DGX Spark/ARM64- och CUDA-testning
Användningsfall · Testning och portering

Testa och portera din programvara på en riktig GB10: aarch64, CUDA, sm_121

Av Samuel Seidel · Uppdaterad 10 november 2026 · 7 min läsning

Ett ärende säger att ditt bibliotek inte fungerar på en DGX Spark, och du äger ingen. Eller så byggs dina wheels på x86 och ingen har testat dem på en Arm-CPU med en Blackwell-GPU. Hyr en hel Spark under de minuter det tar att ta reda på det: ett root-skal på en NVIDIA GB10 (aarch64, CUDA compute capability 12.1) med CUDA 13.0-verktygslådan installerad. För 0,79 USD i timmen, debiterat per minut, kostar en kontroll på 20 minuter cirka 0,26 USD.

Första påfyllningen: betala 20 USD, få 30 USD i kredit. Debiteras per minut från förbetald kredit. Avsluta när du är klar så upphör faktureringen. De flesta som hyr en Spark av mig startar den vanliga DGX OS-avbildningen och tar med sin egen stack, vilket är vad den här sidan handlar om.

Vad du får

CPU20-kärnig Arm (10 Cortex-X925 och 10 Cortex-A725), uname -m visar aarch64
GPUNVIDIA GB10, Blackwell-generationen, compute capability 12.1 (sm_121)
Minne128 GB enhetligt LPDDR5x som delas av CPU och GPU, 273 GB/s
BilderDGX OS 7: Ubuntu 24.04 med CUDA 13.0-verktygslådan (nvcc), NCCL och NVIDIA DCGM. Ubuntu 24.04: samma sak utan DCGM. Båda har git, tmux, vim, curl och Python 3 med pip och venv.
ÅtkomstEn root-terminal i webbläsaren utan SSH-nyckel, eller SSH som root på port 22 med din egen nyckel. Varje instans har sin egen publika IPv4-adress och värdnamnet <name>.gpuwerk.com.
Så körs denEn container med GPU:n direkt genomkopplad: på många Sparks en systemcontainer med systemd och Docker, på de övriga en enkel container utan någon av dem. Du är root i den; NVIDIA-drivrutinen kommer från värden.
Lagring1 TB NVMe, delat med värden. /workspace finns kvar vid omstarter och ombyggen och raderas när du avslutar.

Avbildningen som heter DGX OS 7 i konsolen är mitt eget bygge: Ubuntu 24.04 plus paketen ovan, i en container. Det är inte NVIDIA:s installationsavbildning för DGX OS, och /etc/dgx-release säger det. Vad som körs i en container, och vad som inte gör det, finns i anteckningarna om kundmiljön.

En första kontroll på fem minuter

Driftsätt DGX Spark 1× med DGX OS-avbildningen, vänta på running och klicka på Öppna terminal i webbläsaren på instanssidan. Bekräfta sedan vad du kör på:

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))"

Den sista raden skriver ut GB10 och (12, 1). Vissa PyTorch-byggen skriver ut en varning om att sm_121 inte är kompatibel; den är oftast fel, och guiden PyTorch på en DGX Spark förklarar varför och vilken wheel du ska välja.

Bygg och testa ditt 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

Tre saker överraskar folk på det här chipet:

För att ta med dig byggartefakter hem, kopiera dem med din egen SSH-nyckel och avsluta sedan:

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

Skriptade körningar från din egen CI

Det finns ingen färdig CI-integration. Det som finns: ett API som driftsätter och avslutar per minut, så att ett jobb på din egen runner kan låna en Spark, köra sina tester via SSH och lämna tillbaka den. Använd en API-nyckel med behörighet för instanser.

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

En driftsättning kräver kredit för minst en timme (annars 402) och returnerar 409 när ingen maskin är ledig, så ditt jobb måste hantera det. Driftsättningar via API hamnar på en maskin inom EES om du inte anger location_country eller partner_region. Alla fält finns i API-referensen.

Vad en kontroll kostar

SessionKostnad vid 0,79 USD/h
Återskapa en felrapport, 20 minutercirka 0,26 USD
Bygg och testa en release, 1 timme0,79 $
En dags portering, 8 timmar6,32 $

Debitering sker per minut från förbetald kredit och börjar när instansen har godkänts i driftklarhetskontrollen. Kontot behöver kredit för en timme för att driftsätta. Första påfyllningen: betala 20 USD, få 30 USD i kredit, cirka 37 timmar på en Spark. En stoppad instans behåller sin arbetsyta och debiteras med 75 % av timpriset; avsluta den när du är klar så upphör faktureringen, och då raderas arbetsytan. Priserna är exkl. moms där sådan tillkommer.

Vad en hyrd GB10 inte kan visa dig

Var Sparks finns

Det här fungerar på alla platser, eftersom partners Sparks erbjuder samma avbildningar med DGX OS och Ubuntu. Mina egna Sparks står i ett datacenter i Hradec Králové i Tjeckien. Partners Sparks ägs och driftas av partner i deras egna lokaler i USA, Sverige, Nederländerna, Slovakien och Hongkong, och en partner har fysisk åtkomst till sin maskin. Konsolen visar landet, och om det är inom EES, innan du driftsätter.

Vem som driver detta

GPUwerk är en ny plattform, och jag är personen bakom den: Samuel Seidel, grundare, verksam genom PRINT IT! SE, registrerat i Prag. Sedan september 2026 har 94 utvecklare startat 374 instanser på den (per den 9 november 2026). Drifttid och incidenter finns på status.gpuwerk.com. Om du inte är säker på att din stack kommer att fungera, skriv till mig via kontaktsidan innan du betalar; jag svarar själv.

Vanliga frågor

Vilken CUDA-version finns på maskinen?

Båda avbildningarna, DGX OS 7 och Ubuntu 24.04, har CUDA 13.0-verktygslådan med nvcc och NCCL. NVIDIA-drivrutinen kommer från värden och kan inte ändras inifrån instansen.

Är DGX OS-avbildningen NVIDIA:s DGX OS?

Nej. Det är mitt eget bygge i en container: Ubuntu 24.04 med CUDA 13.0-verktygslådan, NCCL och NVIDIA DCGM. /etc/dgx-release identifierar den som en GPUwerk-avbildning.

Kan jag bygga Docker-avbildningar på den?

På vissa maskiner, ja: många hyrda Sparks kör din instans som en systemcontainer med en egen Docker-daemon, så docker build och docker run --gpus all körs direkt på arm64. Andra kör en enkel container utan Docker. Du kan inte välja vilken; docker info visar vilken du har.

Vad kostar ett kort test?

Cirka 0,26 USD för 20 minuter à 0,79 USD i timmen, debiteras per minut från förbetald kredit. För att driftsätta behöver kontot kredit för en timme. Avsluta när du är klar så upphör faktureringen; då raderas arbetsytan.

Första påfyllningen: betala 20 USD, få 30 USD i kredit

Återskapa det på en GB10 i dag.

En dedikerad DGX Spark med root-skal och CUDA 13.0, 0,79 USD/h debiteras per minut. Avsluta när du är klar så upphör faktureringen.

Driftsätt nu