Nvidia stellte Projekt DIGITS im Januar 2025 auf der CES vor und brachte es als Nvidia DGX Spark: einen handtellergroßen Desktop-Computer, der um den GB10 Grace Blackwell-Superchip herum aufgebaut ist und 128 GB einheitlicher Arbeitsspeicher. Es kam Mitte Oktober 2025 zum Verkauf und kostete 3.999 US-Dollar, laut EngadgetMitte Oktober 2025 für 3.999 US-Dollar in den Handel. Dieser Leitfaden erläutert, woraus die Hardware besteht, welche Größe von KI-Modellen sie verarbeiten kann, warum ihre Speicherbandbreite wichtiger ist als ihre angegebene Rechenleistung und wer davon profitiert. Alle nachfolgenden technischen Spezifikationen stammen von Nvidias DGX Spark-Seite; Geschwindigkeitsschätzungen sind als arithmetische Werte gekennzeichnet, nicht als Benchmark-Ergebnisse.
Wichtigste Erkenntnisse
- DGX Spark ist der Markenname für Projekt DIGITS. GB10 Grace Blackwell-Superchip, 20-Kern-Arm-CPU, 128 GB LPDDR5x Unified Memory, 4-TB-SSD, in einem Gehäuse mit den Abmessungen 150 × 150 × 50,5 mm.
- Kapazität ist das Verkaufsargument. Nvidia gibt für eine Einheit Inference mit Modellen bis zu 200 Milliarden Parametern und Fine-tuning bis zu 70 Milliarden Parametern an; bis zu vier verbundene Einheiten bewältigen Modelle mit bis zu 700 Milliarden Parametern.
- Die Speicherbandbreite ist die entscheidende Grenze. Mit 273 GB/s ermöglicht sie deutlich größere Modelle als eine 32-GB-Gaming-GPU, generiert aber Tokens bei großen, dichten Modellen deutlich langsamer als eine diskrete Grafikkarte.
- Der Preis hat sich verändert. 3.999 US-Dollar beim Marktstart im Oktober 2025; Berichte sprechen von 4.699 US-Dollar im Februar 2026 infolge steigender Speicherpreise. Partnermodelle von ASUS, Acer, Dell und MSI verwenden denselben Chip.
Was der DGX Spark tatsächlich ist
Offizielle Spezifikation von Nvidia:
„Unified Memory“ bedeutet, dass CPU und GPU einen gemeinsamen 128-GB-Speicherpool teilen – dieselbe Konzeption, die Apple bei seinen M-Serie-Macs verwendet. Ein Gaming-PC trennt den Arbeitsspeicher (RAM) vom dedizierten Grafikspeicher (VRAM) der Grafikkarte; passt ein Modell nicht vollständig in den VRAM, lässt es sich entweder gar nicht laden oder läuft extrem langsam. Beim DGX Spark steht dem Modell der gesamte Speicherpool zur Verfügung.
Welche Modellgröße passt hinein
Der Speicherbedarf eines Modells ergibt sich grob aus der Anzahl seiner Parameter multipliziert mit der pro Parameter gespeicherten Byteanzahl sowie zusätzlichem Platz für den Kontext (den KV-Cache) und Laufzeit-Overhead. Bei 4-Bit-Quantisierung nimmt jeder Parameter etwa ein halbes Byte ein:
| Modellgröße | Gewichte bei 4-Bit (ca.) | Ein DGX Spark (128 GB) | RTX 5090 (32 GB) |
|---|---|---|---|
| 8B | ~5 GB | Passt problemlos | Passt problemlos |
| 32B | ~18 GB | Passt problemlos | Passt, eingeschränkter Kontext |
| 70B | ~40 GB | Passt mit Platz für langen Kontext | Passt nicht hinein |
| 120B | ca. 65 GB | Passt | Passt nicht hinein |
| 200 Mrd. | ~110 GB | Passt (Nvidias angegebene Höchstgrenze) | Passt nicht hinein |
| 405 Mrd. | ~220 GB | Benötigt verknüpfte Einheiten | Passt nicht hinein |
Ungefähre Gewichtsgrößen; die genauen Werte hängen vom Quantisierungsformat ab. Unser VRAM-Rechner berechnet den Speicherbedarf für ein bestimmtes Modell, eine bestimmte Quantisierung und eine bestimmte Kontextlänge, und die Leitfaden zu VRAM-Anforderungen listet gängige Modelle auf.
Warum die Speicherbandbreite über die Geschwindigkeit entscheidet
Wenn ein Sprachmodell jedes Token generiert, muss die Hardware die aktiven Gewichte des Modells aus dem Arbeitsspeicher lesen. Bei großen Modellen ist meist nicht die Rohrechenleistung, sondern das Lesen aus dem Speicher der Engpass. Daher eignet sich die Speicherbandbreite gut, um die obere Grenze der Generierungsgeschwindigkeit abzuschätzen: Teilen Sie die Bandbreite durch die pro Token gelesenen Gigabytes.
| Hardware | Speicherbandbreite | Obergrenze für ein dichtes 70-Milliarden-Parameter-Modell mit 4-Bit-Quantisierung (~40 GB) | Obergrenze für ein dichtes 8-Milliarden-Parameter-Modell mit 4-Bit-Quantisierung (~5 GB) |
|---|---|---|---|
| Nvidia DGX Spark | 273 GB/s | ~7 Tokens/s | ~55 Tokens/s |
| Apple M4 Max | 546 GB/s | ~14 Tokens/s | ~110 Tokens/s |
| RTX 5090 | ~1.792 GB/s | Modell passt nicht in 32 GB | ~360 Tokens/s |
Dies sind arithmetische Obergrenzen, berechnet anhand veröffentlichter Bandbreitenwerte – keine gemessenen Ergebnisse. Die tatsächlichen Geschwindigkeiten liegen niedriger, sobald Rechenleistung, Software und Kontextlänge berücksichtigt werden.
Daraus ergeben sich zwei praktische Schlussfolgerungen: Erstens ist für Modelle, die klein genug sind, um auf einer Gaming-GPU Platz zu finden, eine dedizierte Grafikkarte deutlich schneller. Zweitens zeigt der DGX Spark seine Stärken am besten bei Mixture-of-Experts-(MoE)-Modellen , die zwar viele Parameter speichern, aber pro Token jeweils nur einen Bruchteil davon aktivieren. Ein großes MoE-Modell benötigt die 128 GB des Spark, um geladen zu werden, liest jedoch pro Token nur seine aktiven Gewichte – wodurch es deutlich schneller generieren kann als ein dichtes Modell gleicher Gesamtgröße.
Für wen der DGX Spark gedacht ist
- Entwickler, die große Modelle lokal benötigen. Falls Ihre Arbeit Modelle im Bereich von 70 bis 200 Milliarden Parametern umfasst und Ihre Daten das Gebäude nicht verlassen dürfen, ist ein einzelner Rechner, der diese Modelle hosten kann, der zentrale Vorteil.
- Teams, die für Nvidias Data-Center-Stack entwickeln. DGX OS wird mit Nvidias KI-Software ausgeliefert, sodass Code, der auf einem Spark entwickelt wurde, nahtlos auf größere DGX-Systeme oder Cloud-Plattformen übertragen werden kann.
- Fine-Tuning-Experimente. Nvidia gibt an, dass der DGX Spark für das Fine-Tuning von Modellen mit bis zu 70 Milliarden Parametern geeignet ist – eine Größe, die für eine einzelne Consumer-Grafikkarte unerreichbar ist.
Für wen andere Lösungen besser geeignet sind
- Personen, deren Modelle in 24 bis 32 GB passen. Ein Desktop mit einer High-End-Grafikkarte generiert Tokens deutlich schneller. Vergleichen Sie Grafikkarten in unserem beste GPUs für lokale LLMs Leitfaden.
- Jeder, der einen Allzweckcomputer sucht. Der DGX Spark ist als KI-Entwicklungsmaschine konzipiert, nicht als Heim- oder Gaming-PC.
- Gelegentliche Nutzer. Falls Sie nur gelegentlich ein großes Modell benötigen, ist das Mieten von Cloud-GPUs oder das Bezahlen pro Token über eine API in der Regel kostengünstiger. Die Self-Hosting vs API Rechner zeigt, ab wann sich der Kauf lohnt.
Vor- und Nachteile
Stärken des DGX Spark
- 128 GB einheitlicher Arbeitsspeicher für Modelle mit bis zu 200 Milliarden Parametern (Angabe von Nvidia)
- Nvidia-KI-Softwarestack unter DGX OS
- Geringer Stromverbrauch im Vergleich zu Multi-GPU-Arbeitsstationen: 140 W Chip-TDP, 240 W Netzteil
- Bis zu vier Einheiten können verknüpft werden, um Modelle mit bis zu 700 Milliarden Parametern zu betreiben
- Klein und leicht mit nur 1,2 kg
Schwächen des DGX Spark
- Die Bandbreite von 273 GB/s begrenzt die Geschwindigkeit bei großen, dichten Modellen
- Langsammer als eine dedizierte GPU bei Modellen, die vollständig in deren VRAM passen
- Der Arbeitsspeicher ist fest verlötet; Upgrades sind nicht möglich
- Der Preis ist seit der Markteinführung – parallel zum Anstieg der Speicherkosten – gestiegen
Was der Besitz tatsächlich kostet
Der Listenpreis ist erst der Ausgangspunkt der Entscheidung – und dieser hat sich bereits mehrfach verändert. Die Founders Edition von Nvidia wurde im Oktober 2025 zum Preis von $3,999 eingeführt und war im Februar 2026 laut Berichten bereits auf $4,699 angestiegen, da die weltweite DRAM-Knappheit die Herstellungskosten für die 128 GB LPDDR5x-Speicher erhöhte. Da ein Großteil der Kosten auf dem fest verlöteten Speicher beruht, folgt der DGX-Spark-Preis eng der Entwicklung des Speichermarktes und kann sich daher erneut ändern – prüfen Sie daher bitte stets den aktuellen Preis im Nvidia Marketplace.
Sie sind nicht auf die goldfarbene Founders-Edition beschränkt. Partnermodelle von ASUS (Ascent GX10), Acer (Veriton GN100), Dell (Pro Max GB10) und MSI (EdgeXpert) nutzen denselben GB10-Superchip und dieselben 128 GB einheitlichen Arbeitsspeichers. Der Kompromiss betrifft meist den Speicherplatz: Partnergeräte werden häufig mit einer 1-TB-SSD statt der 4-TB-SSD der Founders Edition ausgeliefert – so erreichen die günstigeren Varianten einen niedrigeren Preis als Nvidias eigene Ausgabe.
Hinzu kommen die laufenden Kosten, die oft übersehen werden:
- Speicherplatz, den Sie rasch überfordern werden. Modellgewichte, Datensätze und Container-Images sind groß. Bei einem Gerät mit 1 TB sollten Sie nahezu sofort eine schnelle externe NVMe-Lösung einkalkulieren.
- Stromkosten. Im Vergleich zu einer Tower-Arbeitsstation verbraucht er wenig Strom, doch ein ständig eingeschalteter Inferenz-Server führt langfristig zu laufenden Kosten.
- Das zweite Gerät. Das Verknüpfen zweier Einheiten für Modelle mit etwa 405 Milliarden Parametern verdoppelt annähernd die Hardwarekosten.
Der ehrliche Vergleich erfolgt gegen die Cloud – nicht gegen Nichts. Eine gemietete High-End-GPU-Instanz wird stundenweise abgerechnet und verliert nie an Wert in Ihrem Schrank. Der DGX Spark gewinnt beim Gesamtkostenvergleich nur dann, wenn er kontinuierlich ausgelastet ist: für ständige lokale Inferenz, regelmäßiges Fine-Tuning oder Workloads, bei denen die lokale Datenspeicherung im Vordergrund steht.
Überprüfen Sie diese Zahlen bei der Quelle
Technische Daten und Preise können sich ohne vorherige Ankündigung ändern. Folgende Seiten waren die Quelle der oben genannten Angaben:
Häufig gestellte Fragen (FAQ)
Ist der Nvidia DGX Spark identisch mit Projekt DIGITS?
Ja. Projekt DIGITS war der Name, den Nvidia bei der Vorstellung des GB10-basierten persönlichen KI-Computers auf der CES 2025 verwendete. Im Oktober 2025 ging das Gerät unter dem Namen DGX Spark in den Handel.
Wie viel kostet der DGX Spark?
Er wurde im Oktober 2025 zum Preis von 3.999 US-Dollar lanciert; Berichten zufolge stieg der Preis für die Founders Edition bis Februar 2026 auf 4.699 US-Dollar, als die Speicherpreise anstiegen. Partnermodelle von ASUS, Acer, Dell und MSI mit kleineren SSDs sind günstiger erhältlich.
Welches ist das größte Modell, das der DGX Spark ausführen kann?
Nvidia gibt für eine einzelne Einheit Inference-Betrieb mit Modellen bis zu 200 Milliarden Parametern und Feinabstimmung (Fine-tuning) bis zu 70 Milliarden Parametern an. Durch Verknüpfung bis zu vier Einheiten steigt die Inference-Grenze auf Modelle mit bis zu 700 Milliarden Parametern.
Wie hoch ist die Speicherbandbreite – und warum begrenzt sie die Leistung?
Die 128 GB einheitlichen LPDDR5x-Speichers des DGX Spark laufen mit einer Bandbreite von 273 GB/s. Dieser Wert – nicht die angegebene Spitzenleistung von PetaFLOPs bei FP4-Berechnungen – begrenzt die Token-Generierungsgeschwindigkeit bei großen Sprachmodellen, da pro Token die aktiven Gewichte aus dem Speicher gelesen werden müssen. Diese Bandbreite reicht aus, um sehr große Modelle zu laden, die auf einer 24- bis 32-GB-Gaming-GPU keinen Platz finden würden, liegt aber deutlich unter der Bandbreite einer dedizierten Grafikkarte wie der RTX 5090.
Sollte ich die Founders Edition oder ein Partnermodell wie den ASUS Ascent GX10 kaufen?
Die Rechenleistung ist identisch, sodass die Wahl letztlich zwischen Speicherkapazität und Preis entschieden wird. Die Founders Edition enthält eine 4-TB-SSD; viele Partnermodelle werden mit einer 1-TB-SSD ausgeliefert und sind preisgünstiger. Falls Sie zahlreiche große Modelle und Datensätze lokal speichern möchten, kann der zusätzliche Speicher durchaus die Mehrkosten rechtfertigen.
Kann ich den DGX Spark als gewöhnlichen Desktop-Computer nutzen?
Er läuft mit Nvidia DGX OS, einer auf Ubuntu Linux basierenden Distribution, weshalb auch alltägliche Desktop-Anwendungen funktionieren. Er ist jedoch als KI-Entwicklungsmaschine konzipiert und preislich entsprechend positioniert; ein herkömmlicher PC bietet deutlich bessere Wertigkeit, falls Sie nicht dessen hohe Speicherkapazität benötigen.