V kostce:

  • DGX Spark 64GB nabídne 1 petaFLOP FP4 a 64 GB paměti
  • Dostupnost od 23. října 2026 od 4 999 dolarů
  • Dva kusy sdílí 128 GB paměti a 1,7násobek výkonu

NVIDIA představí 23. října 2026 novou konfiguraci desktopového systému DGX Spark se 64 GB sjednocené paměti. Systém je založen na čipu GB10 Grace Blackwell a poskytuje výpočetní výkon až 1 petaFLOP v přesnosti FP4 pro místní běh modelů, agentů, ladění a inferenci. Podle blogu NVIDIA bude novinka k dispozici u výrobců Acer, ASUS, Dell, Gigabyte, HP a MSI od 4 999 dolarů.

Nová verze zachovává stejný čip GB10 Grace Blackwell, softwarový balík s podporou CUDA a síťové rozhraní ConnectX-7 jako původní model se 128 GB paměti. Liší se pouze kapacitou sjednocené paměti LPDDR5x, která je 64 GB namísto 128 GB. NVIDIA nabízí 64GB variantu jako výchozí bod pro lokální modely a agenty, zatímco verze se 128 GB zůstává v nabídce pro náročnější úlohy v jednom zařízení.

Čip GB10 kombinuje grafický procesor s architekturou Blackwell a 20jádrový procesor Grace s architekturou Arm. Podle specifikací citovaných webem Marktechpost jde o kombinaci deseti jader Cortex‑X925 a deseti jader Cortex‑A725; grafický procesor využívá Tensor Cores páté generace. Propustnost paměti činí 273 GB/s a procesor s grafickým procesorem sdílejí jeden paměťový prostor přes propojení NVLink‑C2C bez nutnosti kopírovat vah mezi paměťovými oblastmi.

Zařízení má rozměry 150 × 150 × 50,5 mm a hmotnost 1,2 kg, funguje ze standardní elektrické zásuvky bez potřeby serverovny. Podle specifikací nabízí úložiště NVMe M.2 s kapacitou 1, 2 nebo 4 TB, rozhraní ConnectX‑7 s rychlostí 200 GbE, Wi‑Fi 7, Bluetooth 5.3 a jeden výstup HDMI 2.1a. Operačním systémem je DGX OS založený na Ubuntu a systém je dodáván s připraveným softwarovým balíkem včetně PyTorch, Jupyter a Ollama; podporovány jsou také vLLM, llama.cpp a LM Studio.

NVIDIA uvádí, že 64 GB paměti stačí pro současné nejschopnější otevřené modely v rozsahu 30 až 35 miliard parametrů. Jako příklady jmenuje Qwen 3.8 s 27 miliardami parametrů a vlastní model Nemotron 3.5 Lightning; web Marktechpost dále zmiňuje model Muse Glimmer od Mety s 29,6 miliardy parametrů. Jeden systém zvládne modely až do 100 miliard parametrů, po propojení dvou jednotek se podpora rozšiřuje na modely až do 200 miliard parametrů.

Klíčovou vlastností je možnost spojit dva systémy DGX Spark 64GB do clusteru. Dvě jednotky propojené přímo kabelem QSFP bez přepínače sdílejí 128 GB paměti a poskytují až 2 petaFLOPS výkonu v FP4. Ve vlastním testu NVIDIA s modelem Qwen 3.8 27B dva propojené 64GB systémy dosáhly až 1,7násobku výkonu jednoho systému DGX Spark se 128 GB.

Správu clusteru zajišťuje aplikace NVIDIA Sync a její funkce Cluster Assistant, která vyhledá zařízení v síti a nakonfiguruje síť ConnectX‑7 až pro čtyři systémy. Vývojáři mohou začít s jednou jednotkou a při rostoucí zátěži přidat druhou bez nutnosti překonfigurování softwarového prostředí. Na konci října má přibýt také spouštěč modelů NVIDIA Sync Model Launcher pro jednoduché stažení a spuštění modelu Qwen 3.8 27B na jednom systému nebo v clusteru.

Systém je určen pro nepřetržitý provoz agentů, kteří zpracovávají kód, dokumenty a vícekrokové úlohy přímo v zařízení. Spotřeba tokenů u agentů podle webu Marktechpost od začátku roku 2026 vzrostla 14krát kvůli volání nástrojů, opakovaným pokusům a dlouhému kontextu. Právě na tento vývoj novinka reaguje možností provozovat modely lokálně bez poplatku za každý token v cloudovém rozhraní.

Mezi dalšími příklady využití NVIDIA uvádí obsluhu jazykových a obrazových modelů na běžném počítači, kdy DGX Spark zajišťuje inferenci a uvolňuje notebook či desktop pro jinou práci. Web Marktechpost dále popisuje dolaďování metodou QLoRA, místní hodnoticí sadu pro nové otevřené modely a prototypování pro edge zařízení řady Jetson. Společnost Blender patří podle NVIDIA mezi první větší dodavatele tvůrčích aplikací s podporou platformy; instalační balík bude brzy ke stažení.

Co to znamená: Pro firmy novinka snižuje práh pro lokální provoz agentů a citlivých dat bez závislosti na cloudu a průběžných poplatcích. Audit by se měl zaměřit na správu modelů a dat v zařízení, řízení přístupu ke clusteru a pravidla pro případné předávání upravených dotazů do cloudu.

Zdroje: