{"id":380,"date":"2026-05-19T18:16:08","date_gmt":"2026-05-19T18:16:08","guid":{"rendered":"https:\/\/convly.ai\/nvidia-digits-personal-ai-computer-review\/"},"modified":"2026-09-11T05:41:58","modified_gmt":"2026-09-11T05:41:58","slug":"nvidia-digits-personal-ai-computer-review","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/","title":{"rendered":"Nvidia DGX Spark (Projekt DIGITS): Technische Daten, Preis und Zielgruppe"},"content":{"rendered":"<p>Nvidia stellte Projekt DIGITS im Januar 2025 auf der CES vor und brachte es als <strong>Nvidia DGX Spark<\/strong>: einen handtellergro\u00dfen Desktop-Computer, der um den GB10 Grace Blackwell-Superchip herum aufgebaut ist und <strong>128 GB einheitlicher Arbeitsspeicher<\/strong>. Es kam Mitte Oktober 2025 zum Verkauf und kostete 3.999 US-Dollar, laut <a href=\"https:\/\/www.engadget.com\/ai\/nvidia-starts-selling-its-3999-dgx-spark-ai-developer-pc-120034479.html\" rel=\"noopener\" target=\"_blank\">Engadget<\/a>Mitte Oktober 2025 f\u00fcr 3.999 US-Dollar in den Handel. Dieser Leitfaden erl\u00e4utert, woraus die Hardware besteht, welche Gr\u00f6\u00dfe 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 <a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">Nvidias DGX Spark-Seite<\/a>; Geschwindigkeitssch\u00e4tzungen sind als arithmetische Werte gekennzeichnet, nicht als Benchmark-Ergebnisse.<\/p>\n<div class=\"convly-tldr\">\n<h3>Wichtigste Erkenntnisse<\/h3>\n<ul>\n<li><strong>DGX Spark ist der Markenname f\u00fcr Projekt DIGITS.<\/strong> GB10 Grace Blackwell-Superchip, 20-Kern-Arm-CPU, 128 GB LPDDR5x Unified Memory, 4-TB-SSD, in einem Geh\u00e4use mit den Abmessungen 150 \u00d7 150 \u00d7 50,5 mm.<\/li>\n<li><strong>Kapazit\u00e4t ist das Verkaufsargument.<\/strong> Nvidia gibt f\u00fcr eine Einheit Inference mit Modellen bis zu 200 Milliarden Parametern und Fine-tuning bis zu 70 Milliarden Parametern an; bis zu vier verbundene Einheiten bew\u00e4ltigen Modelle mit bis zu 700 Milliarden Parametern.<\/li>\n<li><strong>Die Speicherbandbreite ist die entscheidende Grenze.<\/strong> Mit 273 GB\/s erm\u00f6glicht sie deutlich gr\u00f6\u00dfere Modelle als eine 32-GB-Gaming-GPU, generiert aber Tokens bei gro\u00dfen, dichten Modellen deutlich langsamer als eine diskrete Grafikkarte.<\/li>\n<li><strong>Der Preis hat sich ver\u00e4ndert.<\/strong> 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.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6acaaf0142431\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Umschalten<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6acaaf0142431\"  aria-label=\"Umschalten\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#What_DGX_Spark_actually_is\" >Was der DGX Spark tats\u00e4chlich ist<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#What_size_of_model_fits\" >Welche Modellgr\u00f6\u00dfe passt hinein<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#Why_memory_bandwidth_decides_the_speed\" >Warum die Speicherbandbreite \u00fcber die Geschwindigkeit entscheidet<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#Who_DGX_Spark_is_for\" >F\u00fcr wen der DGX Spark gedacht ist<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#Who_should_look_elsewhere\" >F\u00fcr wen andere L\u00f6sungen besser geeignet sind<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#Pros_and_cons\" >Vor- und Nachteile<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#What_it_actually_costs_to_own_one\" >Was der Besitz tats\u00e4chlich kostet<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#Verify_these_figures_at_the_source\" >\u00dcberpr\u00fcfen Sie diese Zahlen bei der Quelle<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#FAQ\" >H\u00e4ufig gestellte Fragen (FAQ)<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/de\/nvidia-digits-personal-ai-computer-review\/#Related_articles\" >Verwandte Artikel<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_DGX_Spark_actually_is\"><\/span>Was der DGX Spark tats\u00e4chlich ist<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Offizielle Spezifikation von Nvidia:<\/p>\n<div class=\"convly-specs\">\n<div><strong>Superchip<\/strong><span>Nvidia GB10 Grace Blackwell<\/span><\/div>\n<div><strong>CPU<\/strong><span>20-Kern-Arm-Prozessor (10 Cortex-X925 + 10 Cortex-A725)<\/span><\/div>\n<div><strong>GPU<\/strong><span>Blackwell-Architektur, Tensor-Cores der 5. Generation<\/span><\/div>\n<div><strong>KI-Rechenleistung<\/strong><span>Bis zu 1 PetaFLOP bei FP4 (Angabe von Nvidia: theoretisch, unter Nutzung von Sparsit\u00e4t)<\/span><\/div>\n<div><strong>Arbeitsspeicher<\/strong><span>128 GB LPDDR5x Unified Memory mit einer Bandbreite von 273 GB\/s<\/span><\/div>\n<div><strong>Speicher<\/strong><span>4-TB-NVMe-M.2-SSD mit Selbstverschl\u00fcsselung<\/span><\/div>\n<div><strong>Netzwerk<\/strong><span>ConnectX-7-NIC mit 200 Gbps<\/span><\/div>\n<div><strong>Stromverbrauch<\/strong><span>GB10-TDP 140 W; 240-W-Netzteil<\/span><\/div>\n<div><strong>Abmessungen und Gewicht<\/strong><span>150 \u00d7 150 \u00d7 50,5 mm, 1,2 kg<\/span><\/div>\n<div><strong>Betriebssystem<\/strong><span>Nvidia DGX OS<\/span><\/div>\n<\/div>\n<p>\u201eUnified Memory\u201c bedeutet, dass CPU und GPU einen gemeinsamen 128-GB-Speicherpool teilen \u2013 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 vollst\u00e4ndig in den VRAM, l\u00e4sst es sich entweder gar nicht laden oder l\u00e4uft extrem langsam. Beim DGX Spark steht dem Modell der gesamte Speicherpool zur Verf\u00fcgung.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_size_of_model_fits\"><\/span>Welche Modellgr\u00f6\u00dfe passt hinein<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Der Speicherbedarf eines Modells ergibt sich grob aus der Anzahl seiner Parameter multipliziert mit der pro Parameter gespeicherten Byteanzahl sowie zus\u00e4tzlichem Platz f\u00fcr den Kontext (den KV-Cache) und Laufzeit-Overhead. Bei 4-Bit-Quantisierung nimmt jeder Parameter etwa ein halbes Byte ein:<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modellgr\u00f6\u00dfe<\/th>\n<th>Gewichte bei 4-Bit (ca.)<\/th>\n<th>Ein DGX Spark (128 GB)<\/th>\n<th>RTX 5090 (32 GB)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>8B<\/td>\n<td>~5 GB<\/td>\n<td>Passt problemlos<\/td>\n<td>Passt problemlos<\/td>\n<\/tr>\n<tr>\n<td>32B<\/td>\n<td>~18 GB<\/td>\n<td>Passt problemlos<\/td>\n<td>Passt, eingeschr\u00e4nkter Kontext<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>~40 GB<\/td>\n<td>Passt mit Platz f\u00fcr langen Kontext<\/td>\n<td>Passt nicht hinein<\/td>\n<\/tr>\n<tr>\n<td>120B<\/td>\n<td>ca. 65 GB<\/td>\n<td>Passt<\/td>\n<td>Passt nicht hinein<\/td>\n<\/tr>\n<tr>\n<td>200 Mrd.<\/td>\n<td>~110 GB<\/td>\n<td>Passt (Nvidias angegebene H\u00f6chstgrenze)<\/td>\n<td>Passt nicht hinein<\/td>\n<\/tr>\n<tr>\n<td>405 Mrd.<\/td>\n<td>~220 GB<\/td>\n<td>Ben\u00f6tigt verkn\u00fcpfte Einheiten<\/td>\n<td>Passt nicht hinein<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Ungef\u00e4hre Gewichtsgr\u00f6\u00dfen; die genauen Werte h\u00e4ngen vom Quantisierungsformat ab. Unser <a href=\"\/de\/llm-vram-calculator\/\">VRAM-Rechner<\/a> berechnet den Speicherbedarf f\u00fcr ein bestimmtes Modell, eine bestimmte Quantisierung und eine bestimmte Kontextl\u00e4nge, und die <a href=\"\/de\/vram-requirements-every-major-llm-2026\/\">Leitfaden zu VRAM-Anforderungen<\/a> listet g\u00e4ngige Modelle auf.<\/em><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_memory_bandwidth_decides_the_speed\"><\/span>Warum die Speicherbandbreite \u00fcber die Geschwindigkeit entscheidet<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Wenn ein Sprachmodell jedes Token generiert, muss die Hardware die aktiven Gewichte des Modells aus dem Arbeitsspeicher lesen. Bei gro\u00dfen Modellen ist meist nicht die Rohrechenleistung, sondern das Lesen aus dem Speicher der Engpass. Daher eignet sich die Speicherbandbreite gut, um die <strong>obere Grenze<\/strong> der Generierungsgeschwindigkeit abzusch\u00e4tzen: Teilen Sie die Bandbreite durch die pro Token gelesenen Gigabytes.<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Hardware<\/th>\n<th>Speicherbandbreite<\/th>\n<th>Obergrenze f\u00fcr ein dichtes 70-Milliarden-Parameter-Modell mit 4-Bit-Quantisierung (~40 GB)<\/th>\n<th>Obergrenze f\u00fcr ein dichtes 8-Milliarden-Parameter-Modell mit 4-Bit-Quantisierung (~5 GB)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Nvidia DGX Spark<\/td>\n<td>273 GB\/s<\/td>\n<td>~7 Tokens\/s<\/td>\n<td>~55 Tokens\/s<\/td>\n<\/tr>\n<tr>\n<td>Apple M4 Max<\/td>\n<td>546 GB\/s<\/td>\n<td>~14 Tokens\/s<\/td>\n<td>~110 Tokens\/s<\/td>\n<\/tr>\n<tr>\n<td>RTX 5090<\/td>\n<td>~1.792 GB\/s<\/td>\n<td>Modell passt nicht in 32 GB<\/td>\n<td>~360 Tokens\/s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Dies sind arithmetische Obergrenzen, berechnet anhand ver\u00f6ffentlichter Bandbreitenwerte \u2013 keine gemessenen Ergebnisse. Die tats\u00e4chlichen Geschwindigkeiten liegen niedriger, sobald Rechenleistung, Software und Kontextl\u00e4nge ber\u00fccksichtigt werden.<\/em><\/p>\n<p>Daraus ergeben sich zwei praktische Schlussfolgerungen: Erstens ist f\u00fcr Modelle, die klein genug sind, um auf einer Gaming-GPU Platz zu finden, eine dedizierte Grafikkarte deutlich schneller. Zweitens zeigt der DGX Spark seine St\u00e4rken am besten bei <strong>Mixture-of-Experts-(MoE)-Modellen<\/strong> , die zwar viele Parameter speichern, aber pro Token jeweils nur einen Bruchteil davon aktivieren. Ein gro\u00dfes MoE-Modell ben\u00f6tigt die 128 GB des Spark, um geladen zu werden, liest jedoch pro Token nur seine aktiven Gewichte \u2013 wodurch es deutlich schneller generieren kann als ein dichtes Modell gleicher Gesamtgr\u00f6\u00dfe.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_DGX_Spark_is_for\"><\/span>F\u00fcr wen der DGX Spark gedacht ist<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Entwickler, die gro\u00dfe Modelle lokal ben\u00f6tigen.<\/strong> Falls Ihre Arbeit Modelle im Bereich von 70 bis 200 Milliarden Parametern umfasst und Ihre Daten das Geb\u00e4ude nicht verlassen d\u00fcrfen, ist ein einzelner Rechner, der diese Modelle hosten kann, der zentrale Vorteil.<\/li>\n<li><strong>Teams, die f\u00fcr Nvidias Data-Center-Stack entwickeln.<\/strong> DGX OS wird mit Nvidias KI-Software ausgeliefert, sodass Code, der auf einem Spark entwickelt wurde, nahtlos auf gr\u00f6\u00dfere DGX-Systeme oder Cloud-Plattformen \u00fcbertragen werden kann.<\/li>\n<li><strong>Fine-Tuning-Experimente.<\/strong> Nvidia gibt an, dass der DGX Spark f\u00fcr das Fine-Tuning von Modellen mit bis zu 70 Milliarden Parametern geeignet ist \u2013 eine Gr\u00f6\u00dfe, die f\u00fcr eine einzelne Consumer-Grafikkarte unerreichbar ist.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_look_elsewhere\"><\/span>F\u00fcr wen andere L\u00f6sungen besser geeignet sind<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Personen, deren Modelle in 24 bis 32 GB passen.<\/strong> Ein Desktop mit einer High-End-Grafikkarte generiert Tokens deutlich schneller. Vergleichen Sie Grafikkarten in unserem <a href=\"\/de\/best-gpus-for-local-llms-2026\/\">beste GPUs f\u00fcr lokale LLMs<\/a> Leitfaden.<\/li>\n<li><strong>Jeder, der einen Allzweckcomputer sucht.<\/strong> Der DGX Spark ist als KI-Entwicklungsmaschine konzipiert, nicht als Heim- oder Gaming-PC.<\/li>\n<li><strong>Gelegentliche Nutzer.<\/strong> Falls Sie nur gelegentlich ein gro\u00dfes Modell ben\u00f6tigen, ist das Mieten von Cloud-GPUs oder das Bezahlen pro Token \u00fcber eine API in der Regel kosteng\u00fcnstiger. Die <a href=\"\/de\/self-hosting-vs-api-calculator\/\">Self-Hosting vs API Rechner<\/a> zeigt, ab wann sich der Kauf lohnt.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Pros_and_cons\"><\/span>Vor- und Nachteile<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>St\u00e4rken des DGX Spark<\/h4>\n<ul>\n<li>128 GB einheitlicher Arbeitsspeicher f\u00fcr Modelle mit bis zu 200 Milliarden Parametern (Angabe von Nvidia)<\/li>\n<li>Nvidia-KI-Softwarestack unter DGX OS<\/li>\n<li>Geringer Stromverbrauch im Vergleich zu Multi-GPU-Arbeitsstationen: 140 W Chip-TDP, 240 W Netzteil<\/li>\n<li>Bis zu vier Einheiten k\u00f6nnen verkn\u00fcpft werden, um Modelle mit bis zu 700 Milliarden Parametern zu betreiben<\/li>\n<li>Klein und leicht mit nur 1,2 kg<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Schw\u00e4chen des DGX Spark<\/h4>\n<ul>\n<li>Die Bandbreite von 273 GB\/s begrenzt die Geschwindigkeit bei gro\u00dfen, dichten Modellen<\/li>\n<li>Langsammer als eine dedizierte GPU bei Modellen, die vollst\u00e4ndig in deren VRAM passen<\/li>\n<li>Der Arbeitsspeicher ist fest verl\u00f6tet; Upgrades sind nicht m\u00f6glich<\/li>\n<li>Der Preis ist seit der Markteinf\u00fchrung \u2013 parallel zum Anstieg der Speicherkosten \u2013 gestiegen<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_it_actually_costs_to_own_one\"><\/span>Was der Besitz tats\u00e4chlich kostet<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Der Listenpreis ist erst der Ausgangspunkt der Entscheidung \u2013 und dieser hat sich bereits mehrfach ver\u00e4ndert. Die Founders Edition von Nvidia wurde im Oktober 2025 zum Preis von <strong>$3,999<\/strong> eingef\u00fchrt und war im Februar 2026 laut Berichten bereits auf <strong>$4,699<\/strong> angestiegen, da die weltweite DRAM-Knappheit die Herstellungskosten f\u00fcr die 128 GB LPDDR5x-Speicher erh\u00f6hte. Da ein Gro\u00dfteil der Kosten auf dem fest verl\u00f6teten Speicher beruht, folgt der DGX-Spark-Preis eng der Entwicklung des Speichermarktes und kann sich daher erneut \u00e4ndern \u2013 pr\u00fcfen Sie daher bitte stets den aktuellen Preis im Nvidia Marketplace.<\/p>\n<p>Sie sind nicht auf die goldfarbene Founders-Edition beschr\u00e4nkt. 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: Partnerger\u00e4te werden h\u00e4ufig mit einer 1-TB-SSD statt der 4-TB-SSD der Founders Edition ausgeliefert \u2013 so erreichen die g\u00fcnstigeren Varianten einen niedrigeren Preis als Nvidias eigene Ausgabe.<\/p>\n<p>Hinzu kommen die laufenden Kosten, die oft \u00fcbersehen werden:<\/p>\n<ul>\n<li><strong>Speicherplatz, den Sie rasch \u00fcberfordern werden.<\/strong> Modellgewichte, Datens\u00e4tze und Container-Images sind gro\u00df. Bei einem Ger\u00e4t mit 1 TB sollten Sie nahezu sofort eine schnelle externe NVMe-L\u00f6sung einkalkulieren.<\/li>\n<li><strong>Stromkosten.<\/strong> Im Vergleich zu einer Tower-Arbeitsstation verbraucht er wenig Strom, doch ein st\u00e4ndig eingeschalteter Inferenz-Server f\u00fchrt langfristig zu laufenden Kosten.<\/li>\n<li><strong>Das zweite Ger\u00e4t.<\/strong> Das Verkn\u00fcpfen zweier Einheiten f\u00fcr Modelle mit etwa 405 Milliarden Parametern verdoppelt ann\u00e4hernd die Hardwarekosten.<\/li>\n<\/ul>\n<p>Der ehrliche Vergleich erfolgt gegen die Cloud \u2013 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: f\u00fcr st\u00e4ndige lokale Inferenz, regelm\u00e4\u00dfiges Fine-Tuning oder Workloads, bei denen die lokale Datenspeicherung im Vordergrund steht.<\/p>\n<div class=\"convly-sources\">\n<h2><span class=\"ez-toc-section\" id=\"Verify_these_figures_at_the_source\"><\/span>\u00dcberpr\u00fcfen Sie diese Zahlen bei der Quelle<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Technische Daten und Preise k\u00f6nnen sich ohne vorherige Ank\u00fcndigung \u00e4ndern. Folgende Seiten waren die Quelle der oben genannten Angaben:<\/p>\n<ul>\n<li><a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">Nvidia DGX Spark \u2013 technische Daten<\/a><\/li>\n<li><a href=\"https:\/\/www.engadget.com\/ai\/nvidia-starts-selling-its-3999-dgx-spark-ai-developer-pc-120034479.html\" rel=\"noopener\" target=\"_blank\">Engadget: Nvidia beginnt mit dem Verkauf des 3.999-Dollar-DGX Spark<\/a><\/li>\n<\/ul>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>H\u00e4ufig gestellte Fragen (FAQ)<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Ist der Nvidia DGX Spark identisch mit Projekt DIGITS?<\/h3>\n<p>Ja. Projekt DIGITS war der Name, den Nvidia bei der Vorstellung des GB10-basierten pers\u00f6nlichen KI-Computers auf der CES 2025 verwendete. Im Oktober 2025 ging das Ger\u00e4t unter dem Namen DGX Spark in den Handel.<\/p>\n<h3>Wie viel kostet der DGX Spark?<\/h3>\n<p>Er wurde im Oktober 2025 zum Preis von 3.999 US-Dollar lanciert; Berichten zufolge stieg der Preis f\u00fcr 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 g\u00fcnstiger erh\u00e4ltlich.<\/p>\n<h3>Welches ist das gr\u00f6\u00dfte Modell, das der DGX Spark ausf\u00fchren kann?<\/h3>\n<p>Nvidia gibt f\u00fcr eine einzelne Einheit Inference-Betrieb mit Modellen bis zu 200 Milliarden Parametern und Feinabstimmung (Fine-tuning) bis zu 70 Milliarden Parametern an. Durch Verkn\u00fcpfung bis zu vier Einheiten steigt die Inference-Grenze auf Modelle mit bis zu 700 Milliarden Parametern.<\/p>\n<h3>Wie hoch ist die Speicherbandbreite \u2013 und warum begrenzt sie die Leistung?<\/h3>\n<p>Die 128 GB einheitlichen LPDDR5x-Speichers des DGX Spark laufen mit einer Bandbreite von 273 GB\/s. Dieser Wert \u2013 nicht die angegebene Spitzenleistung von PetaFLOPs bei FP4-Berechnungen \u2013 begrenzt die Token-Generierungsgeschwindigkeit bei gro\u00dfen Sprachmodellen, da pro Token die aktiven Gewichte aus dem Speicher gelesen werden m\u00fcssen. Diese Bandbreite reicht aus, um sehr gro\u00dfe Modelle zu laden, die auf einer 24- bis 32-GB-Gaming-GPU keinen Platz finden w\u00fcrden, liegt aber deutlich unter der Bandbreite einer dedizierten Grafikkarte wie der RTX 5090.<\/p>\n<h3>Sollte ich die Founders Edition oder ein Partnermodell wie den ASUS Ascent GX10 kaufen?<\/h3>\n<p>Die Rechenleistung ist identisch, sodass die Wahl letztlich zwischen Speicherkapazit\u00e4t und Preis entschieden wird. Die Founders Edition enth\u00e4lt eine 4-TB-SSD; viele Partnermodelle werden mit einer 1-TB-SSD ausgeliefert und sind preisg\u00fcnstiger. Falls Sie zahlreiche gro\u00dfe Modelle und Datens\u00e4tze lokal speichern m\u00f6chten, kann der zus\u00e4tzliche Speicher durchaus die Mehrkosten rechtfertigen.<\/p>\n<h3>Kann ich den DGX Spark als gew\u00f6hnlichen Desktop-Computer nutzen?<\/h3>\n<p>Er l\u00e4uft mit Nvidia DGX OS, einer auf Ubuntu Linux basierenden Distribution, weshalb auch allt\u00e4gliche Desktop-Anwendungen funktionieren. Er ist jedoch als KI-Entwicklungsmaschine konzipiert und preislich entsprechend positioniert; ein herk\u00f6mmlicher PC bietet deutlich bessere Wertigkeit, falls Sie nicht dessen hohe Speicherkapazit\u00e4t ben\u00f6tigen.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Verwandte Artikel<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/de\/deepseek-v4-pro-vs-llama-4-maverick\/\">DeepSeek V4-Pro vs. Llama 4 Maverick: Spezifikationen, Preise und Entscheidungshilfe (2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-pro-6000-vs-rtx-5090-for-ai-2026\/\">RTX Pro 6000 Blackwell vs RTX 5090 f\u00fcr KI 2026: Wann ist 96GB 5.500 Dollar mehr wert?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-5070-vs-rtx-5080-for-ai-2026\/\">RTX 5070 vs RTX 5080 f\u00fcr KI 2026: Lohnt sich der Sprung zu 16GB f\u00fcr 450 Dollar?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/best-gpus-for-video-generation-2026\/\">Die besten GPUs f\u00fcr KI-Videogenerierung 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/best-gpus-for-llm-fine-tuning-2026\/\">Die besten GPUs zum Feintuning von LLMs zu Hause im Jahr 2026<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Nvidia DGX Spark, the shipping version of Project DIGITS: GB10 chip, 128 GB unified memory and 273 GB\/s bandwidth. What size of model it holds, why memory speed limits it, the launch price and who should buy one.<\/p>","protected":false},"author":1,"featured_media":1997,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[248],"tags":[255,316,314,315],"class_list":["post-380","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-gpus","tag-ai-workstation-2026","tag-gb10","tag-nvidia-digits","tag-personal-ai-supercomputer"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/380","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/comments?post=380"}],"version-history":[{"count":5,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/380\/revisions"}],"predecessor-version":[{"id":2669,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/380\/revisions\/2669"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/1997"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=380"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=380"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=380"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}