidents sont sur status.gpuwerk.com. Si vous n'êtes pas sûr que votre pile tournera, écrivez-moi via la page de contact avant de payer ; je réponds moi-même.
FAQ
Quelle version de CUDA est installée sur la machine ?
Les deux images, DGX OS 7 et Ubuntu 24.04, incluent le toolkit CUDA 13.0 avec nvcc et NCCL. Le pilote NVIDIA vient de l'hôte et ne peut pas être modifié depuis l'instance.
L'image DGX OS est-elle le DGX OS de NVIDIA ?
Non. C'est ma propre image dans un conteneur : Ubuntu 24.04 avec le toolkit CUDA 13.0, NCCL et NVIDIA DCGM. /etc/dgx-release l'identifie comme une image GPUwerk.
Puis-je y construire des images Docker ?
Sur certaines machines, oui : beaucoup de Sparks loués font tourner votre instance comme un conteneur système avec son propre démon Docker, si bien que docker build et docker run --gpus all fonctionnent nativement en arm64. D'autres font tourner un conteneur simple sans Docker. Vous ne pouvez pas choisir ; docker info vous indique ce que vous avez.
Combien coûte un test court ?
Environ 0,26 $ pour 20 minutes à 0,79 $ de l'heure, facturé à la minute sur crédit prépayé. Pour déployer, le compte doit avoir du crédit pour une heure. Supprimez l'instance quand vous avez fini : la facturation s'arrête et l'espace de travail est effacé.