DGX Spark/Test ARM64 e CUDA
Caso d'uso · Test e porting

Testa e porta il tuo software su una vera GB10: aarch64, CUDA, sm_121

Di Samuel Seidel · Aggiornato il 10 novembre 2026 · 7 min di lettura

Una issue dice che la tua libreria non funziona su una DGX Spark, e tu non ne hai una. Oppure le tue wheel si compilano su x86 e nessuno le ha provate su una CPU Arm con una GPU Blackwell. Noleggia un'intera Spark per i minuti necessari a scoprirlo: una shell root su una NVIDIA GB10 (aarch64, compute capability CUDA 12.1) con il toolkit CUDA 13.0 installato. A 0 $,79 all'ora, fatturati al minuto, una verifica di 20 minuti costa circa 0 $,26.

Prima ricarica: paghi 20 $, ricevi 30 $ di credito. Fatturazione al minuto dal credito prepagato. Termina quando hai finito e la fatturazione si ferma. La maggior parte di chi noleggia una Spark da me avvia l'immagine DGX OS di base e porta il proprio stack, ed è di questo che parla questa pagina.

Cosa ottieni

CPUArm a 20 core (10 Cortex-X925 e 10 Cortex-A725), uname -m restituisce aarch64
GPUNVIDIA GB10, generazione Blackwell, compute capability 12,1 (sm_121)
Memoria128 GB di LPDDR5x unificata condivisa da CPU e GPU, 273 GB/s
ImmaginiDGX OS 7: Ubuntu 24.04 con il toolkit CUDA 13.0 (nvcc), NCCL e NVIDIA DCGM. Ubuntu 24.04: lo stesso senza DCGM. Entrambi hanno git, tmux, vim, curl e Python 3 con pip e venv.
AccessoUn terminale root nel browser senza chiave SSH, oppure SSH come root sulla porta 22 con la tua chiave. Ogni istanza ha il proprio indirizzo IPv4 pubblico e l'hostname <name>.gpuwerk.com.
Come funzionaUn container con la GPU passata direttamente: su molte Spark un container di sistema con systemd e Docker, sulle altre uno semplice senza nessuno dei due. Sei root al suo interno; il driver NVIDIA proviene dall'host.
Storage1 TB NVMe, condiviso con l'host. /workspace sopravvive a riavvii e ricostruzioni e viene eliminato quando termini.

L'immagine chiamata DGX OS 7 nella console è una mia build: Ubuntu 24.04 più i pacchetti sopra indicati, in un container. Non è l'immagine di installazione di DGX OS di NVIDIA, e /etc/dgx-release lo dichiara. Cosa gira in un container, e cosa no, è nelle note sull'ambiente tenant.

Una prima verifica in cinque minuti

Avvia DGX Spark 1× con l'immagine DGX OS, attendi lo stato running e fai clic su Apri terminale nel browser nella pagina dell'istanza. Poi verifica su cosa ti trovi:

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))"

L'ultima riga stampa il GB10 e (12, 1). Alcune build di PyTorch stampano un avviso secondo cui sm_121 non è compatibile; di solito è sbagliato, e la guida PyTorch su una DGX Spark spiega perché e quale wheel scegliere.

Compila e testa il tuo progetto

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

Tre cose colgono di sorpresa le persone su questo chip:

Per portare a casa gli artefatti di build, copiali con la tua chiave SSH, poi termina:

# on your laptop
scp 'root@<name>.gpuwerk.com:/workspace/your-project/dist/*.whl' .

Esecuzioni scriptate dalla tua CI

Non c'è un'integrazione CI pronta. C'è un'API che avvia e termina istanze al minuto, quindi un job sul tuo runner può prendere in prestito una Spark, eseguire i test via SSH e restituirla. Usa una chiave API con scope 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 deploy richiede credito per almeno un'ora (altrimenti 402) e restituisce 409 quando nessuna macchina è libera, quindi il tuo job deve gestirlo. I deploy via API vanno su una macchina nel SEE, a meno che tu non imposti location_country o partner_region. Tutti i campi sono nel riferimento API.

Quanto costa una verifica

SessioneCosto a 0 $,79/h
Riproduci una segnalazione di bug, 20 minuticirca 0 $,26
Compila e testa una release, 1 ora0,79 $
Una giornata di porting, 8 ore6,32 $

La fatturazione è al minuto dal credito prepagato e parte quando l'istanza supera il controllo di disponibilità. Per il deploy, l'account deve avere credito per un'ora. Prima ricarica: paghi 20 $, ricevi 30 $ di credito, circa 37 ore su una Spark. Un'istanza arrestata mantiene il suo workspace ed è fatturata al 75% della tariffa oraria; terminala quando hai finito e la fatturazione si ferma, il che elimina il workspace. Prezzi IVA esclusa, ove applicabile.

Cosa non può dirti una GB10 a noleggio

Dove si trovano le Spark

Funziona su ogni ubicazione, perché le Spark partner offrono le stesse immagini DGX OS e Ubuntu. Le mie Spark sono in un data center a Hradec Králové, in Repubblica Ceca. Le Spark partner sono di proprietà di partner e ospitate presso le loro sedi negli USA, in Svezia, nei Paesi Bassi, in Slovacchia e a Hong Kong, e un partner ha accesso fisico alla sua macchina. La console mostra il paese, e se è nel SEE, prima del deploy.

Chi gestisce tutto questo

GPUwerk è una piattaforma nuova, e dietro ci sono io: Samuel Seidel, fondatore, che opera come PRINT IT! SE, registrata a Praga. Da settembre 2026, 94 sviluppatori vi hanno avviato 374 istanze (al 9 novembre 2026). Uptime e incidenti sono su status.gpuwerk.com. Se non sei sicuro che il tuo stack funzioni, scrivimi tramite la pagina dei contatti prima di pagare; rispondo io.

FAQ

Quale versione di CUDA c'è sulla macchina?

Entrambe le immagini, DGX OS 7 e Ubuntu 24.04, includono il toolkit CUDA 13.0 con nvcc e NCCL. Il driver NVIDIA proviene dall'host e non può essere modificato dall'interno dell'istanza.

L'immagine DGX OS è il DGX OS di NVIDIA?

No. È una mia build in un container: Ubuntu 24.04 con il toolkit CUDA 13.0, NCCL e NVIDIA DCGM. /etc/dgx-release la identifica come immagine GPUwerk.

Posso creare immagini Docker su di essa?

Su alcune macchine, sì: molte Spark a noleggio eseguono la tua istanza come container di sistema con un proprio daemon Docker, quindi docker build e docker run --gpus all girano nativamente su arm64. Altre eseguono un container semplice senza Docker. Non puoi scegliere quale; docker info ti dice quale hai.

Quanto costa un breve test?

Circa 0 $,26 per 20 minuti a 0 $,79 all'ora, fatturati al minuto dal credito prepagato. Per il deploy, l'account deve avere credito per un'ora. Termina quando hai finito e la fatturazione si ferma; il workspace viene eliminato.

Prima ricarica: paghi 20 $, ricevi 30 $ di credito

Riproducilo su una GB10 oggi.

Una DGX Spark dedicata con shell root e CUDA 13.0, 0 $,79/h fatturati al minuto. Termina quando hai finito e la fatturazione si ferma.

Avvia ora