Alternatives au DGX Spark : quelle machine convient à vos modèles ?
Un DGX Spark dispose de 128 Go de mémoire unifiée à 273 Go/s. La plupart des alternatives sacrifient l'un pour l'autre : plus de bande passante et moins de mémoire, ou une mémoire comparable pour moins cher. Le tableau ci-dessous résume treize pages de comparaison, une ligne par machine. Chaque chiffre d'une ligne vient de la page liée, où se trouvent les sources et les dates.
Treize machines face au Spark
| Machine | Mémoire | Bande passante | Où il l'emporte | Où le Spark l'emporte |
|---|---|---|---|---|
| DGX Station (GB300) | 748 Go cohérents : 252 Go HBM3e plus 496 Go LPDDR5X | 7,1 To/s (HBM3e) | Une seule machine de bureau pour des modèles de plusieurs centaines de Go, avec environ 26 fois la bande passante GPU | Prix (6 950 $ contre 104 830 $ et plus au 7 novembre 2026) ; 240 W au lieu de 1 600 W ; louable à la minute |
| NVIDIA H100 SXM | 80 Go HBM3 | 3,35 To/s | Débit par requête, et service par lots de modèles 70B denses à de nombreux utilisateurs | Mémoire par dollar ; modèles au-delà d'environ 70 Go pour un utilisateur ; évaluation bon marché à la minute |
| NVIDIA H200 SXM | 141 Go HBM3e | Environ 4,8 To/s | Un endpoint de production partagé avec un vrai trafic simultané ; près de 18 fois la bande passante | Modèles de moins d'environ 100 Go pour une personne ou une petite équipe ; développement et évaluation |
| RTX PRO 6000 Blackwell | 96 Go GDDR7 ECC | 1 792 Go/s | Vitesse sur les modèles qui tiennent dans 96 Go ; 215,2 contre 60,9 tok/s rapportés sur gpt-oss-20b | Modèles de 100 Go ou plus ; une machine complète plutôt qu'une carte qui nécessite un PC hôte |
| GeForce RTX 5090 | 32 Go GDDR7 | 1 792 Go/s | Tout ce qui fait moins d'environ 30 Go ; 575 tok/s rapportés contre 25 à 32 tok/s sur un 27B de classe Qwen3 avec 8 requêtes simultanées ; jeu vidéo | Les modèles qui ne se chargent pas sur 32 Go, comme les 70B et gpt-oss-120b ; un système complet de 240 W |
| Mac Studio (M5 Ultra) | 96 à 512 Go unifiée | 1,2 To/s | Génération de tokens sur les modèles qui tiennent ; plus de 128 Go dans une seule machine | Prefill et longs prompts (3,8 fois plus rapide qu'un M3 Ultra dans le test d'EXO Labs) ; CUDA ; clustering de deux machines |
| AMD Strix Halo (HP Z2 Mini G1a) | 128 Go LPDDR5x | 256 Go/s | Prix (2 949 $ dans la configuration testée) ; quasi-égalité sur la génération de tokens pour un utilisateur dans llama.cpp | Délai avant le premier token 2 à 3 fois plus court ; fine-tuning environ 2 fois plus rapide ; environ 2,5 fois sur FLUX.1 ; CUDA |
| ASUS Ascent GX10 | 128 Go LPDDR5x | 273 Go/s (même puce) | Même puce GB10 ; comparez le prix et le stock pour la capacité de stockage dont vous avez besoin le jour de la commande | La Founders Edition reçoit les versions de DGX OS directement de NVIDIA |
| Jetson AGX Thor | 128 Go LPDDR5X (kit de développement ; le module T4000 a 64 Go) | 273 Go/s (comme le Spark) | E/S pour la robotique, 40 à 130 W au niveau du module, et un prix catalogue plus bas (5 499 $ contre 6 950 $ prix américains d'octobre 2026) | Vitesse avec la même mémoire : 52,87 contre 41,82 tok/s en décodage et environ 1,8 fois le prefill sur gpt-oss-120b dans le test llama.cpp de JetsonHacks ; ConnectX-7 à 200 Gb/s pour un cluster de deux machines |
| NVIDIA A100 80 Go | 80 Go HBM2e | 1 935 à 2 039 Go/s | Décodage et service par lots : 200,90 contre 56,74 tok/s sur le test Llama 2 7B de llama.cpp | 48 Go de mémoire en plus, calcul tensoriel FP8 et FP4, 0,79 $/h contre 1,19 $ à 2,32 $/h à la demande |
| Portable RTX Spark N1X | Jusqu'à 128 Go LPDDR5X, répartis entre CPU et GPU | 300 Go/s (NVIDIA) | Machine Windows portable ; 67,64 contre 63,77 tok/s sur Qwen3.6-35B-A3B dans le test de The Register | Linux avec DGX OS, vLLM et clusters de deux nœuds ; premier token en 1 240 contre 1 928 ms lors d'un test d'agent |
| Machine à 2x ou 4x RTX 3090 | 48 ou 96 Go GDDR6X (24 Go par carte) | 936 Go/s par carte | 70B dense : 31,3 contre 6,0 tok/s pour un utilisateur, sur deux cartes avec vLLM AWQ | 128 Go dans un seul boîtier de 240 W contre 700 à 1 400 W de cartes ; gpt-oss-120b à 58,7 tok/s sans découpage |
| NVIDIA GeForce RTX 4090 | 24 Go GDDR6X | 1 008 Go/s | Modèles de moins d'environ 22 Go : 221,95 contre 83,43 tok/s en décodage sur gpt-oss-20b dans llama.cpp | Modèles de 25 à 110 Go : gpt-oss-120b à 58,7 tok/s contre environ 22 avec déchargement en RAM sur une 4090 |
Chaque ligne est tirée de la page de comparaison liée. Les vitesses des concurrents sont des mesures de tiers citées sur ces pages, pas des mesures de GPUwerk. Les chiffres du Spark lui-même figurent sur la page des caractéristiques.
Comment nous nous comparons
Je dirige GPUwerk, qui loue des DGX Spark et aucune des autres machines présentées ici : lisez donc chaque page en gardant cela à l'esprit. Les caractéristiques proviennent des pages de chaque fabricant. Les vitesses du Spark sont celles de GPUwerk, mesurées avec vLLM 0.27.1 sur un nœud de la flotte le 2 septembre 2026, avec les logs bruts sur la page des benchmarks. GPUwerk n'a fait tourner aucun des concurrents : leurs vitesses sont donc des mesures de tiers, citées sur chaque page, ou des calculs de bande passante présentés comme tels. Les prix portent la date à laquelle ils ont été relevés. Les prix d'achat ont beaucoup bougé cette année : le Spark de 128 Go est affiché à 6 950 $ aux États-Unis depuis le 2 octobre 2026, et la page des prix donne la source, la date et l'historique.
Choisissez selon la tâche, pas selon la fiche technique
- Plusieurs centaines de Go dans une seule machine, avec une bande passante de datacenter : la DGX Station, si le budget se compte en centaines de milliers.
- Un endpoint partagé avec de nombreux utilisateurs simultanés : un GPU de datacenter comme la H100 ou la H200.
- Un modèle qui tient dans 32 Go ou 96 Go, utilisé tous les jours : une carte rapide, la RTX 5090 ou la RTX PRO 6000.
- Modèles de 100 Go ou plus, CUDA, longs prompts : le Spark. La comparaison des machines GB10 couvre les versions des autres fabricants.
- Pas encore sûr : louez un Spark à la minute et mesurez votre propre modèle avant d'acheter quoi que ce soit.