{"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\/es\/nvidia-digits-personal-ai-computer-review\/","title":{"rendered":"Nvidia DGX Spark (Proyecto DIGITS): especificaciones, precio y para qui\u00e9n est\u00e1 pensado"},"content":{"rendered":"<p>Nvidia anunci\u00f3 el Proyecto DIGITS en la CES de enero de 2025 y lo llev\u00f3 al mercado como el <strong>Nvidia DGX Spark<\/strong>: un ordenador de escritorio del tama\u00f1o de la palma de la mano construido alrededor del superchip GB10 Grace Blackwell con <strong>128 GB de memoria unificada<\/strong>. Comenz\u00f3 a venderse a mediados de octubre de 2025 a 3.999 USD, seg\u00fan inform\u00f3 <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>. Esta gu\u00eda explica qu\u00e9 hardware incluye, qu\u00e9 tama\u00f1o de modelo de IA puede alojar, por qu\u00e9 su velocidad de memoria importa m\u00e1s que su cifra nominal de potencia computacional y para qui\u00e9n est\u00e1 destinado. Todas las especificaciones que aparecen a continuaci\u00f3n provienen de la <a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">p\u00e1gina oficial de Nvidia sobre DGX Spark<\/a>; las estimaciones de velocidad se indican como c\u00e1lculos aritm\u00e9ticos, no como resultados de pruebas de referencia.<\/p>\n<div class=\"convly-tldr\">\n<h3>Conclusiones clave<\/h3>\n<ul>\n<li><strong>DGX Spark es el nombre comercial bajo el que se comercializa el Proyecto DIGITS.<\/strong> Superchip GB10 Grace Blackwell, CPU Arm de 20 n\u00facleos, 128 GB de memoria unificada LPDDR5x, SSD de 4 TB, en una caja de 150 \u00d7 150 \u00d7 50,5 mm.<\/li>\n<li><strong>La capacidad es su principal ventaja competitiva.<\/strong> Nvidia indica que una unidad admite inferencia en modelos de hasta 200 mil millones de par\u00e1metros y ajuste fino de hasta 70 mil millones; hasta cuatro unidades interconectadas pueden gestionar modelos de hasta 700 mil millones de par\u00e1metros.<\/li>\n<li><strong>El ancho de banda de la memoria es el factor limitante.<\/strong> Con 273 GB\/s, puede alojar modelos mucho m\u00e1s grandes que una GPU para juegos de 32 GB, pero genera tokens en modelos densos grandes mucho m\u00e1s lentamente que una tarjeta discreta.<\/li>\n<li><strong>El precio ha variado.<\/strong> 3.999 USD al lanzamiento en octubre de 2025; informes se\u00f1alan 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.<\/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-6aca09882d51f\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/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-6aca09882d51f\"  aria-label=\"Alternar\" \/><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\/es\/nvidia-digits-personal-ai-computer-review\/#What_DGX_Spark_actually_is\" >Qu\u00e9 es realmente DGX Spark<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#What_size_of_model_fits\" >Qu\u00e9 tama\u00f1o de modelo cabe<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#Why_memory_bandwidth_decides_the_speed\" >Por qu\u00e9 el ancho de banda de la memoria determina la velocidad<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#Who_DGX_Spark_is_for\" >Para qui\u00e9n est\u00e1 pensado DGX Spark<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#Who_should_look_elsewhere\" >Qui\u00e9n deber\u00eda considerar otras alternativas<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#Pros_and_cons\" >Ventajas e inconvenientes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#What_it_actually_costs_to_own_one\" >Cu\u00e1l es su costo real de propiedad<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#Verify_these_figures_at_the_source\" >Verifique estas cifras en la fuente<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#FAQ\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/es\/nvidia-digits-personal-ai-computer-review\/#Related_articles\" >Art\u00edculos relacionados<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_DGX_Spark_actually_is\"><\/span>Qu\u00e9 es realmente DGX Spark<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Especificaciones publicadas por 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>CPU Arm de 20 n\u00facleos (10 Cortex-X925 + 10 Cortex-A725)<\/span><\/div>\n<div><strong>GPU<\/strong><span>Arquitectura Blackwell, n\u00facleos tensoriales de quinta generaci\u00f3n<\/span><\/div>\n<div><strong>C\u00f3mputo de IA<\/strong><span>Hasta 1 petaFLOP en FP4 (seg\u00fan Nvidia: valor te\u00f3rico, usando esparsidad)<\/span><\/div>\n<div><strong>Memoria<\/strong><span>128 GB de memoria unificada LPDDR5x, ancho de banda de 273 GB\/s<\/span><\/div>\n<div><strong>Almacenamiento<\/strong><span>SSD NVMe M.2 de 4 TB con cifrado integrado<\/span><\/div>\n<div><strong>Conectividad de red<\/strong><span>Adaptador de red ConnectX-7 a 200 Gbps<\/span><\/div>\n<div><strong>Potencia<\/strong><span>TDP del GB10: 140 W; fuente de alimentaci\u00f3n de 240 W<\/span><\/div>\n<div><strong>Dimensiones y peso<\/strong><span>150 \u00d7 150 \u00d7 50,5 mm, 1,2 kg<\/span><\/div>\n<div><strong>Sistema operativo<\/strong><span>Nvidia DGX OS<\/span><\/div>\n<\/div>\n<p>\u00abMemoria unificada\u00bb significa que la CPU y la GPU comparten un \u00fanico 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 gr\u00e1fica, y un modelo que no cabe \u00edntegramente en la VRAM o bien no se carga o bien se ralentiza dr\u00e1sticamente. En DGX Spark, todo el bloque de memoria est\u00e1 disponible para el modelo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_size_of_model_fits\"><\/span>Qu\u00e9 tama\u00f1o de modelo cabe<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La huella de memoria de un modelo equivale aproximadamente al n\u00famero de par\u00e1metros multiplicado por los bytes almacenados por par\u00e1metro, m\u00e1s espacio para el contexto (la cach\u00e9 KV) y la sobrecarga en tiempo de ejecuci\u00f3n. Con cuantizaci\u00f3n de 4 bits, cada par\u00e1metro ocupa cerca de medio byte:<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Tama\u00f1o del modelo<\/th>\n<th>Pesos en 4 bits (aprox.)<\/th>\n<th>Una unidad 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>Cabe f\u00e1cilmente<\/td>\n<td>Cabe f\u00e1cilmente<\/td>\n<\/tr>\n<tr>\n<td>32B<\/td>\n<td>~18 GB<\/td>\n<td>Cabe f\u00e1cilmente<\/td>\n<td>Cabe, con contexto limitado<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>~40 GB<\/td>\n<td>Cabe, con espacio suficiente para contexto largo<\/td>\n<td>No cabe<\/td>\n<\/tr>\n<tr>\n<td>120B<\/td>\n<td>~65 GB<\/td>\n<td>Cabe<\/td>\n<td>No cabe<\/td>\n<\/tr>\n<tr>\n<td>200B<\/td>\n<td>~110 GB<\/td>\n<td>Cabe (m\u00e1ximo indicado por Nvidia)<\/td>\n<td>No cabe<\/td>\n<\/tr>\n<tr>\n<td>405B<\/td>\n<td>~220 GB<\/td>\n<td>Requiere unidades vinculadas<\/td>\n<td>No cabe<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Tama\u00f1os aproximados de los pesos; las cifras exactas dependen del formato de cuantizaci\u00f3n. Nuestra <a href=\"\/es\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> calcula la memoria necesaria para un modelo espec\u00edfico, una cuantizaci\u00f3n y una longitud de contexto determinadas, y la <a href=\"\/es\/vram-requirements-every-major-llm-2026\/\">gu\u00eda de requisitos de VRAM<\/a> enumera modelos populares.<\/em><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_memory_bandwidth_decides_the_speed\"><\/span>Por qu\u00e9 el ancho de banda de la memoria determina la velocidad<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>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 \u2014y no el c\u00e1lculo en bruto\u2014 suele ser el cuello de botella. Por eso, el ancho de banda de memoria es una forma \u00fatil de estimar el <strong>l\u00edmite superior<\/strong> de la velocidad de generaci\u00f3n: basta dividir el ancho de banda entre los gigabytes le\u00eddos por token.<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Hardware<\/th>\n<th>Ancho de banda de memoria<\/th>\n<th>L\u00edmite superior para un modelo denso de 70 mil millones de par\u00e1metros en 4 bits (~40 GB)<\/th>\n<th>L\u00edmite superior para un modelo denso de 8 mil millones de par\u00e1metros en 4 bits (~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>El modelo no cabe en 32 GB<\/td>\n<td>~360 tokens\/s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Estos son l\u00edmites aritm\u00e9ticos 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.<\/em><\/p>\n<p>Se derivan dos conclusiones pr\u00e1cticas. Primero, para modelos lo bastante peque\u00f1os como para caber en una GPU de gama alta para juegos, una tarjeta discreta es mucho m\u00e1s r\u00e1pida. Segundo, el DGX Spark rinde mejor con modelos de <strong>mezcla de expertos (MoE)<\/strong> , que almacenan muchos par\u00e1metros pero activan solo una fracci\u00f3n 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 m\u00e1s r\u00e1pido que un modelo denso del mismo tama\u00f1o total.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_DGX_Spark_is_for\"><\/span>Para qui\u00e9n est\u00e1 pensado DGX Spark<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Desarrolladores que necesitan modelos grandes de forma local.<\/strong> Si su trabajo implica modelos de 70 a 200 mil millones de par\u00e1metros y sus datos no pueden salir del edificio, una \u00fanica unidad capaz de alojarlos es su principal ventaja.<\/li>\n<li><strong>Equipos que desarrollan soluciones sobre la pila de centros de datos de Nvidia.<\/strong> DGX OS incluye el software de IA de Nvidia, por lo que el c\u00f3digo desarrollado en un Spark se traslada a sistemas DGX m\u00e1s grandes y a la nube con m\u00ednimos cambios.<\/li>\n<li><strong>Experimentos de ajuste fino.<\/strong> Nvidia lo califica para ajustar finamente modelos de hasta 70 mil millones de par\u00e1metros, una capacidad fuera del alcance de una sola tarjeta gr\u00e1fica de consumo.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_look_elsewhere\"><\/span>Qui\u00e9n deber\u00eda considerar otras alternativas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Usuarios que ejecutan modelos que caben en 24 a 32 GB.<\/strong> Un equipo de sobremesa con una tarjeta gr\u00e1fica de gama alta generar\u00e1 tokens considerablemente m\u00e1s r\u00e1pido. Compare tarjetas en nuestro <a href=\"\/es\/best-gpus-for-local-llms-2026\/\">mejores GPUs para LLMs locales<\/a> gu\u00eda.<\/li>\n<li><strong>Cualquier persona que busque un ordenador de prop\u00f3sito general.<\/strong> El DGX Spark est\u00e1 dise\u00f1ado como una m\u00e1quina para el desarrollo de IA, no como un PC dom\u00e9stico ni para juegos.<\/li>\n<li><strong>Usuarios ocasionales.<\/strong> Si solo necesita un modelo grande de vez en cuando, alquilar GPUs en la nube o pagar por token mediante una API suele resultar m\u00e1s econ\u00f3mico. La <a href=\"\/es\/self-hosting-vs-api-calculator\/\">calculadora de autohospedaje frente a API<\/a> muestra d\u00f3nde se sit\u00faa el punto de equilibrio.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Pros_and_cons\"><\/span>Ventajas e inconvenientes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Fortalezas del DGX Spark<\/h4>\n<ul>\n<li>Memoria unificada de 128 GB, capaz de alojar modelos de hasta 200 mil millones de par\u00e1metros (seg\u00fan la calificaci\u00f3n de Nvidia)<\/li>\n<li>Pila de software de IA de Nvidia en DGX OS<\/li>\n<li>Bajo consumo energ\u00e9tico frente a estaciones de trabajo con m\u00faltiples GPU: TDP del chip de 140 W, fuente de alimentaci\u00f3n de 240 W<\/li>\n<li>Hasta cuatro unidades pueden vincularse para modelos de hasta 700 mil millones de par\u00e1metros<\/li>\n<li>Peque\u00f1o y ligero: 1,2 kg<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Debilidades del DGX Spark<\/h4>\n<ul>\n<li>El ancho de banda de 273 GB\/s limita la velocidad en modelos densos grandes<\/li>\n<li>M\u00e1s lento que una GPU discreta para modelos que caben en su VRAM<\/li>\n<li>La memoria est\u00e1 soldada; no admite actualizaciones<\/li>\n<li>Su precio ha aumentado desde su lanzamiento, al alza de los costos de la memoria<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_it_actually_costs_to_own_one\"><\/span>Cu\u00e1l es su costo real de propiedad<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El precio de etiqueta es solo el comienzo de la decisi\u00f3n, y ha sido un valor cambiante. La edici\u00f3n fundacional de Nvidia se lanz\u00f3 a <strong>$3,999<\/strong> en octubre de 2025 y, seg\u00fan informes, su precio ascendi\u00f3 a <strong>$4,699<\/strong> para febrero de 2026, debido a la escasez mundial de DRAM que encareci\u00f3 la fabricaci\u00f3n 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 podr\u00edan volver a variar; consulte la Marketplace de Nvidia para conocer la cifra actual.<\/p>\n<p>No est\u00e1 limitado a la versi\u00f3n dorada de la edici\u00f3n 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 m\u00e1quinas de socios suelen incluir un SSD de 1 TB en lugar de los 4 TB de la edici\u00f3n fundacional, lo que permite que los modelos m\u00e1s econ\u00f3micos queden por debajo del precio de Nvidia.<\/p>\n<p>Luego hay que sumar los costos operativos que muchas personas olvidan:<\/p>\n<ul>\n<li><strong>Almacenamiento que pronto quedar\u00e1 insuficiente.<\/strong> Los pesos de los modelos, los conjuntos de datos y las im\u00e1genes de contenedores son muy grandes. En una unidad de 1 TB, debe presupuestar inmediatamente un NVMe externo de alta velocidad.<\/li>\n<li><strong>Electricidad.<\/strong> Consume poca energ\u00eda comparado con una estaci\u00f3n de trabajo torre, pero una caja de inferencia siempre activa sigue acumulando costos.<\/li>\n<li><strong>La segunda unidad.<\/strong> Vincular dos unidades para modelos de aproximadamente 405 mil millones de par\u00e1metros duplica aproximadamente el costo del hardware.<\/li>\n<\/ul>\n<p>La comparaci\u00f3n honesta es con la nube, no con la ausencia de soluci\u00f3n. Una instancia de GPU de gama alta alquilada factura por hora y nunca se deprecia en su armario. El DGX Spark solo resulta m\u00e1s rentable en t\u00e9rminos 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.<\/p>\n<div class=\"convly-sources\">\n<h2><span class=\"ez-toc-section\" id=\"Verify_these_figures_at_the_source\"><\/span>Verifique estas cifras en la fuente<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Las especificaciones y los precios pueden cambiar sin previo aviso. Estas son las p\u00e1ginas de donde proceden las cifras anteriores:<\/p>\n<ul>\n<li><a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">Especificaciones del Nvidia DGX Spark<\/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 comienza a vender el DGX Spark de 3.999 d\u00f3lares<\/a><\/li>\n<\/ul>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>\u00bfEs lo mismo Nvidia DGX Spark que el Proyecto DIGITS?<\/h3>\n<p>S\u00ed. Proyecto DIGITS fue el nombre que Nvidia utiliz\u00f3 al anunciar este ordenador personal de IA basado en el chip GB10 en la CES 2025. Entr\u00f3 en venta como DGX Spark en octubre de 2025.<\/p>\n<h3>\u00bfCu\u00e1l es el precio de DGX Spark?<\/h3>\n<p>Se lanz\u00f3 a 3.999 USD en octubre de 2025, y seg\u00fan informes, la edici\u00f3n Fundadores alcanz\u00f3 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 m\u00e1s peque\u00f1os pueden costar menos.<\/p>\n<h3>\u00bfCu\u00e1l es el modelo de mayor tama\u00f1o que puede ejecutar DGX Spark?<\/h3>\n<p>Nvidia indica que una unidad individual admite inferencia en modelos de hasta 200 mil millones de par\u00e1metros y ajuste fino de hasta 70 mil millones. Al conectar hasta cuatro unidades, el l\u00edmite de inferencia se eleva a modelos de hasta 700 mil millones de par\u00e1metros.<\/p>\n<h3>\u00bfCu\u00e1l es el ancho de banda de memoria y por qu\u00e9 limita el rendimiento?<\/h3>\n<p>Los 128 GB de memoria unificada LPDDR5x del DGX Spark funcionan a 273 GB\/s. Esa cifra \u2014y no el rendimiento nominal en petaFLOPS para c\u00f3mputo en FP4\u2014 limita la velocidad de generaci\u00f3n 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 cabr\u00edan en una GPU para juegos de 24 a 32 GB, pero est\u00e1 muy por debajo del ancho de banda de una tarjeta discreta como la RTX 5090.<\/p>\n<h3>\u00bfDeber\u00eda comprar la edici\u00f3n fundadora o una unidad de socio como el ASUS Ascent GX10?<\/h3>\n<p>El rendimiento computacional es id\u00e9ntico, por lo que la elecci\u00f3n depende \u00fanicamente del almacenamiento y el precio. La edici\u00f3n 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.<\/p>\n<h3>\u00bfPuedo usar DGX Spark como un ordenador de escritorio convencional?<\/h3>\n<p>Ejecuta Nvidia DGX OS, basado en Ubuntu Linux, por lo que funciona con software de escritorio habitual. Sin embargo, est\u00e1 dise\u00f1ado y comercializado como una estaci\u00f3n de desarrollo de IA, y un PC convencional ofrece mucho mejor relaci\u00f3n calidad-precio si no necesita su capacidad de memoria.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Art\u00edculos relacionados<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/es\/deepseek-v4-pro-vs-llama-4-maverick\/\">DeepSeek V4-Pro frente a Llama 4 Maverick: Especificaciones, precios y cu\u00e1l elegir (2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/es\/rtx-pro-6000-vs-rtx-5090-for-ai-2026\/\">RTX Pro 6000 Blackwell vs RTX 5090 para IA en 2026: \u00bfCu\u00e1ndo Valen 96GB $5.500 M\u00e1s?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/es\/rtx-5070-vs-rtx-5080-for-ai-2026\/\">RTX 5070 vs RTX 5080 para IA en 2026: \u00bfVale la Pena el Salto a 16GB por $450?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/es\/best-gpus-for-video-generation-2026\/\">Las Mejores GPUs para Generaci\u00f3n de Video con IA en 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/es\/best-gpus-for-llm-fine-tuning-2026\/\">Las mejores GPU para Fine-Tuning de LLMs en casa en 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\/es\/wp-json\/wp\/v2\/posts\/380","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=380"}],"version-history":[{"count":5,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/380\/revisions"}],"predecessor-version":[{"id":2669,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/380\/revisions\/2669"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/1997"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=380"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=380"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=380"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}