Testuj i portuj swoje oprogramowanie na prawdziwym GB10: aarch64, CUDA, sm_121
Zgłoszenie mówi, że twoja biblioteka nie działa na DGX Spark, a ty go nie masz. Albo twoje koła budują się na x86 i nikt nie próbował ich na procesorze Arm z GPU Blackwell. Wynajmij całego Sparka na tyle minut, ile potrzeba, by to sprawdzić: powłoka roota na NVIDIA GB10 (aarch64, CUDA compute capability 12.1) z zainstalowanym zestawem narzędzi CUDA 13.0. Przy 0,79 USD za godzinę, rozliczane co minutę, 20-minutowy test kosztuje około 0,26 USD.
Pierwsze doładowanie: zapłać 20 USD, otrzymasz 30 USD środków. Rozliczane co minutę ze środków przedpłaconych. Zakończ instancję, gdy nie będzie ci już potrzebna, a naliczanie opłat się skończy. Większość osób, które wynajmują u mnie Sparka, uruchamia czysty obraz DGX OS i przynosi własny stack, i o tym jest ta strona.
Co dostajesz
| CPU | 20-rdzeniowy Arm (10 Cortex-X925 i 10 Cortex-A725), uname -m zwraca aarch64 |
|---|---|
| GPU | NVIDIA GB10, generacja Blackwell, compute capability 12.1 (sm_121) |
| Pamięć | 128 GB zunifikowanej LPDDR5x współdzielonej przez CPU i GPU, 273 GB/s |
| Obrazy | DGX OS 7: Ubuntu 24.04 z zestawem narzędzi CUDA 13.0 (nvcc), NCCL i NVIDIA DCGM. Ubuntu 24.04: to samo bez DCGM. Oba mają git, tmux, vim, curl i Python 3 z pip i venv. |
| Dostęp | Terminal roota w przeglądarce bez klucza SSH albo SSH jako root na porcie 22 z własnym kluczem. Każda instancja ma własny publiczny adres IPv4 i nazwę hosta <name>.gpuwerk.com. |
| Jak działa | Kontener z bezpośrednio przekazanym GPU: na wielu Sparkach kontener systemowy z systemd i Dockerem, na pozostałych zwykły kontener bez nich. Wewnątrz masz uprawnienia roota; sterownik NVIDIA pochodzi z hosta. |
| Dysk | 1 TB NVMe, współdzielone z hostem. /workspace przetrwa restarty i przebudowy, a usuwane jest po zakończeniu instancji. |
Obraz nazwany w konsoli DGX OS 7 to mój build: Ubuntu 24.04 plus powyższe pakiety, w kontenerze. To nie jest obraz instalacyjny DGX OS od NVIDIA i /etc/dgx-release to wskazuje. Co działa w kontenerze, a co nie, opisują uwagi o środowisku najemcy.
Pierwszy test w pięć minut
Wdróż DGX Spark 1× z obrazem DGX OS, poczekaj na stan running i kliknij Otwórz terminal w przeglądarce na stronie instancji. Potem sprawdź, na czym pracujesz:
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))"
Ostatnia linia wypisuje GB10 i (12, 1). Niektóre buildy PyTorch wyświetlają ostrzeżenie, że sm_121 nie jest zgodny; zwykle jest ono błędne, a poradnik PyTorch na DGX Spark wyjaśnia dlaczego i które koło wybrać.
Zbuduj i przetestuj swój projekt
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
Trzy rzeczy zaskakują ludzi na tym chipie:
- Podaj architekturę. Własny kod CUDA kompiluj z
-gencode=arch=compute_121a,code=sm_121aalbo z-DCMAKE_CUDA_ARCHITECTURES=121a-realw CMake. Skrót-arch=sm_121amoże zgubić „a”, a wraz z nim instrukcje FP4, jak ustalono w wątku na forum NVIDIA (szczegóły w poradniku o TFLOPS). Build dla innej architektury może się czysto skompilować, a potem źle działać. - Licz się z kompilacją ze źródeł. Wiele pakietów dla aarch64 i sm_121 nie ma gotowego koła, więc pip je kompiluje. Ogranicz liczbę równoległych zadań (
MAX_JOBS=4), żeby duży build nie wyczerpał 128 GB pamięci. - Nie wszystkie kernele dla innych układów Blackwell się przenoszą. sm_121 uruchamia kod zbudowany dla sm_120, ale kernele napisane dla Blackwella do centrów danych (sm_100) już nie, a niektóre ścieżki FP4 działały bez błędów i dawały złe wyniki. Sprawdzaj wyniki, a nie tylko to, czy kod się uruchomił.
Aby zabrać artefakty buildu ze sobą, skopiuj je własnym kluczem SSH, a potem zakończ instancję:
# on your laptop scp 'root@<name>.gpuwerk.com:/workspace/your-project/dist/*.whl' .
Uruchomienia skryptowe z własnego CI
Nie ma gotowej integracji z CI. Jest za to API, które wdraża i kończy instancje z rozliczaniem co minutę, więc zadanie na twoim własnym runnerze może pożyczyć Sparka, uruchomić testy przez SSH i go oddać. Użyj klucza API z zakresem 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
Wdrożenie wymaga środków na co najmniej godzinę (w przeciwnym razie 402) i zwraca 409, gdy żadna maszyna nie jest wolna, więc twoje zadanie musi to obsłużyć. Wdrożenia przez API trafiają na maszynę w EOG, chyba że ustawisz location_country lub partner_region. Wszystkie pola są w dokumentacji API.
Ile kosztuje test
| Sesja | Koszt przy 0,79 USD/h |
|---|---|
| Odtworzenie jednego zgłoszenia błędu, 20 minut | około 0,26 USD |
| Zbudowanie i przetestowanie wydania, 1 godzina | 0,79 $ |
| Dzień portowania, 8 godzin | 6,32 $ |
Rozliczanie odbywa się co minutę ze środków przedpłaconych i zaczyna się, gdy instancja przejdzie test gotowości. Do wdrożenia konto potrzebuje środków na godzinę. Pierwsze doładowanie: zapłać 20 USD, otrzymasz 30 USD środków, czyli około 37 godzin na jednym Sparku. Zatrzymana instancja zachowuje obszar roboczy i jest rozliczana według 75% stawki godzinowej; zakończ ją, gdy nie będzie ci już potrzebna, a naliczanie opłat się skończy, co usuwa obszar roboczy. Ceny nie zawierają VAT, jeśli ma on zastosowanie.
Czego wynajęty GB10 ci nie powie
- To kontener, a nie bare metal. Nie możesz ładować modułów jądra ani zmieniać sterownika, a wersja sterownika jest taka, jaką ma host. Regresje sterownika są tu poza twoim zasięgiem.
- Docker zależy od maszyny. Wiele Sparków uruchamia twoją instancję jako kontener systemowy z własnym demonem Dockera, więc
docker buildidocker rundziałają; inne uruchamiają zwykły kontener bez niego i nie możesz wybrać którego. Zobacz stronę o środowisku najemcy. - Jeden chip. Działanie na GB10 nic nie mówi o Grace Hopper (sm_90), Blackwellu do centrów danych (sm_100) ani Jetsonie. Maszyny GB10 innych producentów mają ten sam chip, ale mogą różnić się firmware'em.
- systemd zależy od maszyny. Wiele Sparków uruchamia systemd w twojej instancji; pozostałe uruchamiają zwykły kontener bez niego i bez
NET_ADMIN, gdzie usługi uruchamiasz z powłoki, tmux lub hooka startowego. W żadnym przypadku nie ma urządzenia TUN, więc klienty VPN działające w jądrze nie działają. - Bez SLA i bez kopii zapasowych. Zanim zakończysz instancję, skopiuj z maszyny wszystko, czego potrzebujesz.
Gdzie są Sparki
To działa w każdej lokalizacji, bo Sparki partnerów oferują te same obrazy DGX OS i Ubuntu. Moje własne Sparki stoją w centrum danych w Hradec Králové w Czechach. Sparki partnerów należą do partnerów i są przez nich hostowane w ich własnych lokalizacjach w USA, Szwecji, Holandii, na Słowacji i w Hongkongu, a partner ma fizyczny dostęp do swojej maszyny. Konsola pokazuje kraj i to, czy jest w EOG, zanim wdrożysz.
Kto to prowadzi
GPUwerk to nowa platforma, a ja jestem osobą, która za nią stoi: Samuel Seidel, założyciel, działający jako PRINT IT! SE z siedzibą w Pradze. Od września 2026 94 deweloperów uruchomiło na niej 374 instancje (stan na 9 listopada 2026). Dostępność i incydenty są na status.gpuwerk.com. Jeśli nie masz pewności, czy twój stack zadziała, napisz do mnie przez stronę kontaktową, zanim zapłacisz; odpowiadam osobiście.
FAQ
Jaka wersja CUDA jest na maszynie?
Oba obrazy, DGX OS 7 i Ubuntu 24.04, zawierają zestaw narzędzi CUDA 13.0 z nvcc i NCCL. Sterownik NVIDIA pochodzi z hosta i nie można go zmienić z wnętrza instancji.
Czy obraz DGX OS to DGX OS od NVIDIA?
Nie. To mój build w kontenerze: Ubuntu 24.04 z zestawem narzędzi CUDA 13.0, NCCL i NVIDIA DCGM. /etc/dgx-release identyfikuje go jako obraz GPUwerk.
Czy mogę na nim budować obrazy Dockera?
Na niektórych maszynach tak: wiele wynajmowanych Sparków uruchamia twoją instancję jako kontener systemowy z własnym demonem Dockera, więc docker build i docker run --gpus all działają natywnie na arm64. Inne uruchamiają zwykły kontener bez Dockera. Nie możesz wybrać którego; docker info pokaże, który masz.
Ile kosztuje krótki test?
Około 0,26 USD za 20 minut przy 0,79 USD za godzinę, rozliczane co minutę ze środków przedpłaconych. Do wdrożenia konto potrzebuje środków na godzinę. Zakończ instancję, gdy nie będzie ci już potrzebna, a naliczanie opłat się skończy; obszar roboczy zostaje wtedy usunięty.