NVIDIA DGX Spark · GB10 Grace Blackwell

Az NVIDIA DGX Spark: béreljen egyet 0,79 USD/órától, vagy vásároljon

Az NVIDIA DGX Spark egy asztali AI-számítógép: egyetlen GB10 Grace Blackwell Superchip 128 GB egységes memóriával, 273 GB/s sebességgel, az NVIDIA DGX OS-ét futtatva. A GPUwerken bérelhet DGX Sparkot 0,79 USD-ért óránként, percalapú számlázással, vagy vásárolhat egyet. Ez az oldal elmagyarázza, mi ez, mit mér a GPUwerk flottáján, és hol marad alul.

Szerző: Samuel Seidel · Frissítve: 2026. október 24. Részletesen: DGX Spark specifikációk, DGX Spark ár, DGX Spark benchmarkok és a két összekapcsolt gépből álló DGX Spark-klaszter.

128GBEgységes memória, 273 GB/s memória-sávszélességgel
0,79 USDÓradíj a GPUwerknél, percalapú számlázással, vagy 1,79 USD óránként egy 256 GB-os kétcsomópontos klaszterért
1PFLOPFP4 AI-számítási teljesítmény, ritkított (sparse), az NVIDIA GB10 Grace Blackwell Superchiptől
200Gb/sConnectX-7 hálózat két QSFP-porttal. Az NVIDIA szerint két összekapcsolt gép legfeljebb 400B paraméteres modellekhez elegendő

A GPUwerk dedikált NVIDIA DGX Spark gépeket ad bérbe percalapon Európában, Észak-Amerikában és Kelet-Ázsiában: saját gépeit Csehországban, partnerek tulajdonában lévő Sparkokat más országokban. Egy Spark 0,79 USD óránként, egy kétcsomópontos 256 GB-os klaszter 1,79 USD óránként, előre fizetett kreditből, előfizetés nélkül. Böngészős terminálban vagy root SSH-n dolgozik. Ha végzett, szüntesse meg a példányt, és a számlázás véget ér. Hogyan béreljen DGX Sparkot.

Az NVIDIA amerikai listaára 6950 USD (ellenőrizve 2026. október 11-én), a megjelenéskori 3999 USD-ről emelkedett: lásd a DGX Spark ártörténetét és uniós ajánlatait. NVIDIA DGX Spark vásárlása a GPUwerk boltban →

Specifikációk

A hardver egy táblázatban.

Csomópontonként. Minden GPUwerk-példány egy teljes gép, így ezek a számok teljes egészében az Önéi. Minden érték, és hogy mit jelent az LLM-ek szempontjából, a DGX Spark specifikációk oldalon található.

NVIDIA DGX Spark
SuperchipGB10 Grace Blackwell
AI-teljesítmény1 PFLOPS FP4 (ritkított)
Memória128 GB egységes LPDDR5x
Memória-sávszélesség273 GB/s
CPU20 magos Arm (10× X925 + 10× A725)
Tárhely1 TB NVMe a GPUwerk saját Sparkjain, a rendszerrel és a modellgyorsítótárral közösen; egyes partner-Sparkokban 2 vagy 4 TB van (az NVIDIA 1 TB-os vagy 4 TB-os kivitelt árul)
HálózatConnectX-7 · 200 Gb/s
Tápellátásmax. 240 W
Operációs rendszerDGX OS 7 · Ubuntu 24.04
CUDATeljes stack előtelepítve

Források, olvasva 2026. október 24-én: az NVIDIA DGX Spark termékoldala (CPU, memória, 273 GB/s, 1 PFLOP FP4 ritkítással, 240 W-os tápegység, legfeljebb 200B paraméter egy gépen és 400B kettőn) és az NVIDIA hardverdokumentációja (1 TB-os vagy 4 TB-os NVMe, 256 bites memória 4266 MHz-en). Megjelenési dátum és ár: NVIDIA hírszoba, 2025. október 13.

A 273 GB/s memória-sávszélesség az a korlát, amely az egyfolyamos LLM-generálás sebességét meghatározza. A Spark erőssége a kapacitás: olyan modellek, amelyek egyszerűen nem férnek el a fogyasztói GPU-kon, valamint FP4 számítás kötegelt kiszolgáláshoz és finomhangoláshoz, ahol az átviteli sebesség sokkal jobban skálázódik, mint amit az egyfolyamos számok sugallnak.

Ár, bérlés és vásárlás

Béreljen vagy vásároljon.

A percalapú bérlés megmutatja, hogy a modellje elfér-e és elég gyorsan fut-e, mielőtt ezreket költene a hardverre. Egy bérelt Spark böngészős terminált vagy root SSH-t ad a saját konténeréhez, előtelepített CUDA 13.0 toolkittel (és egyes gépeken Dockerrel), valamint egy modell-lemezképből OpenAI-kompatibilis végpontot: mivel dolgozik.

A GPUwerk flottáján mérve

Flotta-benchmarkok.

A flotta minden csomópontján előkészített két modell, vllm bench serve paranccsal mérve a GPUwerk egyik saját csomópontján, amelynek GPU-ján semmi más nem futott. A nyers naplók lent találhatók, további modellek a DGX Spark benchmarkok oldalon. Más modellek harmadik féltől származó adatait a vásárlási útmutató gyűjti össze és vitatja meg.

Flotta-benchmarkeredmények egy DGX Spark-csomóponton
ModellKvantálásKeretrendszerPrefill, tok/sGenerálás, tok/sMax. kontextus
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

Hogyan olvassa ezt.

A prefill az első tokenig eltelt medián idő egy 8192 tokenes promptnál. A generálás egy folyam, 128 bemeneti és 512 kimeneti tokennel, más párhuzamos kérés nélkül. A max. kontextus egy ténylegesen kiszolgált, ekkora hosszúságú prompt, nem a KV-gyorsítótár méretéből levezetett érték. A prefill a prompt növekedésével lassul, mert a figyelem költsége négyzetes: a 30B 8k-nál 5705 tok/s-ot, a teljes 262 144-es kontextus kitöltésénél 586 tok/s-ot ér el.

A kötegméret teljesen megváltoztatja a választ.

Egy folyam a legrosszabb eset ezen a hardveren, és a legtöbb összehasonlítás ennél a számnál megáll. Párhuzamos kérésekkel a 30B 256 egyidejű kérésnél összesen 3235 tok/s-ot ér el, a 70B pedig 128-nál 485 tok/s-ot, majd 256-nál 300-ra esik, az első tokenig eltelt medián idő pedig 8-ról 40 másodpercre nő. A mixture-of-experts modell a töréspontja után telítődik; a sűrű modell a sajátja után összeomlik. Mindkét görbe a naplókban van.

Tétlen csomóponton mérve.

Minden futtatás egyébként tétlen csomóponton történt, a GPU-n nem volt más modell betöltve. Minden alábbi napló a GPU folyamatlistájával és a futtatás indításának pillanatában szabad memóriával kezdődik, így ezt ellenőrizheti, nem kell elhinnie.

Nyers naplók, minden futtatás, a folyamatjelző-újrarajzolások összevonásán kívül szerkesztetlenül: Qwen3-Coder 30B-A3B · Llama 3.3 70B. Saját futtatáshoz: első alkalommal töltsön fel 20 USD-t, és kapjon 30 USD kreditet, ami elég egy kipróbálási napra egy dedikált csomóponton.

Munkaterhelések

Mit futtassak rajta?

Határozott útmutatás ilyen gépekből álló flotta üzemeltetéséből.

Csapat kódolóasszisztense

A Qwen3-Coder 30B-A3B (AWQ, a GPUwerk által benchmarkolt modell) helyet hagy a hosszú kontextusoknak és több egyidejű felhasználónak. Szolgálja ki vLLM-mel egy OpenAI-kompatibilis végpont mögött, és irányítsa rá a szerkesztőit.

Privát csevegés + RAG

Egy 70B kategóriájú instruct modell Q4-ben elfér egy csomóponton, és még marad hely egy beágyazási modellnek és egy vektortárnak ugyanazon a gépen: egy teljes privát asszisztens egyetlen gépen. Nézze meg a privát ChatGPT-beállítást →

Finomhangolás

A 70B kategóriájú modellek LoRA-finomhangolása elfér az egységes memóriában, modellpárhuzamos mutatványok nélkül. Lépésenként lassabb, mint egy adatközponti GPU-n, de ott is fut, ahol a fogyasztói kártyák egyszerűen nem.

Bérlés egyetlen feladatra

Mire bérelnek az emberek Sparkot.

Három feladat, mindegyik a parancsokkal, a mért számokkal és a korlátokkal egy oldalon.

Összehasonlítások

Összehasonlítás.

Összehasonlítások az értékeléssel kezdve azokkal a gépekkel, amelyeket a vásárlók valóban mérlegelnek. Mindegyik megmondja, hol nyer a rivális.

DGX Spark vs. Mac Studio

Egységes memória mindkét oldalon, CUDA-ökoszisztéma vs. nyers sávszélesség. Frissítve az Apple M5 Ultra Mac Studióra: a Mac a dekódolásban nyer, a Spark a prefillben és a CUDA-hordozhatóságban.

9 perces olvasmány

DGX Spark vs. RTX 5090

32 GB gyors VRAM vs. 128 GB kapacitás. Sebességben nem szoros a verseny: az egész kérdés az, hogy a modellje elfér-e.

6 perces olvasmány

DGX Spark vs. Strix Halo

Szinte azonos tokengenerálás, 2–3-szoros különbség a prefillben, és körülbelül 4000 USD-vel olcsóbb vételár. Mit talált a The Register gyakorlati tesztje.

5 perces olvasmány

DGX Spark felhőalapúzolgáltatók összehasonlítva

Minden nyilvánosan meghirdetett óradíjas Spark-bérlés árral, helyszínnel, számlázási egységgel, és hogy mi történik az adataival leállításkor. Minden szolgáltató saját oldaláról idézve, a GPUwerkét is beleértve.

7 perces olvasmány

DGX Spark vs. H100 LLM-inferenciához

Mikor győz a 128 GB és a percalapú számlázás egy adatközponti kártyával szemben, és mikor kell a memória-sávszélesség és a kötegelt átviteli sebesség miatt inkább H100.

8 perces olvasmány

DGX Spark vs. H200 LLM-inferenciához

A legnagyobb sávszélesség-különbség ezen az oldalon: 273 GB/s szemben nagyjából 4,8 TB/s-mal. Hol számít ez, és hol nem.

7 perces olvasmány

DGX Spark vs. Jetson AGX Thor: két különböző feladat

Miért nem igazán ugyanazért a vásárlóért versenyeznek, a célpiac, a kialakítás és a szoftverstack összehasonlításával.

7 perces olvasmány

DGX Spark vs. RTX PRO 6000 Blackwell

128 GB egységes memória 273 GB/s sebességgel, szemben 96 GB GDDR7-tel körülbelül 1,8 TB/s sebességgel: mely modellek férnek el az egyiken és a másikon, és milyen dekódolási sebességet tesz lehetővé a sávszélesség.

Összehasonlítás

ASUS Ascent GX10 vs. DGX Spark

Ugyanaz a GB10 chip és 128 GB. Ami eltér: tárhely, ár, méret és firmware, mindegyik forrással.

Összehasonlítás

Minden GB10-es gép összehasonlítva

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte és Acer egymás mellett: egy chip, és a megmaradó különbségek.

Összehasonlítás

Mind a nyolc egymás mellett, memóriával, sávszélességgel, és hogy melyik rivális hol nyer: DGX Spark-alternatívák összehasonlítva.

Útmutatók

Útmutatók és elemzések.

Mindenkinek, aki DGX Sparkot értékel, vásárol vagy állít be, a gépteremből írva, nem sajtóanyagból.

DGX Spark beállítása: a kicsomagolástól az első tokenig

A DGX OS első indítása, SSH, illesztőprogramok és az első modell kiszolgálása: az az útmutató, amelyet bárcsak megtaláltam volna, amikor az első egységemet beszereltem a rackbe.

Beállítás · 4 perces olvasmány

Amit egy DGX Spark vásárlása előtt tudni kell

Áram, zaj, két egység hálózatba kötése, mire jó valójában, és a teljes birtoklási költség egy 5090-es géphez vagy a felhőhöz képest.

Vásárlási elemzés · 11 perces olvasmány

DGX Spark bérlése vagy vásárlása

Heti óraszám, vételár és a megtérülési számítás, kalkulátorral a saját számaihoz.

Vásárlási elemzés · 8 perces olvasmány

Qwen3 kiszolgálása vLLM-mel Sparkon

Bemásolható útmutató egy OpenAI-kompatibilis végponthoz a saját hardverén, Open WebUI kezelőfelülettel és systemd-vel együtt.

Beállítás · 6 perces olvasmány

A legjobb modellek, amelyeknek nem küldheti el az adatait

Mely nagy nyílt modellek férnek el 128 GB-ban / 256 GB-ban, és valójában mennyivel maradnak le a csúcstól.

Privát AI · 7 perces olvasmány

Modell finomhangolása a cége adatain

A 70B kategóriájú modellek LoRA-ja elfér a 128 GB egységes memóriában, a tanítókészlet pedig a csomópont helyi NVMe-jén marad.

Finomhangolás · 11 perces olvasmány

Egy AI-munkatársnak iroda kell. Adjon neki olyat, ami az Öné.

OpenClaw, Hermes, és miért való a beérkező leveleit olvasó ágens olyan hardverre, amelyet Ön irányít.

AI-ágensek · 9 perces olvasmány

Automatizálja az unalmas 80%-ot

Kötegelt dokumentumfeldolgozás átalánydíjas gépen: minden további token ingyenes, így futtassa a modellt mindenen.

Automatizálás · 7 perces olvasmány

DGX Spark kétcsomópontos klaszter: beállítás, és mit nyer vele valójában

Két Spark összekapcsolása ConnectX-7 200 GbE-n, mit mond erről az NVIDIA saját dokumentációja, és őszinte értékelés arról, mit ad és mit nem ad a párosítás.

Beállítás · 9 perces olvasmány

Hogyan kereshet pénzt a DGX Sparkjával

Adja bérbe saját Sparkját a GPUwerk Platformon keresztül: a 70%-os részesedés, mi nem hoz bevételt, egy példa megadott órákkal, és az Ön költségei.

Tulajdonosok · 7 perces olvasmány

DGX Spark áramfogyasztás és üzemeltetési költség

A közzétett teljesítményadatok, mit jelentenek a konnektornál, és hogyan számolja ki saját óránkénti áramköltségét.

Vásárlási elemzés · 6 perces olvasmány

ComfyUI és Stable Diffusion DGX Sparkon

Az NVIDIA ComfyUI-playbookja ARM64-en, modellenként jelentett képgenerálási idők, és az egységes memória megosztása egy LLM-mel.

Modellek

Hogyan futtasson egy újonnan kiadott modellt DGX Sparkon

Memóriába férés, arm64-es lemezképek, NVFP4 vagy GGUF, melyik motor, és mikor kell egy megjelenés heti modellhez két Spark.

Modellek

A legjobb nyílt súlyú modellek DGX Sparkon való futtatáshoz

Melyik modell való csevegésre, programozásra, kötegelt és ágensmunkára, plusz egy valóságellenőrzés a sűrű modellekről, kizárólag mért tok/s-adatokkal.

Modellek · 8 perces olvasmány

Teljes birtoklási költség: GPU-bérlés vs. felhőalapú AI API

Felhőben futó, tokenalapú API, bérelt dedikált GPU és hardver megvásárlása, egymás mellett összehasonlítva az ezen az oldalon már közzétett adatokkal.

Vásárlási elemzés · 9 perces olvasmány

Hogyan méri a GPUwerk a DGX Spark teljesítményét

Mit mérünk, egyfolyamos vs. párhuzamos, mely motorokkal és beállításokkal, és miért tesszük közzé a nyers naplókat, nem csak az összefoglaló táblázatot.

Benchmarkok · 4 perces olvasmány

DGX Spark zaj és hűtés: mire számíthat

Mi dokumentált a ventilátorzajról és a hűtésről asztali vagy otthoni irodai használatnál, mit nem mértek függetlenül, és hol érdemes vásárlás előtt utánanézni.

Vásárlási elemzés · 4 perces olvasmány

Látás- és multimodális modellek futtatása DGX Sparkon

Mi reális 128 GB egységes memórián látás-nyelvi modellekkel és képértelmezéssel, és miért nem jelentek még meg dedikált VLM-benchmarkok.

Modellek · 3 perces olvasmány

DGX Spark illesztőprogram- és firmware-frissítések: mit kezel a GPUwerk

Mit tartunk naprakészen hoszt- és csomópontszinten egy bérelt Sparkon, és mi van a saját root-konténerében, ami teljes egészében az Ön felelőssége.

Beállítás · 4 perces olvasmány

DGX Spark tárhely: mi marad meg, és mit mentsen

Az 1 TB-os NVMe egy bérelt Sparkon, pontosan mi éli túl a leállítást és a megszüntetést, és miért kell saját mentés: a GPUwerk nem tart másolatot a munkaterületéről.

Beállítás · 4 perces olvasmány

Monitorozás és megfigyelhetőség saját üzemeltetésű LLM-hez

Mit figyeljen egy éles forgalmat kiszolgáló Sparkon, a GPU-memóriától a kérésenkénti késleltetésig.

Üzemeltetés · 6 perces olvasmány

Biztonsági mentés és katasztrófa-helyreállítás a DGX Spark-munkaterheléséhez

Mit kell valójában menteni egy bérelt Sparkon, és hogyan állítsa vissza hiba után.

Üzemeltetés · 6 perces olvasmány

Csapat- és többfelhasználós hozzáférés egy megosztott DGX Sparkhoz

Közös hozzáférés egy Sparkhoz a csapatnak anélkül, hogy mindenki ugyanazt az API-kulcsot használná.

Üzemeltetés · 5 perces olvasmány

Sebességkorlátozás és kvóták belső LLM-környezethez

Megakadályozza, hogy egy csapat vagy egy szkript kiéheztesse mindenki más kéréseit egy megosztott végponton.

Üzemeltetés · 5 perces olvasmány

Modellek frissítése vagy cseréje leállás nélkül

Új modell vagy modellverzió éles bevezetése egy Sparkon leállási ablak nélkül.

Üzemeltetés · 6 perces olvasmány

Skálázás egy DGX Sparkról flottára

Mikor jobb több önálló Sparkot bérelni egy kétcsomópontos klaszter helyett, hogyan osszuk el a terhelést független csomópontok között, és milyen üzemeltetési kompromisszumokkal jár egy kis flotta.

Üzemeltetés · 7 perces olvasmány

Kvantált vs. teljes pontosságú modellek éles környezetben

Hogyan döntsön kvantált és teljes pontosságú modell között egy éles, saját üzemeltetésű környezetben: memóriába férés, minőségi kockázat feladatonként, és mikor tesztelje mindkettőt.

Üzemeltetés · 6 perces olvasmány

Költségelőrejelzés és költségvetés AI-infrastruktúrához

Hogyan becsülje meg a havi AI-infrastruktúra-költséget saját üzemeltetés és mért API-használat esetén, a GPUwerk 0,79 USD/órás díjával mint kidolgozott példával és egy költségvetési ellenőrzőlistával.

Vásárlási elemzés · 7 perces olvasmány

Bérelt GPU-példány biztonsági megerősítése

Gyakorlati, példányon belüli megerősítés bérelt GPU-hoz: SSH-kulcskezelés, hálózati kitettség, szolgáltatások futtatása root nélkül, titkok, valamint ideiglenes és tartós állapot.

Üzemeltetés · 6 perces olvasmány

Meglévő saját üzemeltetésű AI-környezet átköltöztetése DGX Sparkra

Gyakorlati átállási útvonal munkaállomásról vagy más felhőalapú GPU-ról bérelt DGX Sparkra: újrakvantálás az egységes memóriához, adatmozgatás és átállási terv.

Beállítás · 7 perces olvasmány

GPU-memória kezelése több modellhez egy Sparkon

128 GB egységes memória beosztása több modell vagy konténer között egyetlen DGX Sparkon, és mikor mondja a számítás, hogy inkább ossza el egy kétcsomópontos klaszterre.

Üzemeltetés · 6 perces olvasmány

llama.cpp vs. vLLM vs. SGLang DGX Sparkon: kapcsolók és indítás

Gyakorlati kiegészítő az inferenciamotor kiválasztásához: pontos kapcsolók, indítóparancsok, és hogy a llama.cpp, a vLLM és az SGLang valójában miben különbözik a GB10 egységes memóriáján.

Beállítás · 6 perces olvasmány

Katasztrófa-helyreállítási terv tesztelése saját üzemeltetésű LLM-hez

Az a biztonsági mentési terv, amelyből még nem állított vissza, csak hipotézis. Visszaállítási gyakorlatok, game day-ek és RTO/RPO-mérés egy saját üzemeltetésű LLM-környezethez.

Üzemeltetés · 6 perces olvasmány

API-kulcsok rotálásának bevált gyakorlatai privát LLM-környezethez

API-kulcsok és hitelesítő adatok rotálása egy saját üzemeltetésű inferenciavégponthoz: jogosultsági kör, rotációs ütemezés, visszavonás, és mit érdemes automatizálni, illetve kézzel végezni.

Üzemeltetés · 6 perces olvasmány

Modellminőség értékelése modellváltás előtt

Visszatartott tesztkészletek, A/B megközelítések és regressziós ellenőrzések egy jelölt modell és a jelenlegi összehasonlítására, mielőtt éles környezetben váltana.

Üzemeltetés · 6 perces olvasmány

Prompt-gyorsítótárazás az inferenciaköltség csökkentésére

Hogyan csökkenti a prefix- és KV-gyorsítótár újrahasznosítása az ismételt számítást egy saját üzemeltetésű környezetben: mi számít gyorsítótár-találatnak, hogyan építse fel hozzá a promptokat, és hol jelentkezik valójában a megtakarítás egy óradíjasan bérelt Sparkon.

Üzemeltetés · 6 perces olvasmány

Strukturált kimenet és függvényhívás saját üzemeltetésű LLM-en

JSON-módú strukturált kimenet és eszköz-/függvényhívás beállítása saját üzemeltetésű modelleken vLLM-mel és llama.cpp-vel, beleértve, mely modellek támogatják, és hogyan hibakeresse a hibás hívásokat.

Beállítás · 5 perces olvasmány

Beágyazások és vektoros keresés futtatása DGX Sparkon

Beágyazási modell saját üzemeltetése egy vektoradatbázis mellett egy RAG-folyamathoz egyetlen Sparkon: memóriakeret, a beágyazási modell kiszolgálása és vektortár kiválasztása.

Modellek · 5 perces olvasmány

Nagy inferenciafeladatok kötegelt feldolgozása bérelt Sparkon

Tömeges dokumentumfeldolgozás és nagy léptékű adathalmaz-címkézés óradíjasan bérelt DGX Sparkon: átviteli beállítások, feladatméretezés, és hogyan viszonyul a kötegelt inferencia költsége az interaktív kiszolgáláshoz.

Üzemeltetés · 5 perces olvasmány

GPU-kihasználtság monitorozása és a környezet helyes méretezése

Hogyan olvassa le a tényleges GPU- és memória-kihasználtságot egy bérelt DGX Sparkon, és hogyan döntsön ennek alapján a maradás, a kétcsomópontos klaszterre való felskálázás vagy a flottára való kiterjesztés között.

Üzemeltetés · 5 perces olvasmány

Auditnaplózás megfelelőségi szempontból érzékeny, saját üzemeltetésű LLM-környezethez

Kérés- és válasz-auditnaplók beállítása a saját konténerében egy bérelt DGX Sparkon: mit rögzítsen, hol tárolja, és hol ér véget a GPUwerk felelőssége.

Üzemeltetés · 6 perces olvasmány

Modellverziózási és visszaállítási stratégia saját üzemeltetésű környezethez

Annak követése, mely modellsúlyok és konfigurációk futnak valójában, és tiszta visszaállítás, ha egy új verzió alulteljesít.

Üzemeltetés · 6 perces olvasmány

Hidegindítás vs. folyamatos üzem: a példány üzemidő-mintájának kiválasztása

DGX Spark leállítása a használatok között vs. éjjel-nappali futtatása: költség, késleltetés és adatokkal kapcsolatos kompromisszumok.

Vásárlási elemzés · 5 perces olvasmány

SSO és hozzáférés-kezelés beállítása csapatszintű LLM-környezethez

Hitelesítési réteg egy saját üzemeltetésű inferenciavégpont elé, hogy a csapat meglévő azonosítókkal jelentkezzen be, ne közös SSH-kulcsokkal vagy API-tokenekkel.

Beállítás · 5 perces olvasmány

Több konténer és szolgáltatás futtatása DGX Sparkon

Docker-konténerminták egyetlen DGX Sparkhoz: mikor elég egy egyszerű docker-compose fájl, és mikor nőtt túl rajta a munkaterhelés.

Beállítás · 5 perces olvasmány

Minden útmutató vásárlás, modellek és motorok, klaszterek és üzemeltetés szerint csoportosítva: az összes DGX Spark-útmutató.

Kérdések.

Mi az NVIDIA DGX Spark?

Az NVIDIA DGX Spark egy asztali AI-számítógép, amely az NVIDIA GB10 Grace Blackwell Superchipre épül: egy Blackwell GPU és egy 20 magos Arm CPU osztozik 128 GB egységes memórián 273 GB/s sebességgel, legfeljebb 1 PFLOP ritkított FP4 számítási teljesítménnyel. Az NVIDIA DGX OS-ét futtatja, egy Ubuntu-alapú rendszert előtelepített CUDA-stackkel, és legfeljebb 240 W-ot fogyaszt. A rendelések 2025. október 15-én nyíltak meg 3999 USD-ért; az NVIDIA amerikai listaára 2026. október 11-i ellenőrzéskor 6950 USD volt (ártörténet). Az ASUS, a Dell, a HP, a Lenovo, az MSI, a Gigabyte és az Acer saját néven árul ugyanezzel a GB10 chippel szerelt gépeket: minden GB10-es gép összehasonlítva.

Egy teljes DGX Sparkot kapok csak magamnak?

Igen. Minden GPUwerk-példány egy dedikált csomópont, nem egy megosztott GPU szelete. A 128 GB egységes memória, a teljes 273 GB/s sávszélesség és az 1 PFLOPS ritkított FP4 számítási teljesítmény a bérlés idejére az Öné, és semmi más nem fut a gépen.

Miben különbözik egy DGX Spark egy felhőalapú GPU-példány bérlésétől?

Egy tipikus felhőalapú GPU-példány 24–80 GB VRAM-ot ad egy adatközponti kártyán. Egy DGX Spark 128 GB egységes memóriát ad egyetlen gépen, ami elég 70B kategóriájú modellekhez anélkül, hogy több GPU-ra kellene osztani őket, és a GPUwerk percalapú számlázással adja bérbe saját csehországi Sparkjairól és partner-Sparkokról Európában, Észak-Amerikában és Kelet-Ázsiában.

Mi a buktató a 273 GB/s memória-sávszélességgel?

Ez az egyfolyamos generálási sebesség plafonja: kevesebb token másodpercenként, mint egy gyorsabb VRAM-mal rendelkező különálló GPU-n, ezért kezdi ezzel a vásárlási útmutató és az RTX 5090-összehasonlítás is. A Spark előnye a kapacitás és a kötegelt átviteli sebesség, nem az egyfelhasználós nyers sebesség.

Vásárolhatok DGX Sparkot bérlés helyett?

Igen. A GPUwerk boltja magát az NVIDIA DGX Sparkot is kínálja, a cseh beszállítók készlete alapján árazva, ha valamelyik tud szállítani, valamint ugyanezt a GB10-es gépet hét másik gyártótól, köztük a Lenovo ThinkStation PGX-et 5330 EUR-tól ÁFA nélkül. A GPUwerk elküldi Önnek, vagy ha úgy dönt, elhelyezi az adatközpontjában és bérbe adja Ön helyett. Vásárolhat az NVIDIA-tól vagy partnereitől is, vagy kérdezheti a GPUwerket egy saját telephelyre szánt gépről. A percalapú bérlés előbb megmutatja, hogy a hardver megfelel-e a munkaterhelésének, mielőtt körülbelül 4000 EUR-t vagy többet költene, és minden GPUwerk-felhőpéldány ugyanazon a GB10-hardveren fut.

Minden a DGX Sparkról ezen az oldalon.

A GPUwerk minden oldala, amely a DGX Sparkkal foglalkozik, aszerint csoportosítva, hogy mit szeretne elérni.

Ne benchmarkokat olvasson.
Futtassa a sajátjait.

Béreljen dedikált Sparkot 0,79 USD/óráért, percalapú számlázással. Első feltöltés: fizessen 20 USD-t, kapjon 30 USD kreditet, ez körülbelül 37 óra számítási idő.

Fiók létrehozása