Nvidia anunció el Proyecto DIGITS en la CES de enero de 2025 y lo llevó al mercado como el Nvidia DGX Spark: un ordenador de escritorio del tamaño de la palma de la mano construido alrededor del superchip GB10 Grace Blackwell con 128 GB de memoria unificada. Comenzó a venderse a mediados de octubre de 2025 a 3.999 USD, según informó Engadget. Esta guía explica qué hardware incluye, qué tamaño de modelo de IA puede alojar, por qué su velocidad de memoria importa más que su cifra nominal de potencia computacional y para quién está destinado. Todas las especificaciones que aparecen a continuación provienen de la página oficial de Nvidia sobre DGX Spark; las estimaciones de velocidad se indican como cálculos aritméticos, no como resultados de pruebas de referencia.
Conclusiones clave
- DGX Spark es el nombre comercial bajo el que se comercializa el Proyecto DIGITS. Superchip GB10 Grace Blackwell, CPU Arm de 20 núcleos, 128 GB de memoria unificada LPDDR5x, SSD de 4 TB, en una caja de 150 × 150 × 50,5 mm.
- La capacidad es su principal ventaja competitiva. Nvidia indica que una unidad admite inferencia en modelos de hasta 200 mil millones de parámetros y ajuste fino de hasta 70 mil millones; hasta cuatro unidades interconectadas pueden gestionar modelos de hasta 700 mil millones de parámetros.
- El ancho de banda de la memoria es el factor limitante. Con 273 GB/s, puede alojar modelos mucho más grandes que una GPU para juegos de 32 GB, pero genera tokens en modelos densos grandes mucho más lentamente que una tarjeta discreta.
- El precio ha variado. 3.999 USD al lanzamiento en octubre de 2025; informes señalan un aumento a 4.699 USD en febrero de 2026 debido al encarecimiento de la memoria. Las versiones de socios de ASUS, Acer, Dell y MSI usan el mismo chip.
Qué es realmente DGX Spark
Especificaciones publicadas por Nvidia:
«Memoria unificada» significa que la CPU y la GPU comparten un único bloque de 128 GB, siguiendo la misma idea que Apple aplica en sus Mac de la serie M. En una PC para juegos, la memoria se divide entre la RAM del sistema y la VRAM propia de la tarjeta gráfica, y un modelo que no cabe íntegramente en la VRAM o bien no se carga o bien se ralentiza drásticamente. En DGX Spark, todo el bloque de memoria está disponible para el modelo.
Qué tamaño de modelo cabe
La huella de memoria de un modelo equivale aproximadamente al número de parámetros multiplicado por los bytes almacenados por parámetro, más espacio para el contexto (la caché KV) y la sobrecarga en tiempo de ejecución. Con cuantización de 4 bits, cada parámetro ocupa cerca de medio byte:
| Tamaño del modelo | Pesos en 4 bits (aprox.) | Una unidad DGX Spark (128 GB) | RTX 5090 (32 GB) |
|---|---|---|---|
| 8B | ~5 GB | Cabe fácilmente | Cabe fácilmente |
| 32B | ~18 GB | Cabe fácilmente | Cabe, con contexto limitado |
| 70B | ~40 GB | Cabe, con espacio suficiente para contexto largo | No cabe |
| 120B | ~65 GB | Cabe | No cabe |
| 200B | ~110 GB | Cabe (máximo indicado por Nvidia) | No cabe |
| 405B | ~220 GB | Requiere unidades vinculadas | No cabe |
Tamaños aproximados de los pesos; las cifras exactas dependen del formato de cuantización. Nuestra Calculadora de VRAM calcula la memoria necesaria para un modelo específico, una cuantización y una longitud de contexto determinadas, y la guía de requisitos de VRAM enumera modelos populares.
Por qué el ancho de banda de la memoria determina la velocidad
Cuando un modelo de lenguaje genera cada token, el hardware debe leer los pesos activos del modelo desde la memoria. En modelos grandes, esta lectura —y no el cálculo en bruto— suele ser el cuello de botella. Por eso, el ancho de banda de memoria es una forma útil de estimar el límite superior de la velocidad de generación: basta dividir el ancho de banda entre los gigabytes leídos por token.
| Hardware | Ancho de banda de memoria | Límite superior para un modelo denso de 70 mil millones de parámetros en 4 bits (~40 GB) | Límite superior para un modelo denso de 8 mil millones de parámetros en 4 bits (~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 | El modelo no cabe en 32 GB | ~360 tokens/s |
Estos son límites aritméticos calculados a partir de cifras publicadas de ancho de banda, no resultados medidos. Las velocidades reales son inferiores una vez que se tienen en cuenta el rendimiento computacional, el software y la longitud del contexto.
Se derivan dos conclusiones prácticas. Primero, para modelos lo bastante pequeños como para caber en una GPU de gama alta para juegos, una tarjeta discreta es mucho más rápida. Segundo, el DGX Spark rinde mejor con modelos de mezcla de expertos (MoE) , que almacenan muchos parámetros pero activan solo una fracción de ellos por token. Un modelo MoE grande necesita los 128 GB del Spark para cargarse, pero solo lee sus pesos activos por token, por lo que puede generar tokens mucho más rápido que un modelo denso del mismo tamaño total.
Para quién está pensado DGX Spark
- Desarrolladores que necesitan modelos grandes de forma local. Si su trabajo implica modelos de 70 a 200 mil millones de parámetros y sus datos no pueden salir del edificio, una única unidad capaz de alojarlos es su principal ventaja.
- Equipos que desarrollan soluciones sobre la pila de centros de datos de Nvidia. DGX OS incluye el software de IA de Nvidia, por lo que el código desarrollado en un Spark se traslada a sistemas DGX más grandes y a la nube con mínimos cambios.
- Experimentos de ajuste fino. Nvidia lo califica para ajustar finamente modelos de hasta 70 mil millones de parámetros, una capacidad fuera del alcance de una sola tarjeta gráfica de consumo.
Quién debería considerar otras alternativas
- Usuarios que ejecutan modelos que caben en 24 a 32 GB. Un equipo de sobremesa con una tarjeta gráfica de gama alta generará tokens considerablemente más rápido. Compare tarjetas en nuestro mejores GPUs para LLMs locales guía.
- Cualquier persona que busque un ordenador de propósito general. El DGX Spark está diseñado como una máquina para el desarrollo de IA, no como un PC doméstico ni para juegos.
- Usuarios ocasionales. Si solo necesita un modelo grande de vez en cuando, alquilar GPUs en la nube o pagar por token mediante una API suele resultar más económico. La calculadora de autohospedaje frente a API muestra dónde se sitúa el punto de equilibrio.
Ventajas e inconvenientes
Fortalezas del DGX Spark
- Memoria unificada de 128 GB, capaz de alojar modelos de hasta 200 mil millones de parámetros (según la calificación de Nvidia)
- Pila de software de IA de Nvidia en DGX OS
- Bajo consumo energético frente a estaciones de trabajo con múltiples GPU: TDP del chip de 140 W, fuente de alimentación de 240 W
- Hasta cuatro unidades pueden vincularse para modelos de hasta 700 mil millones de parámetros
- Pequeño y ligero: 1,2 kg
Debilidades del DGX Spark
- El ancho de banda de 273 GB/s limita la velocidad en modelos densos grandes
- Más lento que una GPU discreta para modelos que caben en su VRAM
- La memoria está soldada; no admite actualizaciones
- Su precio ha aumentado desde su lanzamiento, al alza de los costos de la memoria
Cuál es su costo real de propiedad
El precio de etiqueta es solo el comienzo de la decisión, y ha sido un valor cambiante. La edición fundacional de Nvidia se lanzó a $3,999 en octubre de 2025 y, según informes, su precio ascendió a $4,699 para febrero de 2026, debido a la escasez mundial de DRAM que encareció la fabricación de sus 128 GB de LPDDR5x. Al depender tanto del costo de la memoria soldada, los precios del DGX Spark siguen de cerca el mercado de la memoria y podrían volver a variar; consulte la Marketplace de Nvidia para conocer la cifra actual.
No está limitado a la versión dorada de la edición fundacional. Las unidades de socios de ASUS (Ascent GX10), Acer (Veriton GN100), Dell (Pro Max GB10) y MSI (EdgeXpert) utilizan el mismo superchip GB10 y los mismos 128 GB de memoria unificada. El compromiso habitual afecta al almacenamiento: las máquinas de socios suelen incluir un SSD de 1 TB en lugar de los 4 TB de la edición fundacional, lo que permite que los modelos más económicos queden por debajo del precio de Nvidia.
Luego hay que sumar los costos operativos que muchas personas olvidan:
- Almacenamiento que pronto quedará insuficiente. Los pesos de los modelos, los conjuntos de datos y las imágenes de contenedores son muy grandes. En una unidad de 1 TB, debe presupuestar inmediatamente un NVMe externo de alta velocidad.
- Electricidad. Consume poca energía comparado con una estación de trabajo torre, pero una caja de inferencia siempre activa sigue acumulando costos.
- La segunda unidad. Vincular dos unidades para modelos de aproximadamente 405 mil millones de parámetros duplica aproximadamente el costo del hardware.
La comparación honesta es con la nube, no con la ausencia de solución. Una instancia de GPU de gama alta alquilada factura por hora y nunca se deprecia en su armario. El DGX Spark solo resulta más rentable en términos de costo total si se mantiene ocupado: inferencia local continua, ajustes finos regulares o cargas de trabajo donde mantener los datos dentro de las instalaciones es el objetivo principal.
Verifique estas cifras en la fuente
Las especificaciones y los precios pueden cambiar sin previo aviso. Estas son las páginas de donde proceden las cifras anteriores:
Preguntas frecuentes
¿Es lo mismo Nvidia DGX Spark que el Proyecto DIGITS?
Sí. Proyecto DIGITS fue el nombre que Nvidia utilizó al anunciar este ordenador personal de IA basado en el chip GB10 en la CES 2025. Entró en venta como DGX Spark en octubre de 2025.
¿Cuál es el precio de DGX Spark?
Se lanzó a 3.999 USD en octubre de 2025, y según informes, la edición Fundadores alcanzó los 4.699 USD en febrero de 2026 debido al aumento de los precios de la memoria. Los modelos de socios de ASUS, Acer, Dell y MSI con SSD más pequeños pueden costar menos.
¿Cuál es el modelo de mayor tamaño que puede ejecutar DGX Spark?
Nvidia indica que una unidad individual admite inferencia en modelos de hasta 200 mil millones de parámetros y ajuste fino de hasta 70 mil millones. Al conectar hasta cuatro unidades, el límite de inferencia se eleva a modelos de hasta 700 mil millones de parámetros.
¿Cuál es el ancho de banda de memoria y por qué limita el rendimiento?
Los 128 GB de memoria unificada LPDDR5x del DGX Spark funcionan a 273 GB/s. Esa cifra —y no el rendimiento nominal en petaFLOPS para cómputo en FP4— limita la velocidad de generación de tokens en modelos de lenguaje grandes, ya que cada token requiere leer los pesos activos desde la memoria. Es suficiente para cargar modelos muy grandes que no cabrían en una GPU para juegos de 24 a 32 GB, pero está muy por debajo del ancho de banda de una tarjeta discreta como la RTX 5090.
¿Debería comprar la edición fundadora o una unidad de socio como el ASUS Ascent GX10?
El rendimiento computacional es idéntico, por lo que la elección depende únicamente del almacenamiento y el precio. La edición Fundadores incluye un SSD de 4 TB; muchos modelos de socios se entregan con 1 TB y tienen un costo menor. Si planea almacenar localmente numerosos modelos y conjuntos de datos grandes, el almacenamiento adicional puede justificar su precio.
¿Puedo usar DGX Spark como un ordenador de escritorio convencional?
Ejecuta Nvidia DGX OS, basado en Ubuntu Linux, por lo que funciona con software de escritorio habitual. Sin embargo, está diseñado y comercializado como una estación de desarrollo de IA, y un PC convencional ofrece mucho mejor relación calidad-precio si no necesita su capacidad de memoria.