NVIDIA DGX Spark · GB10 Grace Blackwell

NVIDIA DGX Spark: wynajmij od 0,79 USD/h lub kup

NVIDIA DGX Spark to biurkowy komputer AI: jeden superchip GB10 Grace Blackwell ze 128 GB pamięci zunifikowanej przy 273 GB/s, z systemem DGX OS od NVIDIA. Możesz wynająć DGX Spark w GPUwerk za 0,79 USD za godzinę, rozliczane co minutę, albo go kupić. Ta strona wyjaśnia, czym jest, jakie wyniki osiąga na flocie GPUwerk i gdzie przegrywa.

Samuel Seidel · Zaktualizowano 24 października 2026. Więcej szczegółów: specyfikacja DGX Spark, cena DGX Spark, benchmarki DGX Spark i klaster DGX Spark z dwóch połączonych maszyn.

128GBPamięci zunifikowanej z przepustowością pamięci 273 GB/s
0,79 USDZa godzinę w GPUwerk, rozliczane co minutę, albo 1,79 USD za godzinę za dwuwęzłowy klaster 256 GB
1PFLOPMoc obliczeniowa AI w FP4 (sparse), z superchipu NVIDIA GB10 Grace Blackwell
200Gb/sSieć ConnectX-7 z dwoma portami QSFP. NVIDIA podaje, że dwie połączone maszyny obsłużą modele do 400B parametrów

GPUwerk wynajmuje dedykowane maszyny NVIDIA DGX Spark na minuty w Europie, Ameryce Północnej i Azji Wschodniej: własne maszyny w Czechach i Sparki należące do partnerów w innych krajach. Jeden Spark kosztuje 0,79 USD za godzinę, a dwuwęzłowy klaster 256 GB 1,79 USD za godzinę, ze środków przedpłaconych, bez subskrypcji. Pracujesz w terminalu w przeglądarce lub przez SSH jako root. Zakończ instancję, gdy nie będzie ci już potrzebna, a naliczanie opłat się skończy. Jak wynająć DGX Spark.

Amerykańska cena katalogowa NVIDIA to 6950 USD (sprawdzone 11 października 2026), w porównaniu z 3999 USD w dniu premiery: zobacz historię cen DGX Spark i oferty w UE. Kup NVIDIA DGX Spark w sklepie GPUwerk →

Specyfikacja

Sprzęt w jednej tabeli.

Na węzeł. Każda instancja GPUwerk to jedna cała maszyna, więc wszystkie te liczby są twoje. Każda wartość, wraz z jej znaczeniem dla LLM, jest na stronie specyfikacji DGX Spark.

NVIDIA DGX Spark
SuperchipGB10 Grace Blackwell
Wydajność AI1 PFLOPS FP4 (sparse)
Pamięć128 GB zunifikowanej LPDDR5x
Przepustowość pamięci273 GB/s
CPU20-rdzeniowy Arm (10× X925 + 10× A725)
Dysk1 TB NVMe na własnych Sparkach GPUwerk, współdzielone z systemem i pamięcią podręczną modeli; niektóre Sparki partnerów mają 2 lub 4 TB (NVIDIA sprzedaje 1 TB lub 4 TB)
SiećConnectX-7 · 200 Gb/s
Zasilaniemaks. 240 W
SystemDGX OS 7 · Ubuntu 24.04
CUDACały stack preinstalowany

Źródła odczytane 24 października 2026: strona produktu NVIDIA DGX Spark (CPU, pamięć, 273 GB/s, 1 PFLOP FP4 ze sparsity, zasilacz 240 W, do 200B parametrów na jednej maszynie i 400B na dwóch) oraz dokumentacja sprzętowa NVIDIA (NVMe 1 TB lub 4 TB, 256-bitowa pamięć przy 4266 MHz). Data premiery i cena: newsroom NVIDIA, 13 października 2025.

Przepustowość pamięci 273 GB/s to ograniczenie, które decyduje o prędkości generowania LLM w pojedynczym strumieniu. Mocną stroną Sparka jest pojemność: modele, które po prostu nie mieszczą się na konsumenckich GPU, plus moc FP4 do serwowania wsadowego i fine-tuningu, gdzie przepustowość skaluje się znacznie lepiej, niż sugerują wyniki dla pojedynczego strumienia.

Cena, wynajem i zakup

Wynajmij albo kup.

Wynajem na minuty pokaże ci, czy twój model się mieści i działa wystarczająco szybko, zanim wydasz tysiące na sprzęt. Wynajęty Spark daje terminal w przeglądarce lub SSH z uprawnieniami roota do twojego własnego kontenera, preinstalowany zestaw narzędzi CUDA 13.0 (a na niektórych maszynach także Dockera) oraz endpoint zgodny z OpenAI z obrazu z modelem: z czym pracujesz.

Zmierzone na flocie GPUwerk

Benchmarki floty.

Dwa modele przygotowane na każdym węźle floty, zmierzone za pomocą vllm bench serve na jednym z własnych węzłów GPUwerk, bez niczego innego na GPU. Surowe logi są poniżej, a więcej modeli znajdziesz na stronie benchmarki DGX Spark. Dane zewnętrzne dla innych modeli są zebrane i omówione w poradniku zakupowym.

Wyniki benchmarków floty na jednym węźle DGX Spark
ModelKwantyzacjaFrameworkPrefill tok/sGenerowanie tok/sMaks. kontekst
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

Jak to czytać.

Prefill to mediana czasu do pierwszego tokena przy prompcie o długości 8192 tokenów. Generowanie to jeden strumień, 128 na wejściu i 512 na wyjściu, bez niczego innego w toku. Maks. kontekst to prompt tej długości, który faktycznie został obsłużony, a nie wartość wyliczona z rozmiaru pamięci podręcznej KV. Prefill zwalnia wraz ze wzrostem promptu, bo koszt uwagi rośnie kwadratowo: model 30B osiąga 5705 tok/s przy 8k i 586 tok/s, wypełniając pełne 262 144.

Rozmiar wsadu całkowicie zmienia odpowiedź.

Jeden strumień to najgorszy przypadek na tym sprzęcie i na nim kończy się większość porównań. Przy wielu równoczesnych żądaniach model 30B osiąga łącznie 3235 tok/s przy 256 jednoczesnych żądaniach, a 70B osiąga 485 tok/s przy 128, a potem spada do 300 przy 256, przy czym mediana czasu do pierwszego tokena rośnie z 8 do 40 sekund. Model mixture-of-experts nasyca się za punktem przegięcia; gęsty za swoim się załamuje. Obie krzywe są w logach.

Zmierzone na bezczynnym węźle.

Każdy pomiar wykonano na węźle, który poza tym był bezczynny, bez żadnego innego modelu załadowanego na GPU. Każdy poniższy log zaczyna się od listy procesów GPU i wolnej pamięci w chwili rozpoczęcia pomiaru, więc możesz to sprawdzić, zamiast wierzyć na słowo.

Surowe logi z każdego pomiaru, nieedytowane poza zwinięciem odświeżeń pasków postępu: Qwen3-Coder 30B-A3B · Llama 3.3 70B. Aby przeprowadzić własny: doładuj za pierwszym razem 20 USD i otrzymaj 30 USD środków, co wystarczy na dzień ewaluacji na dedykowanym węźle.

Obciążenia

Co powinienem na nim uruchamiać?

Konkretne rady z doświadczenia w prowadzeniu floty tych maszyn.

Zespołowy asystent do kodowania

Qwen3-Coder 30B-A3B (AWQ, model, który testuje GPUwerk) zostawia miejsce na długie konteksty i kilku równoczesnych użytkowników. Serwuj go przez vLLM za endpointem zgodnym z OpenAI i skieruj na niego swoje edytory.

Prywatny czat + RAG

Model instruct klasy 70B w Q4 mieści się na jednym węźle z zapasem na model embeddingów i bazę wektorową na tej samej maszynie, czyli cały prywatny asystent na jednym komputerze. Zobacz konfigurację prywatnego ChatGPT →

Fine-tuning

Fine-tuning LoRA modeli klasy 70B mieści się w pamięci zunifikowanej bez żonglowania równoległością modelu. Wolniej na krok niż na GPU do centrów danych, ale działa tam, gdzie karty konsumenckie po prostu nie dają rady.

Wynajem do jednego zadania

Do czego ludzie wynajmują Sparka.

Trzy zadania, każde z poleceniami, zmierzonymi liczbami i ograniczeniami na jednej stronie.

Porównania

Jak wypada w porównaniu.

Porównania z werdyktem na początku, z maszynami, które kupujący naprawdę zestawiają. Każde mówi, gdzie wygrywa konkurent.

DGX Spark vs Mac Studio

Pamięć zunifikowana po obu stronach, ekosystem CUDA vs surowa przepustowość. Zaktualizowane o Mac Studio z M5 Ultra od Apple: Mac wygrywa w dekodowaniu, Spark w prefill i przenośności CUDA.

9 min czytania

DGX Spark vs RTX 5090

32 GB szybkiej pamięci VRAM vs 128 GB pojemności. Pod względem szybkości nie ma o czym mówić: całe pytanie sprowadza się do tego, czy twój model się zmieści.

6 min czytania

DGX Spark vs Strix Halo

Niemal identyczne generowanie tokenów, 2–3-krotna różnica w prefill i około 4000 USD mniej przy zakupie. Co wykazał praktyczny test The Register.

5 min czytania

Porównanie dostawców DGX Spark w chmurze

Wszystkie wynajmy Sparka na godziny z publiczną ofertą, z ceną, lokalizacją, dokładnością rozliczania i tym, co dzieje się z twoimi danymi po zatrzymaniu. Na podstawie własnych stron każdego dostawcy, łącznie z GPUwerk.

7 min czytania

DGX Spark vs H100 do inferencji LLM

Kiedy 128 GB i rozliczanie co minutę wygrywają z kartą do centrów danych, a kiedy przepustowość pamięci i wsadowa przepustowość sprawiają, że potrzebujesz H100.

8 min czytania

DGX Spark vs H200 do inferencji LLM

Największa różnica przepustowości na tej stronie: 273 GB/s wobec mniej więcej 4,8 TB/s. Gdzie ma znaczenie, a gdzie nie.

7 min czytania

DGX Spark vs Jetson AGX Thor: dwa różne zadania

Dlaczego te urządzenia tak naprawdę nie konkurują o tego samego kupującego, z porównaniem rynku docelowego, formy i stacku oprogramowania.

7 min czytania

DGX Spark vs RTX PRO 6000 Blackwell

128 GB pamięci zunifikowanej przy 273 GB/s wobec 96 GB GDDR7 przy około 1,8 TB/s: które modele mieszczą się na każdym z nich i jaką prędkość dekodowania pozwala osiągnąć przepustowość.

Porównanie

ASUS Ascent GX10 vs DGX Spark

Ten sam chip GB10 i 128 GB. Różnią się dysk, cena, rozmiar i firmware, każde ze źródłem.

Porównanie

Porównanie wszystkich maszyn GB10

DGX Spark, ASUS, Dell, HP, Lenovo, MSI, Gigabyte i Acer w jednym zestawieniu: jeden chip i różnice, które pozostają.

Porównanie

Wszystkie osiem w jednym zestawieniu, z pamięcią, przepustowością i tym, gdzie wygrywa każdy konkurent: porównanie alternatyw dla DGX Spark.

Poradniki

Poradniki i analizy.

Dla każdego, kto ocenia, kupuje lub konfiguruje DGX Spark, napisane z serwerowni, a nie z materiałów prasowych.

Konfiguracja DGX Spark: od rozpakowania do pierwszego tokena

Pierwsze uruchomienie DGX OS, SSH, sterowniki i serwowanie pierwszego modelu: poradnik, którego brakowało mi, gdy montowałem pierwsze urządzenie.

Konfiguracja · 4 min czytania

Co wiedzieć przed zakupem DGX Spark

Zasilanie, hałas, łączenie dwóch urządzeń w sieć, w czym naprawdę jest dobry oraz całkowity koszt posiadania w porównaniu z zestawem 5090 lub chmurą.

Analiza zakupu · 11 min czytania

Wynająć czy kupić DGX Spark

Godziny tygodniowo, cena zakupu i rachunek progu opłacalności, z kalkulatorem dla twoich własnych liczb.

Analiza zakupu · 8 min czytania

Serwowanie Qwen3 przez vLLM na Sparku

Ścieżka kopiuj-wklej do endpointu zgodnego z OpenAI na twoim własnym sprzęcie, łącznie z frontendem Open WebUI i systemd.

Konfiguracja · 6 min czytania

Najlepsze modele, do których nie wolno ci wysyłać danych

Które duże otwarte modele mieszczą się w 128 GB / 256 GB i jak daleko naprawdę są od czołówki.

Prywatna AI · 7 min czytania

Fine-tuning modelu na danych twojej firmy

LoRA na modelach klasy 70B mieści się w 128 GB pamięci zunifikowanej, a zbiór treningowy zostaje na lokalnym NVMe węzła.

Fine-tuning · 11 min czytania

Pracownik AI potrzebuje biura. Daj mu takie, które należy do ciebie.

OpenClaw, Hermes i dlaczego agent, który czyta twoją skrzynkę odbiorczą, powinien działać na sprzęcie, który kontrolujesz.

Agenci AI · 9 min czytania

Zautomatyzuj nudne 80%

Wsadowe przetwarzanie dokumentów na maszynie ze stałą stawką: krańcowy token jest darmowy, więc przepuść przez model wszystko.

Automatyzacja · 7 min czytania

Klaster dwuwęzłowy DGX Spark: konfiguracja i co naprawdę daje

Łączenie dwóch Sparków przez ConnectX-7 200 GbE, co mówi własna dokumentacja NVIDIA i uczciwa ocena tego, co parowanie daje, a czego nie.

Konfiguracja · 9 min czytania

Jak zarabiać na swoim DGX Sparku

Wynajmuj własnego Sparka przez GPUwerk Platform: udział 70%, co nic nie zarabia, przykład dla podanych godzin i twoje koszty.

Właściciele · 7 min czytania

Pobór mocy DGX Spark i koszty eksploatacji

Opublikowane dane o poborze mocy, co oznaczają przy gniazdku i jak obliczyć własny koszt prądu za godzinę.

Analiza zakupu · 6 min czytania

ComfyUI i Stable Diffusion na DGX Spark

Playbook ComfyUI od NVIDIA na ARM64, raportowane czasy generowania obrazów dla poszczególnych modeli i współdzielenie pamięci zunifikowanej z LLM.

Modele

Jak uruchomić nowo wydany model na DGX Spark

Dopasowanie do pamięci, obrazy arm64, NVFP4 czy GGUF, który silnik i kiedy model z tygodnia premiery potrzebuje dwóch Sparków.

Modele

Najlepsze modele z otwartymi wagami do uruchomienia na DGX Spark

Który model pasuje do czatu, programowania, pracy wsadowej i agentów, oraz zderzenie z rzeczywistością modeli gęstych, wyłącznie na podstawie zmierzonych tok/s.

Modele · 8 min czytania

Całkowity koszt posiadania: wynajem GPU vs chmurowe API AI

Chmurowe API rozliczane za tokeny, wynajęte dedykowane GPU i zakup własnego sprzętu, zestawione w jednym porównaniu, z danymi już opublikowanymi na tej stronie.

Analiza zakupu · 9 min czytania

Jak GPUwerk testuje DGX Spark

Co jest mierzone, pojedynczy strumień vs współbieżność, jakie silniki i ustawienia oraz dlaczego publikowane są surowe logi, a nie tylko tabela podsumowania.

Benchmarki · 4 min czytania

Hałas i chłodzenie DGX Spark: czego się spodziewać

Co udokumentowano na temat hałasu wentylatorów i chłodzenia na biurku lub w domowym biurze, czego nie zmierzono niezależnie i gdzie to sprawdzić przed zakupem.

Analiza zakupu · 4 min czytania

Modele wizyjne i multimodalne na DGX Spark

Co jest realne na 128 GB pamięci zunifikowanej dla modeli wizyjno-językowych i rozumienia obrazów oraz dlaczego dedykowane benchmarki VLM nie zostały jeszcze opublikowane.

Modele · 3 min czytania

Aktualizacje sterowników i firmware'u DGX Spark: czym zarządza GPUwerk

Co jest aktualizowane na poziomie hosta i węzła na wynajętym Sparku, a co jest wewnątrz twojego własnego kontenera z uprawnieniami roota i pozostaje całkowicie twoją odpowiedzialnością.

Konfiguracja · 4 min czytania

Pamięć masowa DGX Spark: co jest trwałe i co archiwizować

1 TB NVMe na wynajętym Sparku, co dokładnie przetrwa zatrzymanie, a co zakończenie, i dlaczego potrzebujesz własnej kopii zapasowej: GPUwerk nie przechowuje kopii twojego obszaru roboczego.

Konfiguracja · 4 min czytania

Monitoring i obserwowalność samodzielnie hostowanego LLM

Co śledzić na Sparku obsługującym ruch produkcyjny, od pamięci GPU po opóźnienie każdego żądania.

Eksploatacja · 6 min czytania

Kopie zapasowe i odtwarzanie po awarii dla obciążenia na DGX Spark

Co naprawdę wymaga kopii zapasowej na wynajętym Sparku i jak to przywrócić po awarii.

Eksploatacja · 6 min czytania

Dostęp zespołowy i wieloużytkownikowy do wspólnego DGX Spark

Wspólny dostęp zespołu do jednego Sparka bez dzielenia przez wszystkich jednego klucza API.

Eksploatacja · 5 min czytania

Limity żądań i kwoty dla wewnętrznego wdrożenia LLM

Pilnowanie, aby jeden zespół lub jeden skrypt nie zagłodził żądań wszystkich innych na wspólnym endpoincie.

Eksploatacja · 5 min czytania

Aktualizacja lub wymiana modeli bez przestoju

Wprowadzanie nowego modelu lub nowej wersji modelu do produkcji na Sparku bez okna przestoju.

Eksploatacja · 6 min czytania

Od jednego DGX Sparka do floty

Kiedy wynajem większej liczby pojedynczych Sparków wygrywa z klastrem dwuwęzłowym, jak rozkładać obciążenie między niezależne węzły i jakie są kompromisy operacyjne prowadzenia małej floty.

Eksploatacja · 7 min czytania

Modele skwantyzowane vs modele w pełnej precyzji w produkcji

Jak wybrać między modelem skwantyzowanym a modelem w pełnej precyzji we wdrożeniu produkcyjnym hostowanym samodzielnie: dopasowanie do pamięci, ryzyko jakości według zadania i kiedy przetestować oba.

Eksploatacja · 6 min czytania

Prognozowanie kosztów i budżetowanie infrastruktury AI

Jak oszacować miesięczne wydatki na infrastrukturę AI przy samodzielnym hostingu w porównaniu z API rozliczanym za użycie, ze stawką GPUwerk 0,79 USD/godz. jako przykładem i listą kontrolną budżetu.

Analiza zakupu · 7 min czytania

Zabezpieczanie wynajętej instancji GPU

Praktyczne zabezpieczanie wnętrza instancji na wynajętym GPU: zarządzanie kluczami SSH, ekspozycja sieciowa, uruchamianie usług bez roota, sekrety oraz stan tymczasowy vs trwały.

Eksploatacja · 6 min czytania

Migracja istniejącego, samodzielnie hostowanego wdrożenia AI na DGX Spark

Praktyczna ścieżka migracji ze stacji roboczej lub innego chmurowego GPU na wynajęty DGX Spark: ponowna kwantyzacja pod pamięć zunifikowaną, przenoszenie danych i plan przełączenia.

Konfiguracja · 7 min czytania

Zarządzanie pamięcią GPU dla wielu modeli na jednym Sparku

Planowanie 128 GB pamięci zunifikowanej dla kilku modeli lub kontenerów na jednym DGX Spark i kiedy rachunek każe zamiast tego przejść na klaster dwuwęzłowy.

Eksploatacja · 6 min czytania

llama.cpp vs vLLM vs SGLang na DGX Spark: flagi i uruchamianie

Praktyczny dodatek do wyboru silnika inferencji: dokładne flagi, polecenia startowe i realne różnice między llama.cpp, vLLM i SGLang w pamięci zunifikowanej GB10.

Konfiguracja · 6 min czytania

Testowanie planu odtwarzania po awarii dla samodzielnie hostowanego LLM

Plan kopii zapasowych bez próbnego odtworzenia to tylko hipoteza. Ćwiczenia przywracania, game days i pomiar RTO/RPO dla samodzielnie hostowanego wdrożenia LLM.

Eksploatacja · 6 min czytania

Dobre praktyki rotacji kluczy API w prywatnym wdrożeniu LLM

Rotacja kluczy API i poświadczeń dla samodzielnie hostowanego endpointu inferencji: zakresy, harmonogramy rotacji, unieważnianie i co automatyzować, a co robić ręcznie.

Eksploatacja · 6 min czytania

Ocena jakości modelu przed zmianą modeli

Wydzielone zbiory testowe, podejścia A/B i testy regresji do porównania modelu kandydującego z obecnym przed zmianą w produkcji.

Eksploatacja · 6 min czytania

Cache promptów, aby obniżyć koszt inferencji

Jak ponowne użycie prefiksu i pamięci podręcznej KV ogranicza powtarzane obliczenia we wdrożeniu hostowanym samodzielnie: co kwalifikuje się do trafienia w cache, jak pod to układać prompty i gdzie oszczędności faktycznie widać na Sparku wynajmowanym na godziny.

Eksploatacja · 6 min czytania

Ustrukturyzowane wyjście i wywoływanie funkcji w samodzielnie hostowanym LLM

Konfiguracja ustrukturyzowanego wyjścia w trybie JSON oraz wywoływania narzędzi/funkcji w samodzielnie hostowanych modelach z vLLM i llama.cpp, w tym które modele to obsługują i jak debugować błędne wywołania.

Konfiguracja · 5 min czytania

Embeddingi i wyszukiwanie wektorowe na DGX Spark

Samodzielne hostowanie modelu embeddingów obok bazy wektorowej dla potoku RAG na jednym Sparku: planowanie pamięci, serwowanie modelu embeddingów i wybór bazy wektorowej.

Modele · 5 min czytania

Wsadowe przetwarzanie dużych zadań inferencji na wynajętym Sparku

Masowe przetwarzanie dokumentów i etykietowanie dużych zbiorów danych na DGX Spark wynajmowanym na godziny: ustawienia przepustowości, dobór wielkości zadań i porównanie kosztu inferencji wsadowej z serwowaniem interaktywnym.

Eksploatacja · 5 min czytania

Monitorowanie wykorzystania GPU i dobór rozmiaru wdrożenia

Jak odczytywać rzeczywiste wykorzystanie GPU i pamięci na wynajętym DGX Spark i na tej podstawie decydować, czy zostać przy obecnym rozwiązaniu, przejść na klaster dwuwęzłowy, czy rozbudować się do floty.

Eksploatacja · 5 min czytania

Logi audytowe dla samodzielnie hostowanego wdrożenia LLM objętego wymogami zgodności

Konfiguracja logów audytowych żądań i odpowiedzi we własnym kontenerze na wynajętym DGX Spark: co rejestrować, gdzie to przechowywać i gdzie kończy się odpowiedzialność GPUwerk.

Eksploatacja · 6 min czytania

Strategia wersjonowania modeli i wycofywania zmian dla wdrożenia hostowanego samodzielnie

Śledzenie, które wagi i konfiguracje modeli faktycznie działają, oraz czyste wycofywanie zmian, gdy nowa wersja wypada gorzej.

Eksploatacja · 6 min czytania

Zimny start vs praca bez przerwy: wybór wzorca czasu działania instancji

Zatrzymywanie DGX Spark między użyciami vs praca przez całą dobę: kompromisy dotyczące kosztu, opóźnień i danych.

Analiza zakupu · 5 min czytania

Konfiguracja SSO i kontroli dostępu dla zespołowego wdrożenia LLM

Dodanie warstwy uwierzytelniania przed samodzielnie hostowanym endpointem inferencji, aby zespół logował się istniejącymi tożsamościami zamiast dzielić klucze SSH lub tokeny API.

Konfiguracja · 5 min czytania

Wiele kontenerów i usług na DGX Spark

Wzorce kontenerów Docker na pojedynczym DGX Spark: kiedy wystarczy zwykły plik docker-compose, a kiedy obciążenie już z niego wyrosło.

Konfiguracja · 5 min czytania

Wszystkie poradniki pogrupowane według zakupu, modeli i silników, klastrów oraz eksploatacji: wszystkie poradniki DGX Spark.

Pytania.

Czym jest NVIDIA DGX Spark?

NVIDIA DGX Spark to biurkowy komputer AI zbudowany na superchipie NVIDIA GB10 Grace Blackwell: GPU Blackwell i 20-rdzeniowy procesor Arm współdzielą 128 GB pamięci zunifikowanej przy 273 GB/s, z mocą obliczeniową do 1 PFLOP w FP4 (sparse). Działa na DGX OS od NVIDIA, systemie opartym na Ubuntu z preinstalowanym stackiem CUDA, i pobiera najwyżej 240 W. Zamówienia otwarto 15 października 2025 w cenie 3999 USD; amerykańska cena katalogowa NVIDIA wynosiła 6950 USD przy sprawdzeniu 11 października 2026 (historia cen). ASUS, Dell, HP, Lenovo, MSI, Gigabyte i Acer sprzedają maszyny z tym samym chipem GB10 pod własnymi markami: porównanie wszystkich maszyn GB10.

Czy dostaję cały DGX Spark tylko dla siebie?

Tak. Każda instancja GPUwerk to jeden dedykowany węzeł, a nie fragment współdzielonego GPU. 128 GB pamięci zunifikowanej, pełne 273 GB/s przepustowości i 1 PFLOPS mocy FP4 (sparse) należą do ciebie przez cały czas wynajmu, bez niczego innego działającego na maszynie.

Czym DGX Spark różni się od wynajmu instancji GPU w chmurze?

Typowa instancja GPU w chmurze daje 24–80 GB VRAM na karcie do centrów danych. DGX Spark daje 128 GB pamięci zunifikowanej na jednej maszynie, czyli tyle, ile trzeba dla modeli klasy 70B bez dzielenia ich między GPU, a GPUwerk wynajmuje go z rozliczaniem co minutę na własnych Sparkach w Czechach i na Sparkach partnerów w Europie, Ameryce Północnej i Azji Wschodniej.

Jaki jest haczyk z przepustowością pamięci 273 GB/s?

To pułap prędkości generowania w pojedynczym strumieniu: mniej tokenów na sekundę niż na osobnym GPU z szybszą pamięcią VRAM, dlatego zarówno poradnik zakupowy, jak i porównanie z RTX 5090 zaczynają od tego. Przewagą Sparka jest pojemność i przepustowość wsadowa, a nie surowa szybkość dla jednego użytkownika.

Czy mogę kupić DGX Spark zamiast go wynajmować?

Tak. Sklep GPUwerk oferuje sam NVIDIA DGX Spark, wyceniany na podstawie stanów czeskich dostawców, gdy któryś może go dostarczyć, oraz tę samą maszynę GB10 od siedmiu innych producentów, w tym Lenovo ThinkStation PGX od 5330 EUR bez VAT. GPUwerk wysyła ją do ciebie albo, jeśli wolisz, przechowuje w swoim centrum danych i wynajmuje w twoim imieniu. Możesz też kupić od NVIDIA lub jej partnerów albo zapytać GPUwerk o maszynę do własnej lokalizacji. Wynajem na minuty pozwala najpierw sprawdzić, czy sprzęt pasuje do twojego obciążenia, zanim wydasz około 4000 EUR lub więcej, a każda instancja w chmurze GPUwerk działa na identycznym sprzęcie GB10.

Wszystko o DGX Spark na tej stronie.

Wszystkie strony GPUwerk o DGX Spark, pogrupowane według tego, co chcesz zrobić.

Przestań czytać benchmarki.
Uruchom własne.

Wynajmij dedykowanego Sparka za 0,79 USD/h, rozliczanego co minutę. Pierwsze doładowanie: zapłać 20 USD, otrzymasz 30 USD środków, czyli około 37 godzin mocy obliczeniowej.

Załóż konto