Advertentie
Nvidia introduceert een nieuwe DGX Spark met 64GB gedeeld geheugen. De compacte AI-computer gebruikt dezelfde GB10 Grace Blackwell-chip als het bestaande 128GB-model en is bedoeld voor ontwikkelaars die AI-modellen en agents lokaal willen draaien. Twee exemplaren kunnen bovendien worden gekoppeld tot een cluster met in totaal 128GB geheugen. De systemen verschijnen op 23 oktober vanaf 4.999 dollar.
De 64GB-versie behoudt naast de GB10 Grace Blackwell Superchip ook DGX OS, de volledige Nvidia AI-softwarestack en ConnectX-7-netwerkhardware. Eén systeem zou lokaal AI-modellen met maximaal 100 miljard parameters kunnen draaien.
Het bedrijf richt zich daarbij onder meer op coding- en researchagents die langdurig actief blijven. Omdat modellen rechtstreeks op de DGX Spark draaien, hoeven gegevens voor dergelijke toepassingen niet noodzakelijk naar een clouddienst te worden gestuurd.
De computer kan ook als lokale AI-server voor een gewone laptop of desktop worden gebruikt. Het model draait dan op de DGX Spark, terwijl bijvoorbeeld een ontwikkelomgeving of andere applicatie op de pc wordt gebruikt.
Twee systemen vormen cluster met 128GB geheugen
Tegelijk met de nieuwe uitvoering introduceert Nvidia de Sync Cluster Assistant. Daarmee kunnen twee DGX Spark-systemen via hun ingebouwde ConnectX-7-aansluitingen en een QSFP-kabel rechtstreeks met elkaar worden verbonden.
De software detecteert beide systemen, controleert de configuratie en stelt het 200GbE-netwerk automatisch in. Twee 64GB-systemen beschikken vervolgens samen over 128GB geheugen en moeten volgens NVIDIA modellen tot 200 miljard parameters kunnen verwerken.
Nvidia claimt daarbij tot 1,7 keer hogere prestaties dan met één systeem. Die meting is echter gebaseerd op een eigen test met het Qwen 3.8 27B-model en is daardoor niet automatisch representatief voor andere modellen en workloads.
Het extra geheugen kan eveneens worden gebruikt voor langere contextvensters of om meerdere AI-agents tegelijkertijd te laten draaien.
Model Launcher volgt eind oktober
Later deze maand brengt Nvidia ook Sync Model Launcher uit. Daarmee moeten gebruikers modellen met enkele stappen op één DGX Spark of een gekoppeld cluster kunnen installeren en starten. Qwen 3.8 27B wordt als voorbeeld gebruikt. Sync kan het model over de beschikbare systemen verdelen en vervolgens via het lokale netwerk beschikbaar stellen aan laptops en desktops.
De Model Launcher kan ook OpenCode configureren, zodat ontwikkelaars vanuit een browser een lokaal draaiend model voor programmeertaken kunnen gebruiken. Verder ondersteunt DGX Spark bestaande frameworks en runtimes zoals llama.cpp, Ollama, vLLM, LM Studio en PyTorch met CUDA.
Zelfde GB10-chip, helft van het geheugen
De oorspronkelijke DGX Spark verscheen met 128GB coherent unified memory. Die computer combineert een twintigcore Arm-cpu met Blackwell-gpucores en levert volgens NVIDIA maximaal 1 petaflops aan FP4-rekenkracht. De geheugenbandbreedte bedraagt 273GB/s.
De nieuwe versie halveert dus vooral de beschikbare geheugencapaciteit. Nvidia positioneert het model als een lagere instap voor workloads die geen 128GB nodig hebben, waarbij later een tweede systeem kan worden toegevoegd.
Opvallend is wel dat de aangekondigde Amerikaanse vanafprijs van 4.999 US dollar hoger ligt dan de 4.699 dollar waarvoor NVIDIA zijn eigen 128GB DGX Spark momenteel vermeldt. Die laatste is op dit moment uitverkocht. De nieuwe 64GB-uitvoering wordt bovendien niet rechtstreeks door Nvidia verkocht, maar uitsluitend door systeemfabrikanten.
Vanaf 23 oktober verkrijgbaar
De 64GB-configuratie verschijnt op 23 oktober bij Acer, ASUS, Dell, Gigabyte, HP en MSI. De Amerikaanse prijzen beginnen bij 4.999 dollar. NVIDIA heeft zelf geen Europese adviesprijs bekendgemaakt; regionale prijzen worden door de afzonderlijke fabrikanten bepaald.
De introductie past binnen Nvidia strategie om zwaardere AI-workloads lokaal te laten draaien. Door compactere modellen en systemen met veel gedeeld geheugen kunnen ontwikkelaars steeds meer inference- en agenttaken uitvoeren zonder daarvoor continu cloud-gpu's te gebruiken.
