NVIDIA DGX Spark · GB10 Grace Blackwell

De NVIDIA DGX Spark: huur er een vanaf $ 0,79/uur of koop er een

De NVIDIA DGX Spark is een AI-computer voor op het bureau: één GB10 Grace Blackwell Superchip met 128 GB unified memory op 273 GB/s, met DGX OS van NVIDIA. Je kunt bij GPUwerk een DGX Spark huren voor $ 0,79 per uur, per minuut gefactureerd, of er een kopen. Deze pagina legt uit wat het is, wat hij meet op de vloot van GPUwerk en waar hij verliest.

Door Samuel Seidel · Bijgewerkt op 24 oktober 2026. Verdieping: specs van de DGX Spark, prijs van de DGX Spark, benchmarks van de DGX Spark en het DGX Spark-cluster van twee gekoppelde machines.

128GBUnified memory, met 273 GB/s geheugenbandbreedte
$ 0,79Per uur op GPUwerk, per minuut gefactureerd, of $ 1,79 per uur voor een cluster van twee nodes met 256 GB
1PFLOPFP4 AI-rekenkracht, sparse, van de NVIDIA GB10 Grace Blackwell Superchip
200Gb/sConnectX-7-netwerk met twee QSFP-poorten. Volgens NVIDIA kunnen twee gekoppelde machines modellen tot 400B parameters aan

GPUwerk verhuurt dedicated NVIDIA DGX Spark-machines per minuut in Europa, Noord-Amerika en Oost-Azië: eigen machines in Tsjechië en Sparks van partners in andere landen. Eén Spark kost $ 0,79 per uur en een cluster van twee nodes met 256 GB $ 1,79 per uur, van prepaid tegoed zonder abonnement. Je werkt in een browserterminal of via root-SSH. Beëindig de instance als je klaar bent; daarmee stopt de facturering. Zo huur je een DGX Spark.

De Amerikaanse adviesprijs van NVIDIA is $ 6.950 (gecontroleerd op 11 oktober 2026), tegenover $ 3.999 bij de introductie: zie prijsgeschiedenis van de DGX Spark en EU-aanbiedingen. Koop een NVIDIA DGX Spark in de GPUwerk-winkel →

Specificaties

De hardware in één tabel.

Per node. Elke instance van GPUwerk is één volledige machine, dus deze getallen zijn allemaal van jou. Elke waarde, met wat die betekent voor LLM's, staat op de pagina met specs van de DGX Spark.

NVIDIA DGX Spark
SuperchipGB10 Grace Blackwell
AI-prestaties1 PFLOPS FP4 (sparse)
Geheugen128 GB unified LPDDR5x
Geheugenbandbreedte273 GB/s
CPU20-core Arm (10× X925 + 10× A725)
Opslag1 TB NVMe op de eigen Sparks van GPUwerk, gedeeld met het systeem en de modelcache; sommige partner-Sparks hebben 2 of 4 TB (NVIDIA verkoopt 1 TB of 4 TB)
NetwerkConnectX-7 · 200 Gb/s
Stroom240 W max.
BesturingssysteemDGX OS 7 · Ubuntu 24.04
CUDAVolledige stack voorgeïnstalleerd

Bronnen, gelezen op 24 oktober 2026: de productpagina van de NVIDIA DGX Spark (CPU, geheugen, 273 GB/s, 1 PFLOP FP4 met sparsity, voeding van 240 W, tot 200B parameters op één machine en 400B op twee) en de hardwaredocumentatie van NVIDIA (1 TB of 4 TB NVMe, 256-bit geheugen op 4266 MHz). Introductiedatum en prijs: NVIDIA newsroom, 13 oktober 2025.

Een geheugenbandbreedte van 273 GB/s is de beperking die telt voor de generatiesnelheid van een LLM bij één stream. De kracht van de Spark is capaciteit: modellen die simpelweg niet op consumenten-GPU's passen, plus FP4-rekenkracht voor batch-serving en fine-tuning, waar de doorvoer veel beter schaalt dan de cijfers voor één stream doen vermoeden.

Prijs, huren en kopen

Huur er een of koop er een.

Door per minuut te huren, weet je of je model past en snel genoeg draait voordat je duizenden aan hardware uitgeeft. Een gehuurde Spark geeft je een browserterminal of root-SSH naar je eigen container, de CUDA 13.0-toolkit voorgeïnstalleerd (en Docker, op sommige machines), en een OpenAI-compatibel endpoint vanuit een modelimage: waar je mee werkt.

Gemeten op de vloot van GPUwerk

Benchmarks van de vloot.

De twee modellen die op elke node van de vloot klaarstaan, gemeten met vllm bench serve op een eigen node van GPUwerk zonder iets anders op de GPU. Ruwe logs staan hieronder, en meer modellen staan op de pagina benchmarks van de DGX Spark. Cijfers van derden voor andere modellen zijn verzameld en besproken in de koopgids.

Benchmarkresultaten van de vloot op één DGX Spark-node
ModelKwantisatieFrameworkPrefill tok/sGenereren tok/sMax. context
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

Zo lees je dit.

Prefill is de mediane time to first token bij een prompt van 8.192 tokens. Genereren is één stream, 128 erin en 512 eruit, zonder dat er iets anders tegelijk loopt. Max. context is een prompt van die lengte die echt is geserveerd, geen getal dat is afgeleid van de grootte van de KV-cache. Prefill wordt trager naarmate de prompt groeit, omdat de kosten van attention kwadratisch zijn: de 30B haalt 5.705 tok/s bij 8k en 586 tok/s als hij zijn volle 262.144 vult.

De batchgrootte verandert het antwoord volledig.

Eén stream is het slechtste geval op deze hardware, en het is het getal waar de meeste vergelijkingen ophouden. Met meerdere requests tegelijk haalt de 30B in totaal 3.235 tok/s bij 256 gelijktijdige requests, en de 70B 485 tok/s bij 128, waarna het zakt naar 300 bij 256, met een mediane time to first token die van 8 naar 40 seconden gaat. Het mixture-of-experts-model raakt verzadigd voorbij zijn knik; het dense model stort in voorbij de zijne. Beide curves staan in de logs.

Gemeten op een onbelaste node.

Elke run draaide op een verder onbelaste node, zonder ander model geladen op de GPU. Elke log hieronder begint met de proceslijst en het vrije geheugen van de GPU op het moment dat de run startte, zodat je dat zelf kunt controleren in plaats van het aan te nemen.

Ruwe logs, elke run, onbewerkt behalve het samenvoegen van opnieuw getekende voortgangsbalken: Qwen3-Coder 30B-A3B · Llama 3.3 70B. Zelf draaien: waardeer de eerste keer $ 20 op en krijg $ 30 tegoed, genoeg voor een evaluatiedag op een dedicated node.

Workloads

Wat moet ik erop draaien?

Uitgesproken adviezen uit het beheren van een vloot van deze machines.

Programmeerassistent voor het team

Qwen3-Coder 30B-A3B (AWQ, het model dat GPUwerk benchmarkt) laat ruimte voor lange contexten en meerdere gelijktijdige gebruikers. Serveer het met vLLM achter een OpenAI-compatibel endpoint en richt je editors erop.

Privéchat + RAG

Een instruct-model van de 70B-klasse in Q4 past op één node, met ruimte voor een embeddingmodel en een vectorstore op dezelfde machine: een complete privé-assistent op één machine. Bekijk de opzet voor een privé-ChatGPT →

Fine-tuning

LoRA-fine-tunes van modellen van de 70B-klasse passen in unified memory zonder kunstgrepen met modelparallellisme. Langzamer per stap dan een datacenter-GPU, maar het draait waar consumentenkaarten het gewoon niet kunnen.

Huren voor één job

Waarvoor mensen een Spark huren.

Drie taken, elk met de commando's, de gemeten getallen en de grenzen op één pagina.

Vergelijkingen

Hoe het zich verhoudt.

Vergelijkingen met het oordeel voorop, tegenover de machines die kopers echt naast elkaar leggen. Elke vergelijking zegt waar de concurrent wint.

DGX Spark vs Mac Studio

Unified memory aan beide kanten, CUDA-ecosysteem tegenover ruwe bandbreedte. Bijgewerkt voor de Mac Studio met M5 Ultra van Apple: de Mac wint bij decode, de Spark bij prefill en CUDA-portabiliteit.

9 min. lezen

DGX Spark vs RTX 5090

32 GB snel VRAM tegenover 128 GB capaciteit. Qua snelheid is het geen spannende strijd: de hele vraag is of je model past.

6 min. lezen

DGX Spark vs Strix Halo

Vrijwel identieke tokengeneratie, een verschil van 2-3x bij prefill en ongeveer $ 4.000 minder om te kopen. Wat de praktijktest van The Register vond.

5 min. lezen

Cloudaanbieders van de DGX Spark vergeleken

Elke Spark-huur per uur met een openbare vermelding, met prijs, locatie, factureringseenheid en wat er bij stoppen met je data gebeurt. Geciteerd van de eigen pagina van elke aanbieder, die van GPUwerk inbegrepen.

7 min. lezen

DGX Spark vs H100 voor LLM-inference

Wanneer 128 GB en facturering per minuut een datacenterkaart verslaan, en wanneer geheugenbandbreedte en batchdoorvoer betekenen dat je in plaats daarvan de H100 nodig hebt.

8 min. lezen

DGX Spark vs H200 voor LLM-inference

Het grootste bandbreedteverschil op deze site, 273 GB/s tegenover ruwweg 4,8 TB/s. Waar dat ertoe doet, en waar niet.

7 min. lezen

DGX Spark vs Jetson AGX Thor: twee verschillende taken

Waarom deze niet echt om dezelfde koper concurreren, met doelmarkt, vormfactor en softwarestack vergeleken.

7 min. lezen

DGX Spark vs RTX PRO 6000 Blackwell

128 GB unified memory op 273 GB/s tegenover 96 GB GDDR7 op ongeveer 1,8 TB/s: welke modellen op elk passen en welke decodesnelheid de bandbreedte toelaat.

Vergelijking

ASUS Ascent GX10 vs DGX Spark

Dezelfde GB10-chip en 128 GB. Wat verschilt, zijn opslag, prijs, afmetingen en firmware, elk met de bron.

Vergelijking

Alle GB10-machines vergeleken

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte en Acer naast elkaar: één chip, en de verschillen die overblijven.

Vergelijking

Alle acht naast elkaar, met geheugen, bandbreedte en waar elke concurrent wint: alternatieven voor de DGX Spark vergeleken.

Handleidingen

Handleidingen & analyses.

Voor iedereen die een DGX Spark evalueert, koopt of opzet, geschreven vanuit de serverruimte, niet vanuit een persmap.

DGX Spark installeren: van uitpakken tot eerste token

Eerste boot van DGX OS, SSH, drivers en je eerste model serveren: de handleiding die ik had willen hebben toen ik mijn eerste machine in het rack zette.

Installatie · 4 min. lezen

Wat je moet weten voordat je een DGX Spark koopt

Stroom, geluid, twee machines in een netwerk, waar hij echt goed in is, en de totale eigendomskosten tegenover een 5090-rig of de cloud.

Koopanalyse · 11 min. lezen

Een DGX Spark huren of kopen

Uren per week, aankoopprijs en de break-evenberekening, met een calculator voor je eigen getallen.

Koopanalyse · 8 min. lezen

Qwen3 serveren met vLLM op een Spark

Een kopieer-en-plakroute naar een OpenAI-compatibel endpoint op je eigen hardware, inclusief Open WebUI-frontend en systemd.

Installatie · 6 min. lezen

De beste modellen waarnaar je je data niet mag sturen

Welke grote open modellen in 128 GB / 256 GB passen, en hoe ver ze echt achterlopen op de frontier.

Privé-AI · 7 min. lezen

Fine-tune een model op de data van je bedrijf

LoRA op modellen van de 70B-klasse past in 128 GB unified memory, waarbij de trainingsset op de lokale NVMe van de node blijft.

Fine-tuning · 11 min. lezen

Een AI-medewerker heeft een kantoor nodig. Geef hem er een dat van jou is.

OpenClaw, Hermes, en waarom een agent die je inbox leest thuishoort op hardware die je zelf beheert.

AI-agents · 9 min. lezen

Automatiseer de saaie 80%

Batchverwerking van documenten op een machine met vast tarief: het extra token is gratis, dus laat het model over alles lopen.

Automatisering · 7 min. lezen

Cluster van twee DGX Spark-nodes: opzet en wat het je echt oplevert

Twee Sparks koppelen via ConnectX-7 200 GbE, wat de eigen documentatie van NVIDIA zegt, en een eerlijke kijk op wat koppelen je wel en niet oplevert.

Installatie · 9 min. lezen

Geld verdienen met je DGX Spark

Verhuur een Spark die je bezit via GPUwerk Platform: het aandeel van 70%, wat niets oplevert, een voorbeeld bij opgegeven uren, en je kosten.

Eigenaren · 7 min. lezen

Stroomverbruik en bedrijfskosten van de DGX Spark

De gepubliceerde vermogenscijfers, wat ze aan het stopcontact betekenen, en hoe je je eigen stroomkosten per uur berekent.

Koopanalyse · 6 min. lezen

ComfyUI en Stable Diffusion op een DGX Spark

Het ComfyUI-playbook van NVIDIA op ARM64, gemelde beeldtijden per model, en unified memory delen met een LLM.

Modellen

Zo draai je een net uitgebracht model op een DGX Spark

Past het in het geheugen, arm64-images, NVFP4 of GGUF, welke engine, en wanneer een model uit de releaseweek twee Sparks nodig heeft.

Modellen

Beste open-weight-modellen om op een DGX Spark te draaien

Welk model past bij chat, programmeren, batch- en agentwerk, en een realiteitscheck voor dense modellen, met alleen gemeten tok/s-cijfers.

Modellen · 8 min. lezen

Totale eigendomskosten: GPU-huur vs een cloud-AI-API

Een cloud-API met betaling per token, een gehuurde dedicated GPU en zelf hardware kopen, naast elkaar gezet op basis van cijfers die al op deze site zijn gepubliceerd.

Koopanalyse · 9 min. lezen

Hoe GPUwerk de DGX Spark benchmarkt

Wat er wordt gemeten, één stream tegenover gelijktijdigheid, welke engines en instellingen, en waarom de ruwe logs worden gepubliceerd in plaats van alleen de samenvattende tabel.

Benchmarks · 4 min. lezen

Geluid en koeling van de DGX Spark: wat je kunt verwachten

Wat er is gedocumenteerd over ventilatorgeluid en koeling voor een bureau of thuiskantoor, wat niet onafhankelijk is gemeten, en waar je kijkt voordat je koopt.

Koopanalyse · 4 min. lezen

Vision- en multimodale modellen draaien op een DGX Spark

Wat aannemelijk is op 128 GB unified memory voor vision-language-modellen en beeldbegrip, en waarom er nog geen specifieke VLM-benchmarks zijn gepubliceerd.

Modellen · 3 min. lezen

Driver- en firmware-updates van de DGX Spark: wat GPUwerk beheert

Wat op host- en nodeniveau van een gehuurde Spark actueel wordt gehouden, en wat binnen je eigen root-container staat en volledig je eigen verantwoordelijkheid blijft.

Installatie · 4 min. lezen

Opslag op de DGX Spark: wat blijft bewaard en waarvan je een back-up maakt

De 1 TB NVMe op een gehuurde Spark, precies wat een stop tegenover een beëindiging overleeft, en waarom je een eigen back-up nodig hebt: GPUwerk bewaart geen kopie van je workspace.

Installatie · 4 min. lezen

Monitoring en observability voor een self-hosted LLM

Wat je bijhoudt op een Spark die productieverkeer serveert, van GPU-geheugen tot latentie per request.

Beheer · 6 min. lezen

Back-up en disaster recovery voor je DGX Spark-workload

Waarvan je op een gehuurde Spark echt een back-up nodig hebt, en hoe je die na een storing terugzet.

Beheer · 6 min. lezen

Toegang voor teams en meerdere gebruikers tot een gedeelde DGX Spark

Een team gedeelde toegang tot één Spark geven zonder dat iedereen één API-sleutel deelt.

Beheer · 5 min. lezen

Rate limiting en quota voor een interne LLM-deployment

Voorkomen dat één team of één script de requests van alle anderen op een gedeeld endpoint verdringt.

Beheer · 5 min. lezen

Modellen bijwerken of wisselen zonder downtime

Een nieuw model of nieuwe modelversie op een Spark in productie nemen zonder storingsvenster.

Beheer · 6 min. lezen

Opschalen van één DGX Spark naar een vloot

Wanneer meer losse Sparks huren beter is dan een cluster van twee nodes, hoe je de belasting over onafhankelijke nodes verdeelt, en de operationele afwegingen van een kleine vloot.

Beheer · 7 min. lezen

Gekwantiseerde modellen vs modellen op volle precisie in productie

Hoe je kiest tussen een gekwantiseerd model en een model op volle precisie voor een self-hosted productiedeployment: past het in het geheugen, kwaliteitsrisico per taak, en wanneer je beide test.

Beheer · 6 min. lezen

Kostenprognose en budgettering voor AI-infrastructuur

Hoe je de maandelijkse uitgaven aan AI-infrastructuur inschat bij zelf hosten vs een API op basis van verbruik, met het tarief van $ 0,79/uur van GPUwerk als uitgewerkt voorbeeld en een checklist voor budgettering.

Koopanalyse · 7 min. lezen

Een gehuurde GPU-instance beveiligen

Praktische beveiliging binnen de instance voor een gehuurde GPU: beheer van SSH-sleutels, blootstelling aan het netwerk, diensten zonder root draaien, secrets, en tijdelijke vs blijvende status.

Beheer · 6 min. lezen

Een bestaande self-hosted AI-deployment migreren naar een DGX Spark

Een praktisch migratiepad van een workstation of een andere cloud-GPU naar een gehuurde DGX Spark: opnieuw kwantiseren voor unified memory, data verhuizen en een overstapplan.

Installatie · 7 min. lezen

GPU-geheugenbeheer voor meerdere modellen op één Spark

128 GB unified memory verdelen over meerdere modellen of containers op één DGX Spark, en wanneer de berekening zegt dat je beter naar een cluster van twee nodes kunt splitsen.

Beheer · 6 min. lezen

llama.cpp vs vLLM vs SGLang op een DGX Spark: flags en opstarten

Een praktische aanvulling bij het kiezen van een inference-engine: exacte flags, startcommando's en waar llama.cpp, vLLM en SGLang echt verschillen op het unified memory van de GB10.

Installatie · 6 min. lezen

Je disaster-recoveryplan testen voor een self-hosted LLM

Een back-upplan waaruit je nooit hebt hersteld, is een hypothese. Hersteloefeningen, game days en het meten van RTO/RPO voor een self-hosted LLM-deployment.

Beheer · 6 min. lezen

Best practices voor rotatie van API-sleutels bij een privé-LLM-deployment

API-sleutels en inloggegevens roteren voor een self-hosted inference-endpoint: scope, rotatieschema's, intrekken, en wat je automatiseert tegenover wat je met de hand doet.

Beheer · 6 min. lezen

Modelkwaliteit beoordelen voordat je van model wisselt

Holdout-testsets, A/B-benaderingen en regressiecontroles om een kandidaatmodel te benchmarken tegen je huidige model voordat je in productie overstapt.

Beheer · 6 min. lezen

Prompt caching om de kosten van inference te verlagen

Hoe hergebruik van prefix- en KV-cache herhaald rekenwerk vermindert bij een self-hosted deployment: wat in aanmerking komt voor een cache-hit, hoe je prompts daarvoor opbouwt, en waar de besparing echt zichtbaar wordt op een Spark die per uur wordt gehuurd.

Beheer · 6 min. lezen

Gestructureerde uitvoer en function calling op een self-hosted LLM

Gestructureerde uitvoer in JSON-modus en tool/function calling opzetten op self-hosted modellen met vLLM en llama.cpp, inclusief welke modellen het ondersteunen en hoe je misvormde aanroepen debugt.

Installatie · 5 min. lezen

Embeddings en vector search draaien op een DGX Spark

Een embeddingmodel zelf hosten naast een vectordatabase voor een RAG-pipeline op één Spark: geheugenbudget, het embeddingmodel serveren en een vectorstore kiezen.

Modellen · 5 min. lezen

Grote inference-jobs in batch verwerken op een gehuurde Spark

Grootschalige documentverwerking en het labelen van grote datasets uitvoeren op een DGX Spark die per uur wordt gehuurd: doorvoerinstellingen, jobs dimensioneren, en hoe de kosten van batch-inference zich verhouden tot interactief serveren.

Beheer · 5 min. lezen

GPU-benutting monitoren en je deployment op de juiste omvang brengen

Hoe je de werkelijke GPU- en geheugenbenutting op een gehuurde DGX Spark afleest en die gebruikt om te kiezen tussen blijven, opschalen naar een cluster van twee nodes of uitbreiden naar een vloot.

Beheer · 5 min. lezen

Audit logging voor een compliancegevoelige self-hosted LLM-deployment

Auditlogs voor requests en responses opzetten in je eigen container op een gehuurde DGX Spark: wat je vastlegt, waar je het opslaat en waar de verantwoordelijkheid van GPUwerk ophoudt.

Beheer · 6 min. lezen

Strategie voor modelversiebeheer en rollback bij een self-hosted deployment

Bijhouden welke modelgewichten en configuraties er echt draaien, en netjes terugdraaien als een nieuwe versie tegenvalt.

Beheer · 6 min. lezen

Koude start vs altijd aan: een uptimepatroon voor je instance kiezen

Een DGX Spark stoppen tussen gebruik door vs hem de klok rond laten draaien: afwegingen voor kosten, latentie en data.

Koopanalyse · 5 min. lezen

SSO en toegangsbeheer opzetten voor een LLM-deployment voor een team

Een authenticatielaag voor een self-hosted inference-endpoint zetten, zodat een team met bestaande identiteiten inlogt in plaats van SSH-sleutels of API-tokens te delen.

Installatie · 5 min. lezen

Meerdere containers en diensten draaien op een DGX Spark

Patronen voor Docker-containers op één DGX Spark: wanneer een eenvoudig docker-compose-bestand volstaat, en wanneer de workload daar te groot voor is geworden.

Installatie · 5 min. lezen

Alle handleidingen, gegroepeerd op kopen, modellen en engines, clusters en beheer: alle handleidingen voor de DGX Spark.

Vragen.

Wat is de NVIDIA DGX Spark?

De NVIDIA DGX Spark is een AI-computer voor op het bureau, gebouwd op de NVIDIA GB10 Grace Blackwell Superchip: een Blackwell-GPU en een 20-core Arm-CPU die 128 GB unified memory op 273 GB/s delen, met tot 1 PFLOP sparse FP4-rekenkracht. Hij draait DGX OS van NVIDIA, een op Ubuntu gebaseerd systeem met de CUDA-stack voorgeïnstalleerd, en verbruikt maximaal 240 W. Bestellingen openden op 15 oktober 2025 voor $ 3.999; de Amerikaanse adviesprijs van NVIDIA was $ 6.950 bij controle op 11 oktober 2026 (prijsgeschiedenis). ASUS, Dell, HP, Lenovo, MSI, Gigabyte en Acer verkopen machines met dezelfde GB10-chip onder hun eigen naam: alle GB10-machines vergeleken.

Krijg ik een hele DGX Spark voor mezelf?

Ja. Elke instance van GPUwerk is één dedicated node, geen stukje van een gedeelde GPU. De 128 GB unified memory, de volle 273 GB/s bandbreedte en de 1 PFLOPS sparse FP4-rekenkracht zijn van jou voor de duur van de huur, zonder dat er iets anders op de machine draait.

Hoe verschilt een DGX Spark van het huren van een cloud-GPU-instance?

Een gangbare cloud-GPU-instance geeft je 24 tot 80 GB VRAM op een datacenterkaart. Een DGX Spark geeft je 128 GB unified memory op één machine, genoeg voor modellen van de 70B-klasse zonder ze over GPU's te verdelen, en GPUwerk verhuurt hem met facturering per minuut, vanaf de eigen Sparks in Tsjechië en partner-Sparks in Europa, Noord-Amerika en Oost-Azië.

Wat is het addertje onder het gras bij 273 GB/s geheugenbandbreedte?

Het is het plafond voor de generatiesnelheid bij één stream: minder tokens per seconde dan een losse GPU met sneller VRAM, en daarom beginnen zowel de koopgids als de vergelijking met de RTX 5090 ermee. Het voordeel van de Spark is capaciteit en batchdoorvoer, niet de ruwe snelheid voor één gebruiker.

Kan ik een DGX Spark kopen in plaats van huren?

Ja. De winkel van GPUwerk biedt de NVIDIA DGX Spark zelf aan, met een prijs op basis van de voorraad van Tsjechische leveranciers wanneer een van hen hem kan leveren, en dezelfde GB10-machine van zeven andere fabrikanten, waaronder de Lenovo ThinkStation PGX vanaf € 5.330 excl. btw. GPUwerk verzendt hem naar je of, als je dat kiest, huisvest hem in zijn datacenter en verhuurt hem voor je. Je kunt ook kopen bij NVIDIA of zijn partners, of GPUwerk vragen naar een machine voor je eigen locatie. Door eerst per minuut te huren, weet je of de hardware bij je workload past voordat je zo'n € 4.000 of meer uitgeeft, en elke cloud-instance van GPUwerk draait op identieke GB10-hardware.

Alles over de DGX Spark op deze site.

Elke pagina op GPUwerk over de DGX Spark, gegroepeerd naar wat je wilt doen.

Stop met benchmarks lezen.
Draai je eigen.

Huur een dedicated Spark voor $ 0,79/uur, per minuut gefactureerd. Eerste opwaardering: betaal $ 20, krijg $ 30 tegoed, ongeveer 37 uur rekenkracht.

Account aanmaken