DGX Spark/Poradniki
Poradniki

Poradniki DGX Spark

Samuel Seidel · Zaktualizowano 7 listopada 2026

Sześćdziesiąt pięć poradników o zakupie, uruchamianiu i eksploatacji DGX Spark od GPUwerk, który je wynajmuje. Są pogrupowane w pięć sekcji: zakup i uruchamianie Sparka, modele i silniki inferencji, wydajność i benchmarki, klastry i skalowanie oraz eksploatacja. Każda karta pokazuje własne streszczenie poradnika.

Zakup i eksploatacja Sparka

Przed zakupem, a potem zasilanie, hałas, konfiguracja, aktualizacje, pamięć masowa i koszty eksploatacji.

Co wiedzieć przed zakupem DGX Spark

Uczciwy poradnik zakupu DGX Spark od firmy, która je wynajmuje: prawdziwe benchmarki, limit przepustowości 273 GB/s, ceny rynkowe w UE oraz zakup czy wynajem.

Pobór mocy DGX Spark i koszty eksploatacji

Zmierzony pobór mocy DGX Spark: 22–45 W w spoczynku, 60–90 W podczas inferencji LLM, około 160–200 W przy pełnym obciążeniu, przy zasilaczu 240 W. Miesięczny koszt przy cenach prądu w UE.

Hałas DGX Spark: 29 dB przy pełnym obciążeniu, 13 dB w spoczynku

NVIDIA deklaruje dla DGX Spark 35 dB LWA i 29 dB LpA przy maksymalnym obciążeniu oraz 19 i 13 dB w spoczynku (ECMA-109). Odczyty recenzentów, chłodzenie i ustawienie.

Poradnik konfiguracji DGX Spark: od pierwszego uruchomienia do serwowanego modelu w jeden wieczór

Szybki start z DGX Spark od kogoś, kto codziennie montuje je w szafach: pierwsze uruchomienie DGX OS, SSH tylko z kluczem, wybór stacku do serwowania i udostępnienie pierwszego modelu twoim narzędziom w jeden wieczór.

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

Co GPUwerk aktualizuje na poziomie hosta i węzła na wynajętym DGX Spark, a co jest wewnątrz twojego własnego kontenera z uprawnieniami roota i pozostaje całkowicie twoją odpowiedzialnością.

Pamięć masowa DGX Spark: co jest trwałe i co archiwizować

1 TB NVMe na wynajętym DGX Spark, co dokładnie przetrwa zatrzymanie, a co zakończenie, i dlaczego własna kopia zapasowa jest ważna, skoro GPUwerk żadnej nie przechowuje.

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 oraz jak zdecydować, który wzorzec pasuje do faktycznego użycia.

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.

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.

Całkowity koszt posiadania: wynajem GPU vs chmurowe API AI

Chmurowe API AI rozliczane za tokeny, wynajęty dedykowany DGX Spark za 0,79 USD/godz. i zakup własnego sprzętu, porównane wyłącznie na podstawie danych opublikowanych na tej stronie.

DGX Spark 64GB vs 128GB: szybkość, cena, co się mieści

DGX Spark 64GB vs 128GB, listopad 2026: ten sam GB10 i 273 GB/s, 4999 USD vs 6950 USD, około 54 GiB do wykorzystania. Tabela dopasowania 8 modeli z kontekstem i kto go sprzedaje.

Konfiguracja DGX Spark bez monitora

Konfiguracja DGX Spark bez monitora: procedura z hotspotem Wi-Fi, znajdowanie spark-xxxx.local, Wi-Fi Assistant z października 2026, rezerwa 512 MB na wyświetlacz i cloud-init dla wielu urządzeń.

Dysk DGX Spark: 1 TB vs 4 TB i gdzie trzymać modele

Dysk DGX Spark 1 TB vs 4 TB: ile z 14 aktualnych modeli się zmieści (gpt-oss-120b ma 65,3 GB), jedna wspólna pamięć podręczna Hugging Face, szybkość hf_xet, opcje USB-C i NFS.

DGX Spark: poradnik odzyskiwania i ponownej instalacji DGX OS

Odzyskiwanie DGX Spark: naprawa nieudanej aktualizacji bez wymazywania, kopia zapasowa z live USB, ponowna instalacja z obrazu odzyskiwania 1.155.49 (5,9 GB), obrazy OEM i kiedy zgłosić RMA.

Aktualizacje oprogramowania DGX Spark: historia wydań do października 2026

Aktualizacje oprogramowania DGX Spark od premiery do wydania z października 2026: DGX OS 7.6.0, Linux 7.0, sterownik 580.178.04, znane problemy i jak bezpiecznie aktualizować.

DGX Spark: poradnik NVIDIA Sync i dostępu zdalnego

Dostęp zdalny do DGX Spark z NVIDIA Sync 0.148.0-153: co instaluje, DGX Dashboard na porcie 11000, Tailscale, zwykła konfiguracja SSH i bezpieczne udostępnianie API.

Modele i silniki inferencji

Które modele uruchamiać, jakim silnikiem je serwować i jak zmierzyć wynik.

Najlepsze modele na DGX Spark, wydanie z października 2026

Najlepsze modele na DGX Spark, październik 2026: Qwen3.6-35B-A3B NVFP4 z raportowanymi 86,3 tok/s na jednym Sparku, DeepSeek-V4-Flash z około 44 tok/s na dwóch. Tabele z werdyktami i źródłami.

llama.cpp vs vLLM vs SGLang na DGX Spark: tok/s i flagi

vLLM 60,7 vs Ollama 42,1 tok/s dla gpt-oss-120b na jednym DGX Spark oraz 116–153 vs 42,5 przy 8 użytkownikach. Który silnik dla jednego użytkownika, zespołu lub dwóch Sparków, plus dokładne flagi.

Jak uruchomić nowo wydany model na DGX Spark (GB10)

Uruchom nowy model z otwartymi wagami na DGX Spark w tygodniu premiery: dopasowanie do pamięci, obrazy arm64, NVFP4 czy GGUF, vLLM, SGLang czy llama.cpp i kiedy potrzebne są dwa Sparki.

Serwowanie Qwen3 przez vLLM na DGX Spark

Zainstaluj vLLM, serwuj Qwen3-32B-AWQ przez API zgodne z OpenAI, podłącz Open WebUI i utrzymuj całość przy życiu za pomocą systemd: poradnik kopiuj-wklej dla DGX Spark.

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.

Fine-tuning modelu na danych twojej firmy, bez wyprowadzania danych poza firmę

Fine-tuning otwartego LLM na danych firmy bez wyprowadzania ich na zewnątrz: tabele pamięci dla LoRA i QLoRA, przykład z modelem 32B oraz fine-tuning vs RAG.

Embeddingi i wyszukiwanie wektorowe na DGX Spark

Uruchom model embeddingów i bazę wektorową obok modelu generującego na jednym DGX Spark: planowanie pamięci, serwowanie embeddingów i wybór bazy wektorowej.

Modele wizyjne i multimodalne na DGX Spark

Co jest realne na 128 GB pamięci zunifikowanej DGX Spark dla modeli wizyjno-językowych i rozumienia obrazów oraz dlaczego GPUwerk nie opublikował jeszcze dedykowanych benchmarków VLM.

ComfyUI i Stable Diffusion na DGX Spark

Uruchom ComfyUI, FLUX i SDXL na DGX Spark: konfiguracja na ARM64, raportowane czasy generowania obrazów dla poszczególnych modeli, rywalizacja o pamięć zunifikowaną z LLM i zastrzeżenia termiczne.

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.

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.

Wsadowe przetwarzanie dużych zadań inferencji na wynajętym Sparku

Prowadź masowe przetwarzanie dokumentów i etykietowanie zbiorów danych na wynajętym DGX Spark: ustawienia przepustowości vLLM, dobór wielkości zadań do stawki godzinowej i checkpointy.

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.

Jak GPUwerk testuje DGX Spark

Co GPUwerk mierzy na DGX Spark: pojedynczy strumień vs współbieżność, jakie silniki i ustawienia oraz dlaczego publikowane są surowe logi, a nie tylko podsumowanie.

DGX Spark i długi kontekst: tok/s od 4k do 100k, listopad 2026

Wydajność DGX Spark przy długim kontekście, listopad 2026: dekodowanie przy 4k, 50k i 100k dla sześciu modeli, około 76 s na prefill 100k tokenów i rozmiary pamięci podręcznej KV przy 128k.

DGX Spark: Docker i kontenery NGC: arm64, GPU, compose

Poradnik Docker na DGX Spark, listopad 2026: preinstalowane Docker 29.6.2 i Container Toolkit 1.20, które obrazy NGC mają wersje arm64 oraz plik compose dla vLLM.

LM Studio na DGX Spark: Linux ARM64, llmster, szybkość (2026)

LM Studio na DGX Spark, listopad 2026: build dla Linux ARM64 z silnikiem llama.cpp z CUDA 13 od października 2025, konfiguracja llmster bez interfejsu i szybkość w porównaniu z llama.cpp.

NVIDIA AI Workbench i JupyterLab na DGX Spark

NVIDIA AI Workbench na DGX Spark, listopad 2026: wydanie 2026.06.5, obrazy bazowe arm64 z CUDA 13.1, JupyterLab z DGX Dashboard i zwykły JupyterLab 4.6.6.

NIM na DGX Spark: które NIM działają na GB10, licencja, konfiguracja

NVIDIA NIM na DGX Spark, listopad 2026: około 20 NIM deklaruje obsługę GB10, bezpłatnie do developmentu na maksymalnie 16 GPU, a produkcja wymaga licencji AI Enterprise.

Ollama na DGX Spark: konfiguracja, ustawienia i tok/s

Ollama na DGX Spark, listopad 2026: instalacja arm64, sześć ustawień, które mają znaczenie, 42 tok/s na gpt-oss-120b wobec 59 w llama.cpp i bezpieczne udostępnianie API.

PyTorch na DGX Spark: koła aarch64 z CUDA 13

PyTorch na DGX Spark, listopad 2026: koła aarch64 torch 2.15.0 cu132 lub 2.14.1 cu130, fałszywe ostrzeżenie o sm_121, NGC 26.10, stan flash-attn i xformers.

SGLang na DGX Spark: instalacja, flagi i tok/s

SGLang na DGX Spark, listopad 2026: obraz arm64 v0.5.23 i koła pip, --mem-fraction-static 0.80 na GB10 oraz 52 wobec 36 tok/s w porównaniu z vLLM na gpt-oss-120b.

Whisper i Parakeet na DGX Spark: mowa na tekst, lis 2026

Mowa na tekst na DGX Spark, listopad 2026: Parakeet TDT 0.6B v3 283 razy szybciej niż w czasie rzeczywistym na GB10, Whisper large-v3 19–25 razy, z WER z Open ASR Leaderboard.

TensorRT-LLM na DGX Spark: trtllm-serve, NVFP4, tok/s (2026)

TensorRT-LLM na DGX Spark, listopad 2026: kontener NVIDIA 1.3.0rc13, trtllm-serve z NVFP4, 38,65 tok/s na Llama 3.1 8B i kiedy ta konfiguracja się opłaca.

Generowanie wideo na DGX Spark: sekundy na klip, listopad 2026

Generowanie wideo na DGX Spark, listopad 2026: 5-sekundowe klipy LTX-2.5 w około 70 s, Wan 2.2 5B 720p w 14 min i dlaczego RTX 5090 jest 2,4–5,5 raza szybszy.

Wydajność i benchmarki

Zmierzona i raportowana szybkość: użytkownicy na Sparka, przepustowość pamięci, CPU, moc obliczeniowa, formaty kwantyzacji i to, jak każda maszyna GB10 radzi sobie pod obciążeniem.

Klastry i skalowanie

Dwa Sparki, flota, kilka modeli na jednej maszynie i współdzielenie jej z zespołem.

Klaster DGX Spark: dwa Sparki, konfiguracja, ograniczenia i tok/s

Dwa DGX Sparki dają 256 GB, a z równoległością tensorową szybsze dekodowanie: 1,75× zmierzone na Qwen3-32B, do około 1,8× raportowane. Elementy okablowania, nazwy portów, konfiguracja i modele, które potrzebują dwóch Sparków.

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.

Zarządzanie pamięcią GPU dla wielu modeli na jednym Sparku

Rozplanuj 128 GB pamięci zunifikowanej między kilka modeli lub kontenerów na jednym DGX Spark i wiedz, kiedy zamiast tego przejść na klaster dwuwęzłowy lub drugi węzeł.

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.

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.

Aktualizacja lub wymiana modeli bez przestoju

DGX Spark to pojedyncza maszyna, więc prawdziwe aktualizacje modelu bez przestoju wymagają drugiego Sparka, na który można się przełączyć. Oto, co obejmuje taka konfiguracja, oraz uczciwa alternatywa, jeśli zaakceptujesz krótkie okno na restart.

Dostęp zespołowy i wieloużytkownikowy do wspólnego DGX Spark

Wzorce współdzielenia jednego wynajętego DGX Spark w zespole: osobni użytkownicy Linuksa z własnymi kluczami SSH albo bramka z przodu, dzięki której większość osób nigdy nie potrzebuje powłoki.

Klaster DGX Spark z 4 lub 8 węzłami: switch, konfiguracja, tok/s

Klastry DGX Spark z 4 i 8 węzłów: obsługa przez NVIDIA od 22 października 2026, switch i kable, konfiguracja NCCL, raportowane 52,6 tok/s przy 8 węzłach oraz koszt w porównaniu z 8x B200.

Kimi K3 i DeepSeek V4 na klastrach DGX Spark: od 1 do 8 węzłów

Ilu DGX Sparków potrzebują Kimi K3, DeepSeek V4, GLM-5.3 i MiniMax M3? Rachunek pamięci dla 1–8 węzłów i raportowane prędkości do 132 tok/s na 4 Sparkach.

Eksploatacja

Monitoring, kopie zapasowe, bezpieczeństwo i kontrola dostępu we wdrożeniu hostowanym samodzielnie.

Monitoring i obserwowalność samodzielnie hostowanego LLM

Co obserwować na pojedynczym DGX Spark z uruchomionym LLM i które narzędzia open source to robią, od nvidia-smi po stack Prometheus i Grafana. GPUwerk zapewnia dostęp do konsoli i API, a nie produkt do monitoringu.

Kopie zapasowe i odtwarzanie po awarii dla obciążenia na DGX Spark

GPUwerk nie przechowuje kopii obszaru roboczego wynajętego DGX Spark. Co archiwizować, dokąd to wysyłać i jak często synchronizować.

Testowanie planu odtwarzania po awarii dla samodzielnie hostowanego LLM

Kopia zapasowa bez próbnego odtworzenia to tylko hipoteza. Ćwiczenia przywracania, game days i pomiar RTO/RPO dla samodzielnie hostowanego LLM na wynajętym sprzęcie GPU.

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.

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.

Limity żądań i kwoty dla wewnętrznego wdrożenia LLM

Surowy DGX Spark nie ma limitów żądań na użytkownika. Dodaj je samodzielnie przez limity rpm/tpm i budżety na klucz w LiteLLM albo przez reverse proxy przed nim.

Logi audytowe dla samodzielnie hostowanego wdrożenia LLM objętego wymogami zgodności

Skonfiguruj logi audytowe żądań i odpowiedzi we własnym kontenerze na wynajętym DGX Spark: co rejestrować, gdzie to przechowywać i gdzie kończy się zadanie GPUwerk.

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.

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, we wdrożeniu na samodzielnie hostowanym DGX Spark.

Jak Spark wypada na tle innych maszyn, pokazują porównania. Sam sprzęt opisuje strona ze specyfikacją.

Pierwsze doładowanie: zapłać 20 USD, otrzymasz 30 USD środków

Wypróbuj poradnik na prawdziwym Sparku za 0,79 USD/godz.

Wynajmij dedykowany DGX Spark w Europie, Ameryce Północnej lub Azji Wschodniej i rób to razem z nami. Rozliczany co minutę ze środków przedpłaconych.

Załóż konto Zobacz cennik