NVIDIA DGX Spark — обзор мини-суперкомпьютера для ИИ

В обзоре разберём характеристики чипа GB10, цену на 2026 год, результаты независимых тестов и задачи, в которых мини-суперкомпьютер оправдывает вложения. А заодно покажем сценарии, где он проигрывает подержанной видеокарте.

Что такое DGX Spark

DGX Spark — настольный компьютер для локального запуска нейросетей. NVIDIA впервые показала устройство на CES 2025 под рабочим названием Project Digits, финальное имя оно получило к конференции GTC 2025, а продажи стартовали в октябре 2025 года.

Идея простая. Большие языковые модели обычно живут в облаке или на GPU-сервере: им нужны сотни гигабайт видеопамяти, которых нет ни в одной игровой видеокарте. Spark решает проблему иначе — вместо отдельной видеопамяти здесь единый пул на 128 ГБ, доступный и процессору, и графике. Этого хватает для инференса моделей до 200 млрд параметров дома: без аренды облака и без пересылки конфиденциальных данных на чужие серверы. Какие модели реально запускать дома и что им нужно — читай в нашем гиде по локальным нейросетям.

Сердце системы — чип GB10 Grace Blackwell Superchip. В одном корпусе объединены 20-ядерный Arm-процессор, разработанный NVIDIA совместно с MediaTek, а также графический процессор на архитектуре Blackwell — той же, что используют в видеокартах GeForce RTX 50-й серии. Их соединяет шина NVLink-C2C: она в пять раз быстрее PCIe 5.0, поэтому процессор и видеочип обращаются к общей памяти без узкого бутылочного горлышка.

При этом Spark — самостоятельный компьютер: с накопителем, сетью, Wi-Fi и предустановленной операционной системой DGX OS на базе Ubuntu 24.04. Достал, подключил монитор и уже через полчаса запускаешь первую модель: CUDA, cuDNN, TensorRT и Docker уже на месте.

Технические характеристики

Технические характеристики NVIDIA DGX Spark

Главный компромисс спрятан в строке про память. LPDDR5x дала Spark рекордную для настольного формата ёмкость, но пропускная способность памяти (273 ГБ/с) на порядок ниже, чем у серверных ускорителей с HBM, и в несколько раз ниже, чем у GDDR7 в старших GeForce. Запоминаем эту цифру: именно она объяснит результаты тестов в следующем разделе.

Вторая строка, на которую стоит смотреть, — энергопотребление. Под полной нагрузкой весь компьютер потребляет 140–170 Вт — меньше, чем одна RTX 5070 Ti. Внешний блок питания рассчитан на 240 Вт, и NVIDIA прямо предупреждает: с более слабым БП система теряет производительность или не стартует.

И третья — кластеризация. Два Spark соединяются кабелем напрямую через порты ConnectX-7, без коммутатора. Получается общий пул на 256 ГБ, который тянет модели до 405 млрд параметров — например, Qwen3 235B.

Кластер из двух DGX Spark

Цена и доступность в 2026 году

На старте продаж в октябре 2025 года Founders Edition стоила 3999 долларов. С 27 февраля 2026 года NVIDIA подняла рекомендованную цену до 4699 долларов — компания объяснила это дефицитом памяти LPDDR5x.

Кроме Founders Edition, ту же платформу выпускают партнёры: ASUS Ascent GX10, MSI EdgeXpert, версии Dell, HP, Lenovo и Acer. Разброс цен — от 4000 до 5500 долларов. Отличия между ними косметические: корпус, комплектация и объём накопителя. Например, ASUS ставит SSD на 1 ТБ вместо 4 ТБ и за счёт этого держит цену ниже.

В США устройство лежит в рознице свободно: Newegg, Micro Center, Best Buy и маркетплейс NVIDIA. В России официального представительства у NVIDIA нет, но заказывать из-за океана и ждать месяцами не обязательно: DGX Spark доступен в DigitalRazor — и Founders Edition, и партнёрские версии. Разница между ними — накопитель и корпус, поэтому перед покупкой поможем выбрать вариант под задачи. А если по ходу разговора выяснится, что под сценарий выгоднее рабочая станция с дискретной картой — честно скажем и посчитаем обе конфигурации.

Настольные ИИ-суперкомпьютеры MSI EdgeXpert MS-C931, NVIDIA DGX Spark, MSI EdgeXpert MS-C931

Реальная производительность: что показали независимые тесты

Сразу уточним важный момент. Заявленные один петафлопс производительности и поддержка моделей до 200 млрд параметров — это не показатели, которых система будет достигать в любой задаче. Это максимальные значения, полученные в наиболее благоприятных условиях.

Вот что намерили LMSYS, Ollama и энтузиасты с форумов NVIDIA в январе 2026 года, на софте времён запуска:

Закономерность хорошо заметна. В форматах MXFP4 и NVFP4, оптимизированных для архитектуры Blackwell, MoE-модели работают со скоростью около 40–70 токенов/с. Плотная Qwen3 32B в популярном формате Q4_K_M выдает лишь около 9,5 токена/с, что уже медленнее средней скорости чтения человека. 

Причина — в пропускной способности памяти. Во время генерации каждого нового токена модели приходится считывать из памяти свои веса. Чем быстрее память, тем выше скорость генерации. 

У MoE-моделей одновременно используется лишь небольшая часть параметров — например, у gpt-oss-120B активно около 5 млрд из 120 млрд, поэтому пропускной способности 273 ГБ/с ей хватает. Плотные модели задействуют практически все параметры, из-за чего память становится главным ограничителем производительности. 

По этой же причине Spark уступает даже связке из трех подержанных RTX 3090: на gpt-oss-120B три видеокарты выдают около 124 токенов/с против 39 токенов/с у Spark — главным образом благодаря значительно более высокой суммарной пропускной способности памяти GDDR6X.

При этом с обработкой промпта всё хорошо: она ограничена вычислениями, а не памятью, и здесь тензорные ядра Blackwell работают в полную силу — 1720 токенов в секунду на gpt-oss-120B, на уровне трёх RTX 3090.

Программная экосистема тоже активно развивается. Обновление DGX OS, представленное на CES 2026, ускорило отдельные сценарии работы до 2,5 раза благодаря оптимизациям TensorRT-LLM, улучшенной поддержке NVFP4 и спекулятивному декодированию. В результате скорость генерации gpt-oss-120B выросла примерно с 39 до 55 токенов/с, хотя июньские результаты приводит уже сама NVIDIA. При этом независимые обзоры отмечают и недостаток компактной системы — под длительной нагрузкой возможен тепловой троттлинг. 

Поэтому перед покупкой стоит ориентироваться на свежие независимые тесты именно той модели и формата квантования, с которыми планируется работать: производительность DGX Spark продолжает меняться вместе с развитием программного обеспечения. Если термины «квантизация» и GGUF тебе пока незнакомы, начать можно с нашего гайда по llama.cpp — в нем мы собрали базовую информацию для локального запуска больших языковых моделей. 

Для каких задач подходит DGX Spark

Главное преимущество DGX Spark — не максимальная скорость, а возможность локально запускать большие модели, которым не хватает памяти обычной видеокарты.

Прототипирование и инференс. Разработчик собирает пайплайн, дообучает модель с помощью LoRA (метода обучения без изменения всех параметров модели) и запускает тесты  на своём рабочем столе, а в облако уходит только за финальным масштабированием. 128 ГБ позволяют держать в памяти модель, которая не влезет ни в одну одиночную игровую видеокарту.

Работа с конфиденциальными данными. Медицина, финансы, документы под NDA — всё обрабатывается локально, данные не покидают устройство. Накопитель с самошифрованием сюда же.

Data Science и периферийные ИИ-системы. Библиотеки RAPIDS ускоряют обработку датафреймов на GPU, а фреймворки Isaac, Metropolis и Holoscan закрывают робототехнику, видеоаналитику и сенсорные приложения.

Круглосуточные ИИ-агенты. Один из сценариев использования, который NVIDIA активно продвигает, — постоянно работающий локальный ИИ-агент — код-ассистент, разборщик почты, аналитик данных. Энергопотребление в простое около 35 Вт, так что держать устройство включённым круглые сутки не накладно.

Когда DGX Spark — не лучший выбор

Нужна максимальная скорость на плотных моделях. Профессиональная RTX PRO 6000 Blackwell с пропускной способностью памяти около 1,8 ТБ/с обеспечивает примерно шестикратное преимущество над Spark. Если модель помещается в 32–96 ГБ видеопамяти, дискретная видеокарта окажется быстрее.

Хочется гибкости и апгрейда. Здесь их нет совсем: память распаяна, графику не заменить, из обновляемого — только SSD. Купил конфигурацию — живёшь с ней до замены устройства.

Софт за пределами экосистемы NVIDIA. Процессор — Arm, поэтому контейнеры и бинарники нужны в сборках aarch64. Большинство популярных ИИ-инструментов уже портированы, но x86-зависимости встречаются, и это главный источник проблем при переносе проектов.

Многопользовательский продакшен. Обслуживать поток запросов от десятков пользователей — не его профиль: по стоимости токена в секунду серверные ускорители выгоднее. Spark — инструмент разработчика, а не замена инференс-серверу.

Что нового в экосистеме DGX Spark в 2026 году

На GTC 2026 NVIDIA сместила акцент с простого запуска ИИ-моделей на локальных ИИ-агентов, способных работать постоянно и выполнять реальные задачи. Экосистема строится вокруг трёх компонентов: среды запуска агентов, механизма безопасной изоляции и локальных моделей. 

NemoClaw — открытый программный стек, который объединяет локальные модели Nemotron с платформой автономных ИИ-агентов OpenClaw (это независимый open-source проект, а не разработка NVIDIA). После установки пользователь получает сами модели и среду выполнения OpenShell.

OpenShell — песочница, которая изолирует агента от основной системы. Политики доступа определяют, какие файлы, сайты и программы ему доступны, а контроль работает вне процесса агента, поэтому агент не может самостоятельно снять ограничения. Для помощника с доступом к терминалу и файлам это необходимая мера безопасности. 

Приватный маршрутизатор — чувствительные данные обрабатывают локальные Nemotron, а сложные рассуждения при необходимости уходят облачным моделям. Под эту связку вышли и подходящие модели: Nemotron 3 Super на 120 млрд параметров с 12 млрд активных — как раз под полосу памяти Spark. Плюс мартовское обновление DGX OS ускорило инференс до 1,9 раза.

Для владельца устройства это означает готовый типовой сценарий: локальный код-ассистент или аналитик данных, который работает круглосуточно, не требует оплаты облачных запросов и не выносит файлы в облако.

Часто задаваемые вопросы

Стоит ли покупать: выводы

DGX Spark — специализированное решение для локальной работы с крупными ИИ-моделями. Его главное преимущество — 128 ГБ общей памяти и поддержка CUDA в компактном настольном устройстве. Если задачи связаны с MoE-моделями, дообучением, обработкой конфиденциальных данных или постоянно работающими ИИ-агентами, альтернатив в таком форм-факторе немного.

Если же приоритет — максимальная скорость работы с плотными моделями или универсальная рабочая станция, за те же деньги рациональнее собрать ПК с дискретной видеокартой: такое решение будет быстрее и оставит возможность для дальнейшего апгрейда.

Для тех, кому важнее производительность, гибкость и возможность апгрейда, DigitalRazor предлагает готовые ПК и рабочие станции для ИИ-задач в разных ценовых категориях. На оборудование предоставляем гарантию, а доставку осуществляем по всей России. 

Для каких задач Компактный GPU-сервер до 2 видеокарт для начальных задач в AI и графике. Оптимален для инференса, визуализации, VFX и рендеринга в студиях и лабораториях, где важна гибкость.

Подробнее

Видеокарты

RTX / RTX PRO / H200 NVL

Объем видеопамяти до 282 ГБ

Процессоры

Threadripper PRO

Количество ядер до 96

RAM до 1024 ГБ DDR5

Форм-фактор 4.5U

Для каких задач Универсальная платформа на 4–6 GPU для локального обучения моделей и генеративных задач. Подходит для команд, которым важна надёжность сервера и свобода выбора графики — от RTX 5090 до PRO RTX 6000.

Подробнее

Видеокарты

RTX / RTX PRO / H200 NVL

Объем видеопамяти до 576 ГБ

Процессоры

Threadripper PRO

Количество ядер до 96

RAM до 1024 ГБ DDR5

Форм-фактор 6.5U

Для каких задач Сервер промышленного уровня на 8 GPU с кластерной архитектурой. Предназначен для дата-центров и AI-ферм, где требуется масштабируемость и полная загрузка ресурсов под обучение LLM и R&D.

Подробнее

Видеокарты

RTX PRO 6000 / RTX 5090

Объем видеопамяти до 768 ГБ

Процессоры

AMD Epyc, Intel Xeon

Количество ядер до 320

RAM до 3072 ГБ DDR5

Форм-фактор 6U

Для каких задач Серия серверов для кластеризации на 4 GPU. Предназначены для дата-центров и AI-ферм, где требуется повышенная плотность для обучение LLM и R&D.

Подробнее

Видеокарты

L40s / RTX PRO / H200 NVL

Объем видеопамяти до 564 ГБ

Процессоры

AMD EPYC, Intel Xeon

Количество ядер до 128

RAM до 1536 ГБ DDR5

Форм-фактор 2U

Для каких задач Серия серверов для кластеризации на 8 GPU. Предназначены для дата-центров и AI-ферм, где требуется повышенная плотность для обучение LLM и R&D.

Подробнее

Видеокарты

L40s / RTX PRO / H200 NVL

Объем видеопамяти до 1128 ГБ

Процессоры

AMD EPYC, Intel Xeon

Количество ядер до 256

RAM до 2048 ГБ DDR5

Форм-фактор 4U

Для каких задач HGX объединяет 8 видеокарт NVIDIA H200, достигая экстремальной плотности производительности. Благодаря внутренней связности NVSwitch мгновенно интегрируется в масштабные вычислительные кластеры.

Подробнее

Видеокарты

NVIDIA H200 SXM

Объем видеопамяти до 1128 ГБ

Процессоры

AMD EPYC, Intel Xeon

Количество ядер до 256

RAM до 2048 ГБ DDR5

Форм-фактор 5U