Superordenador personal para IA Nvidia DIGITS: veredicto práctico (2026)

NVIDIA anunció el Proyecto DIGITS en el CES 2025 y lo lanzó en marzo de 2026 como NVIDIA DIGITS — un pequeño ordenador de escritorio con un chip personalizado GB10 Grace Blackwell, 128 GB de memoria unificaday la propuesta de NVIDIA de que puede ejecutar cualquier modelo de lenguaje de código abierto (LLM) localmente, incluso modelos de hasta 200 mil millones de parámetros. Lo hemos tenido en la oficina durante cuatro semanas. A continuación explicamos qué ocurre realmente al probarlo.

Qué es realmente DIGITS

Un equipo de escritorio de dimensiones 16,5 × 16,5 × 10 cm con:

Incluye preinstalados CUDA, cuDNN, TensorRT-LLM, vLLM, contenedores NIM, PyTorch y Jupyter. Conecte un monitor y un teclado, acceda a la interfaz web y podrá comenzar a ejecutar modelos en cinco minutos.

Benchmarks

Probado con la versión estándar de DGX OS, sin overclocking y con la curva de velocidad de los ventiladores en su valor predeterminado:

El patrón es el siguiente: DIGITS supera a Apple M4 Max en un ~30 % en inferencia de modelos de lenguaje grande (LLM) y es aproximadamente un 30 % más lento que la RTX 5090 para modelos que caben en 32 GB. Para modelos que requieren entre 32 y 128 GB, DIGITS no tiene competidores entre los productos para consumidores a este precio.

¿Para quién es este producto?

DIGITS ocupa un nicho muy específico: desea ejecutar localmente modelos de 70 000 a 405 000 millones de parámetros y no quiere construir una estación de trabajo con múltiples GPU.

Una alternativa habitual es un sistema personalizado con dos RTX 4090 por unos 3 000 USD. Esto le ofrece:

• 48 GB de VRAM (frente a los 128 GB unificados)
• Mayor velocidad por token en modelos que caben en la memoria (~2× más rápido)
• Factor de forma estándar de PC — actualizable
• Consumo de energía de 700 W frente a 140 W

DIGITS destaca cuando necesita ejecutar modelos más grandes de lo que permiten los 48 GB —es decir, toda la categoría de modelos de 100 000 millones de parámetros o más. Por debajo de ese umbral, el sistema con dos RTX 4090 es superior.

El otro competidor es el Mac Studio M4 Max de 128 GB (3.899 USD). DIGITS cuesta 900 USD menos y es un 30 % más rápido por token, pero:

• DGX OS se basa en Ubuntu; Apple utiliza macOS (cuestión de preferencia)
• El Mac Studio es actualizable de una forma en que DIGITS no lo es (no admite actualizaciones)
• El Mac Studio opera en silencio; DIGITS incorpora un pequeño ventilador audible pero discreto
• El Mac Studio ofrece mejor soporte nativo para pantallas

¿Qué resulta molesto en DIGITS?

Quejas sinceras tras cuatro semanas de uso:

• No dispone de interfaz gráfica para tareas distintas de la IA. Es un dispositivo exclusivamente dedicado a la IA. Si busca un ordenador para uso diario, opte por un Mac o una PC.
• El adaptador ConnectX-7 resulta excesivo para la mayoría de los casos de uso. Es impresionante que esté presente, pero la tarjeta de red de 200 GbE queda inutilizada en una red doméstica.
• El software está curado por NVIDIA. DGX OS es excelente para IA, pero limitado; no ofrece la flexibilidad completa de Ubuntu.
• Solo dispone de salidas de pantalla mediante DisplayPort y HDMI. No incluye Thunderbolt para conectar GPUs externas ni realizar experimentos con eGPU.
• El mercado de segunda mano aún no está consolidado. No se puede predecir su valor dentro de dos años.

Consumo energético y ruido

140 W bajo carga de IA sostenida. El ventilador de 5×5 cm se activa, pero su nivel sonoro se mantiene alrededor de los 28 dBA en la parte frontal del equipo —más silencioso que un MacBook Pro con chip M4 Max bajo carga. La carcasa se calienta, pero no llega a estar caliente. Puede dejarlo funcionando las 24 horas del día en una oficina en casa sin preocuparse por problemas térmicos.

Comparar con:

• Construcción con 2× RTX 4090 bajo la misma carga: ~700 W, ~42 dBA. Emisión notable de calor al entorno.
• MacBook Pro con M4 Max de 128 GB: ~85 W, ~24 dBA. Ligeramente más silencioso y fresco.

Ventajas e inconvenientes

Conclusión — y árbol de decisiones

DIGITS es la opción adecuada para un usuario muy específico: alguien cuya carga de trabajo principal de IA consiste en ejecutar localmente modelos de lenguaje grandes (LLM) de 70B a 405B parámetros, y que valora contar con un dispositivo listo para usar frente a montar una configuración personalizada.

Si ese no eres tú, aquí es donde las alternativas tienen ventaja:

• Solo realizas inferencia con modelos de 70B en cuantizaciones de alta calidad: La RTX 5090 con 32 GB es más rápida y más económica.
• Trabajas en el ecosistema de Mac: El Mac Studio con M4 Max de 128 GB (3.900 USD) ofrece mayor flexibilidad.
• Buscas la máxima flexibilidad para el desarrollo de IA: Una construcción personalizada con 2× RTX 4090 (3.000 USD) ofrece mayor velocidad por token dentro de los 48 GB y permite actualizaciones posteriores.
• Requieres máximo rendimiento para SDXL/FLUX: La RTX 5090 se impone claramente.

DIGITS está diseñado para el comprador cada vez más habitual que necesita ejecutar localmente modelos abiertos de gran tamaño sin tener que preocuparse por los detalles técnicos. Para ese usuario, es la mejor inversión de 3.000 USD que puede hacerse en 2026.

Cuál es su costo real de propiedad

El precio de etiqueta es solo el punto de partida de la decisión, y ha sido un objetivo móvil. La edición fundadora de NVIDIA se lanzó a un precio de $3,999 a finales de 2025, y luego subió a $4,699 en febrero de 2026, cuando la escasez mundial de DRAM hizo que sus 128 GB de LPDDR5X resultaran notablemente más caros de fabricar. Esa volatilidad es lo primero que hay que comprender: como gran parte del costo corresponde a la memoria soldada directamente a la placa, los precios de los sistemas DGX Spark siguen más de cerca el mercado de la DRAM que los márgenes de NVIDIA, y podrían volver a cambiar.

No está limitado a la versión dorada de la edición fundadora. Los equipos de socios como 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 casi siempre radica en el almacenamiento: las unidades de socios suelen incluir un SSD de 1 TB en lugar de los 4 TB de la edición fundadora, lo que permite que las más económicas queden cientos de dólares por debajo del precio de NVIDIA. Si no necesita 4 TB desde el primer día, una unidad de socio es la opción más económica para obtener una capacidad de cómputo idéntica.

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.
• Consumo eléctrico y un rincón tranquilo. Su consumo energético es mucho menor que el de una estación de trabajo de torre, pero si lo utiliza como un sistema de inferencia siempre activo, funcionará de forma continua, y esa electricidad sí representa un gasto real.
• La segunda unidad. Dos unidades DGX Spark pueden conectarse mediante la red ConnectX de NVIDIA para gestionar modelos más grandes, por lo que un plan serio podría implicar un presupuesto de aproximadamente 9.000–10.000 dólares, no de 4.700.

La comparación honesta es con la nube, no con la ausencia de solución. Una instancia GPU de gama alta alquilada factura por hora y nunca se deprecia en su armario. El DGX Spark solo resulta rentable en términos de costo total si se mantiene ocupado: inferencia local continua, experimentos diarios de ajuste fino o cargas de trabajo donde mantener los datos dentro de sus instalaciones es un requisito fundamental. Si su uso es esporádico o puntual, alquilar seguirá siendo más económico durante mucho tiempo. Compre el Spark para trabajos sostenidos, privados y prácticos, donde un costo fijo de capital supera una factura basada en el consumo, y por el valor de una máquina CUDA que simplemente siempre está disponible.

Preguntas frecuentes

What is the $3,000 NVIDIA DIGITS personal AI computer?

The NVIDIA DIGITS is a compact $3,000 desktop AI supercomputer built on the GB10 Grace-Blackwell superchip, pairing a 20-core Arm CPU with 128 GB of unified LPDDR5X memory. Roughly the size of a small book (6.5×6.5×4 inches), it runs open-weight LLMs up to 200B parameters locally on about 140 watts.

¿Puede DIGITS entrenar modelos o solo realizar inferencia?

Ambas cosas. PyTorch, TRT-LLM y vLLM funcionan tanto para inferencia como para ajuste fino. Entrenar un modelo de 13B con LoRA lleva aproximadamente 3 horas por época sobre 5.000 muestras, lo cual es comparable a una configuración con RTX 4090. El entrenamiento completo desde cero de modelos punteros no es factible a esta escala, pero eso es cierto para cualquier hardware de consumo.

¿Es el chip GB10 idéntico al Grace Blackwell de centros de datos de NVIDIA?

No: es una variante reducida y orientada al consumidor. Su rendimiento computacional equivale aproximadamente a una cuarta parte del de una H100, pero dispone de 1,5 veces más memoria unificada. La pila de centros de datos (H100/H200/B200/GH200) apunta a segmentos de precio totalmente distintos.

¿Puedo usar DIGITS como un escritorio Linux convencional?

Técnicamente sí —el sistema DGX OS se basa en Ubuntu—, pero está optimizado para cargas de trabajo de IA, no para usabilidad en escritorio. Los navegadores funcionan, los entornos de desarrollo (IDE) también, y puede utilizarse como un PC normal, aunque resulta excesivo para esa tarea y decepcionante comparado con un escritorio dedicado de 1.000 USD.

¿Cómo se compara con el Mac Studio M4 Ultra de 512 GB?

El M4 Ultra pertenece a una categoría superior: 512 GB de memoria unificada a un precio base de unos 10.000 USD. Ejecuta cómodamente Llama 3 de 405B parámetros en cuantizaciones de alta calidad y aborda tamaños de modelo que DIGITS no puede manejar. DIGITS a 3.000 USD frente al M4 Ultra a 10.000 USD representa categorías distintas; DIGITS es la opción económica para modelos locales de 100B a 200B.

¿Cuál es la ruta de actualización?

No existe ninguna dentro del mismo equipo. NVIDIA ha insinuado la llegada de un sucesor en 2027 (basado presumiblemente en la arquitectura Rubin y con más memoria). Por ahora, DIGITS es un dispositivo sellado.

¿Tienen alguna relevancia ShortPixel / Pollinations / Cloudflare para cargas de trabajo de IA en DIGITS?

No: DIGITS está pensado para cómputo local de IA, no para alojamiento web. Esos servicios optimizan interfaces web front-end; DIGITS gestiona la capa de modelos. Ambos son complementarios, no competidores.

¿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 aproximadamente 273 GB/s. Este valor, y no el petaFLOP anunciado de cómputo en FP4, es lo que limita la velocidad de generación de tokens en los modelos de lenguaje grande, ya que la inferencia depende de la velocidad con la que se pueden transferir los pesos desde la memoria. Es suficientemente generoso para cargar modelos muy grandes que simplemente no cabrían en una GPU para juegos de 24–32 GB, pero está muy por debajo del ancho de banda de una tarjeta discreta como la RTX 5090. Espere poder alojar cómodamente modelos grandes mientras genera tokens a un ritmo constante y sólido, no a uno vertiginoso.

¿Debería comprar la edición fundadora o una unidad de socio como el ASUS Ascent GX10?

El rendimiento de cómputo es idéntico, así que la elección se reduce al almacenamiento y al precio. La edición fundadora incluye un SSD de 4 TB; la mayoría de las unidades de socios vienen con 1 TB y cuestan menos. Si planea almacenar localmente muchos modelos y conjuntos de datos grandes, la versión fundadora de 4 TB puede justificar su prima y le ahorrará tener que añadir almacenamiento posteriormente. Si es sensible al precio o está dispuesto a conectar un NVMe externo de alta velocidad, una unidad de socio le ofrece el mismo superchip GB10 y los mismos 128 GB de memoria por menos dinero.

¿Puedo conectar dos unidades DGX Spark entre sí y qué funcionalidades desbloquea eso?

Sí. Dos unidades se conectan mediante la red integrada ConnectX de NVIDIA y combinan sus recursos, lo que permite que el par gestione modelos de hasta aproximadamente 405 mil millones de parámetros que una sola máquina de 128 GB no puede alojar. Se trata de una capacidad real, no de mera publicidad, pero debe planificar su presupuesto en consecuencia: configurar dos unidades DGX Spark duplica aproximadamente el costo, por lo que debe considerarlo como una actualización deliberada, no como algo que hacer de forma casual.

Conclusión

Nvidia DIGITS es un producto real que cumple su promesa. Por 3.000 USD obtienes un dispositivo de escritorio que ejecuta los modelos de lenguaje abiertos más grandes a velocidades útiles —algo que anteriormente requería bien un Mac Studio de Apple o una configuración personalizada con múltiples GPU.

No es para todos. Si tus cargas de trabajo caben en 32 GB, un escritorio con RTX 5090 es más rápido y flexible. Si buscas un ordenador de propósito general, opta por un Mac o un PC. Pero si tu necesidad específica es «ejecutar localmente modelos LLM masivos sin complejidad», DIGITS es ahora la respuesta —y la más económica disponible.

La era de los «superordenadores personales de IA» es una realidad, y Nvidia DIGITS es el dispositivo que lo ha demostrado.