DGX Spark/Testes ARM64 e CUDA
Caso de utilização · Testes e portabilidade

Teste e porte o seu software num GB10 real: aarch64, CUDA, sm_121

Por Samuel Seidel · Atualizado a 10 de novembro de 2026 · 7 min de leitura

Há um issue a dizer que a sua biblioteca falha num DGX Spark, e não tem nenhum. Ou as suas wheels compilam em x86 e ninguém as experimentou numa CPU Arm com uma GPU Blackwell. Alugue um Spark inteiro pelos minutos necessários para descobrir: uma shell root num NVIDIA GB10 (aarch64, capacidade de computação CUDA 12.1) com o toolkit CUDA 13.0 instalado. A $ 0,79 por hora, faturado ao minuto, uma verificação de 20 minutos custa cerca de $ 0,26.

Primeiro carregamento: pague $ 20 e receba $ 30 em crédito. Faturado ao minuto a partir de crédito pré-pago. Termine a instância quando acabar e a faturação para. A maioria das pessoas que me alugam um Spark começa pela imagem DGX OS simples e traz a sua própria stack, que é o tema desta página.

O que obtém

CPUArm de 20 núcleos (10 Cortex-X925 e 10 Cortex-A725), uname -m indica aarch64
GPUNVIDIA GB10, geração Blackwell, capacidade de computação 12.1 (sm_121)
Memória128 GB de LPDDR5x unificada partilhada pela CPU e pela GPU, 273 GB/s
ImagensDGX OS 7: Ubuntu 24.04 com o toolkit CUDA 13.0 (nvcc), NCCL e NVIDIA DCGM. Ubuntu 24.04: o mesmo sem DCGM. Ambos têm git, tmux, vim, curl e Python 3 com pip e venv.
AcessoUm terminal root no navegador sem chave SSH, ou SSH como root na porta 22 com a sua própria chave. Cada instância tem o seu próprio endereço IPv4 público e o nome de anfitrião <name>.gpuwerk.com.
Como funcionaUm contentor com a GPU passada diretamente: em muitos Sparks, um contentor de sistema com systemd e Docker; nos outros, um contentor simples sem nenhum dos dois. Dentro dele é root; o driver NVIDIA vem do anfitrião.
Armazenamento1 TB NVMe, partilhado com o anfitrião. /workspace sobrevive a reinícios e reconstruções e é apagado quando termina a instância.

A imagem chamada DGX OS 7 na consola é uma build minha: Ubuntu 24.04 mais os pacotes acima, num contentor. Não é a imagem de instalação do DGX OS da NVIDIA, e /etc/dgx-release indica-o. O que corre num contentor, e o que não corre, está nas notas do ambiente do inquilino.

Uma primeira verificação em cinco minutos

Implemente um DGX Spark 1× com a imagem DGX OS, aguarde o estado running e clique em Open terminal in browser na página da instância. Depois confirme onde está:

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))"

A última linha mostra o GB10 e (12, 1). Algumas builds do PyTorch mostram um aviso de que o sm_121 não é compatível; normalmente está errado, e o guia PyTorch num DGX Spark explica porquê e que wheel escolher.

Compile e teste o seu projeto

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

Três coisas apanham as pessoas desprevenidas neste chip:

Para levar os artefactos de compilação consigo, copie-os com a sua própria chave SSH e depois termine:

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

Execuções automatizadas a partir do seu próprio CI

Não há integração de CI pronta. O que há: uma API que implementa e termina ao minuto, por isso um trabalho no seu próprio runner pode pedir emprestado um Spark, executar os testes por SSH e devolvê-lo. Use uma chave de API com o âmbito de instâncias.

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

Uma implementação precisa de crédito para pelo menos uma hora (caso contrário, 402) e devolve 409 quando não há nenhuma máquina livre, por isso o seu trabalho tem de lidar com isso. As implementações via API vão para uma máquina no EEE, a não ser que defina location_country ou partner_region. Todos os campos estão na referência da API.

Quanto custa uma verificação

SessãoCusto a $ 0,79/h
Reproduzir um relatório de erro, 20 minutoscerca de $ 0,26
Compilar e testar uma versão, 1 hora$ 0,79
Um dia de portabilidade, 8 horas$ 6,32

A faturação é ao minuto a partir de crédito pré-pago e começa quando a instância passa a verificação de prontidão. Para implementar, a conta precisa de crédito para uma hora. Primeiro carregamento: pague $ 20 e receba $ 30 em crédito, cerca de 37 horas num Spark. Uma instância parada mantém o espaço de trabalho e é faturada a 75% da tarifa horária; termine-a quando acabar e a faturação para, o que apaga o espaço de trabalho. Preços sem IVA, quando aplicável.

O que um GB10 alugado não lhe pode dizer

Onde estão os Sparks

Isto funciona em todas as localizações, porque os Partner Sparks oferecem as mesmas imagens DGX OS e Ubuntu. Os meus próprios Sparks estão num datacenter em Hradec Králové, República Checa. Os Partner Sparks pertencem a parceiros e estão alojados nas suas próprias instalações nos EUA, Suécia, Países Baixos, Eslováquia e Hong Kong, e um parceiro tem acesso físico à sua máquina. A consola mostra o país, e se está no EEE, antes de implementar.

Quem gere isto

A GPUwerk é uma plataforma nova, e eu sou a pessoa por trás dela: Samuel Seidel, fundador, a operar como PRINT IT! SE, registada em Praga. Desde setembro de 2026, 94 programadores iniciaram 374 instâncias na plataforma (dados de 9 de novembro de 2026). A disponibilidade e os incidentes estão em status.gpuwerk.com. Se não tiver a certeza de que a sua stack vai funcionar, escreva-me através da página de contacto antes de pagar; sou eu quem responde.

FAQ

Que versão do CUDA está na máquina?

As duas imagens, DGX OS 7 e Ubuntu 24.04, incluem o toolkit CUDA 13.0 com nvcc e NCCL. O driver NVIDIA vem do anfitrião e não pode ser alterado a partir da instância.

A imagem DGX OS é o DGX OS da NVIDIA?

Não. É uma build minha num contentor: Ubuntu 24.04 com o toolkit CUDA 13.0, NCCL e NVIDIA DCGM. /etc/dgx-release identifica-a como uma imagem GPUwerk.

Posso construir imagens Docker nele?

Em algumas máquinas, sim: muitos Sparks alugados executam a sua instância como um contentor de sistema com o seu próprio daemon Docker, por isso docker build e docker run --gpus all correm nativamente em arm64. Outros executam um contentor simples sem Docker. Não pode escolher qual; docker info diz-lhe o que tem.

Quanto custa um teste curto?

Cerca de $ 0,26 por 20 minutos a $ 0,79 por hora, faturado ao minuto a partir de crédito pré-pago. Para implementar, a conta precisa de crédito para uma hora. Termine a instância quando acabar e a faturação para; isso apaga o espaço de trabalho.

Primeiro carregamento: pague $ 20 e receba $ 30 em crédito

Reproduza-o hoje num GB10.

Um DGX Spark dedicado com shell root e CUDA 13.0, $ 0,79/h faturado ao minuto. Termine a instância quando acabar e a faturação para.

Implementar agora