Nvidia a annoncé Project DIGITS au CES en janvier 2025 et l'a commercialisé en tant que Nvidia DGX Spark: un ordinateur de bureau de la taille d'une paume construit autour du superchip GB10 Grace Blackwell avec 128 Go de mémoire unifiée. Il s'est mis en vente à la mi-octobre 2025 au prix de 3 999 dollars, selon Engadget. Ce guide explique ce qu'est le matériel, la taille du modèle IA qu'il peut contenir, pourquoi la vitesse de sa mémoire importe plus que sa figure de calcul annoncée, et qui devrait l'acheter. Chaque spécification ci-dessous provient de la page Nvidia DGX Spark; les estimations de vitesse sont étiquetées comme arithmétiques, non comme des benchmarks.
Points clés
- DGX Spark est le nom commercial de Project DIGITS. Superchip GB10 Grace Blackwell, CPU Arm 20 cœurs, 128 Go de mémoire unifiée LPDDR5x, SSD 4 To, dans une boîte de 150 × 150 × 50,5 mm.
- La capacité est le point de vente. Nvidia classe une unité pour l'inférence sur les modèles jusqu'à 200 milliards de paramètres et l'ajustement fin jusqu'à 70 milliards ; jusqu'à quatre unités liées gèrent les modèles jusqu'à 700 milliards.
- La bande passante mémoire est le facteur limitant. Avec 273 GB/s, elle peut contenir des modèles beaucoup plus volumineux qu'un GPU gaming de 32 GB, mais génère des tokens sur les grands modèles denses beaucoup plus lentement qu'une carte discrète ne pourrait le faire.
- Le prix a changé. 3 999 $ au lancement en octobre 2025, avec des rapports de 4 699 $ en février 2026 à mesure que les coûts de la mémoire ont augmenté. Les versions partenaires d'ASUS, Acer, Dell et MSI utilisent la même puce.
Ce que DGX Spark est réellement
Spécification publiée par Nvidia :
« Mémoire unifiée » signifie que le CPU et le GPU partagent un pool unique de 128 GB, la même idée qu'Apple utilise dans ses Mac de la série M. Un PC gaming divise la mémoire entre la RAM système et la VRAM propre de la carte graphique, et un modèle qui ne rentre pas dans la VRAM ne se chargera pas ou ralentira considérablement. Sur DGX Spark, tout le pool est disponible pour le modèle.
Quelle taille de modèle convient
L'empreinte mémoire d'un modèle est grosso modo son nombre de paramètres multiplié par les octets stockés par paramètre, plus de la place pour le contexte (le cache KV) et les frais généraux d'exécution. Avec la quantification 4-bit, chaque paramètre occupe environ un demi-octet :
| taille du modèle | Poids en 4-bit (approx.) | Un DGX Spark (128 GB) | RTX 5090 (32 Go) |
|---|---|---|---|
| 8B | ~5 GB | Rentre facilement | Rentre facilement |
| 32B | ~18 GB | Rentre facilement | Rentre, contexte limité |
| 70B | ~40 Go | Rentre avec de la place pour un long contexte | Ne tient pas dans la mémoire |
| 120B | ~65 GB | Rentre | Ne tient pas dans la mémoire |
| 200B | ~110 Go | Rentre (maximum évalué par Nvidia) | Ne tient pas dans la mémoire |
| 405B | ~220 GB | Nécessite des unités liées | Ne tient pas dans la mémoire |
Tailles approximatives ; les chiffres exacts dépendent du format de quantification. Notre calculatrice VRAM calcule la mémoire pour un modèle spécifique, une quantification et une longueur de contexte donnés, et la guide des exigences VRAM liste les modèles populaires.
Pourquoi la bande passante mémoire détermine la vitesse
Quand un modèle de langage écrit chaque token, le matériel doit lire les poids actifs du modèle depuis la mémoire. Pour les grands modèles, c'est la lecture, pas le calcul brut, qui est généralement le goulot. Cela rend la bande passante mémoire une façon utile d'estimer la limite supérieure de la vitesse de génération : divisez la bande passante par les gigaoctets lus par token.
| Matériel | Bande passante mémoire | Plafond pour un modèle dense 70B en 4-bit (~40 GB) | Plafond pour un modèle dense 8B en 4-bit (~5 GB) |
|---|---|---|---|
| Nvidia DGX Spark | 273 Go/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 | Le modèle ne rentre pas en 32 GB | ~360 tokens/s |
Ce sont des plafonds arithmétiques tirés des chiffres de bande passante publiés, non des résultats mesurés. Les vitesses réelles sont plus basses une fois que le calcul, le logiciel et la longueur du contexte sont pris en compte.
Deux conclusions pratiques s’ensuivent. Premièrement, pour les modèles assez petits pour tenir sur une carte graphique grand public, une carte dédiée est nettement plus rapide. Deuxièmement, le DGX Spark excelle avec les modèles à mélange d’experts (MoE) , qui stockent de nombreux paramètres mais n’en activent qu’une fraction pour chaque jeton. Un modèle MoE volumineux nécessite les 128 Go du Spark pour être chargé, mais ne lit à chaque jeton que ses poids actifs, ce qui lui permet de générer bien plus rapidement qu’un modèle dense de taille totale équivalente.
À qui DGX Spark est destinée
- Les développeurs ayant besoin de grands modèles localement. Si votre travail implique des modèles compris entre 70 et 200 milliards de paramètres, et que vos données ne peuvent pas quitter vos locaux, un seul boîtier capable de les héberger constitue l’attractivité principale.
- Les équipes développant des solutions pour la pile logicielle de centre de données d’NVIDIA. DGX OS est livré avec les logiciels IA d’NVIDIA, de sorte que le code développé sur un Spark peut être déployé sur des systèmes DGX plus vastes ou dans le cloud avec très peu de modifications.
- Expériences de réglage fin (fine-tuning). NVIDIA indique qu’il convient au réglage fin de modèles allant jusqu’à 70 milliards de paramètres — une capacité hors de portée d’une seule carte graphique grand public.
À qui regarder ailleurs
- Les utilisateurs exécutant des modèles pouvant tenir dans 24 à 32 Go. Un ordinateur de bureau équipé d’une carte graphique haut de gamme générera des jetons nettement plus vite. Comparez les cartes dans notre meilleurs GPUs pour les LLMs locaux guide.
- Toute personne recherchant un ordinateur polyvalent. Le DGX Spark est conçu comme une machine de développement IA, et non comme un PC domestique ou de jeu.
- Les utilisateurs occasionnels. Si vous n’avez besoin d’un grand modèle que ponctuellement, louer des GPU cloud ou payer à l’usage via une API est généralement moins coûteux. Le calculatrice auto-hébergement vs API indique à partir de quel seuil l’investissement devient rentable.
Avantages et inconvénients
Points forts du DGX Spark
- 128 Go de mémoire unifiée permettant d’héberger des modèles allant jusqu’à 200 milliards de paramètres (spécification NVIDIA)
- Pile logicielle IA NVIDIA intégrée à DGX OS
- Faible consommation électrique comparée aux postes de travail multi-GPU : TDP puce de 140 W, alimentation de 240 W
- Jusqu’à quatre unités peuvent être liées pour des modèles allant jusqu’à 700 milliards de paramètres
- Compact et léger (1,2 kg)
Points faibles du DGX Spark
- Une bande passante de 273 Go/s limite la vitesse sur les grands modèles denses
- Plus lent qu’une GPU dédiée pour les modèles pouvant tenir dans sa VRAM
- La mémoire est soudée ; aucune mise à niveau possible
- Le prix a augmenté depuis le lancement, en raison de la hausse des coûts de la mémoire
Ce qu'il en coûte réellement d'en posséder un
Le prix affiché n’est que le point de départ de la décision, et il a varié au fil du temps. L’édition Founder d’NVIDIA a été lancée à $3,999 en octobre 2025, puis signalée à $4,699 en février 2026, alors que la pénurie mondiale de DRAM rendait plus coûteuse la fabrication de ses 128 Go de LPDDR5x. Comme une grande partie du coût provient de la mémoire soudée, le prix du DGX Spark suit l’évolution du marché de la mémoire et peut encore varier : consultez le Marketplace NVIDIA pour connaître le prix actuel.
Vous n’êtes pas limité à la version « or » Founder. Des versions partenaires d’ASUS (Ascent GX10), d’Acer (Veriton GN100), de Dell (Pro Max GB10) et de MSI (EdgeXpert) utilisent la même puce super GB10 et les mêmes 128 Go de mémoire unifiée. Le compromis porte généralement sur le stockage : les machines partenaires sont souvent livrées avec un SSD de 1 To, contre 4 To pour l’édition Founder, ce qui explique pourquoi leurs prix sont inférieurs à ceux d’NVIDIA.
Ajoutez ensuite les frais d'exploitation que les gens oublient :
- Stockage que vous surpasserez. Les poids des modèles, les ensembles de données et les images de conteneur sont volumineux. Sur une unité de 1 TB, prévoyez un NVMe externe rapide presque immédiatement.
- Électricité. Sa consommation électrique est faible comparée à celle d’un poste de travail tour, mais un serveur d’inférence toujours allumé entraîne tout de même une facture.
- La deuxième unité. Lier deux unités pour des modèles d’environ 405 milliards de paramètres double approximativement le coût matériel.
La comparaison honnête se fait avec le cloud, et non avec l’absence de solution. Une instance GPU haut de gamme louée facture à l’heure et ne se déprécie jamais dans votre placard. Le DGX Spark ne devient avantageux sur le coût total que s’il reste occupé : inférence locale continue, réglage fin régulier, ou charges de travail où le maintien des données sur site est essentiel.
Vérifiez ces chiffres à la source
Les caractéristiques techniques et les prix sont susceptibles de changer sans préavis. Voici les pages d’où proviennent les chiffres ci-dessus :
FAQ
Nvidia DGX Spark est-il identique à Project DIGITS ?
Oui. Project DIGITS était le nom utilisé par Nvidia quand elle a annoncé l'ordinateur personnel IA basé sur GB10 au CES 2025. Il s'est mis en vente sous le nom DGX Spark en octobre 2025.
Quel est le prix de DGX Spark ?
Il a été lancé à 3 999 dollars en octobre 2025, et les rapports placent l'Édition Fondateurs à 4 699 dollars en février 2026 à mesure que les prix de la mémoire montaient. Les modèles partenaires d'ASUS, Acer, Dell et MSI avec des SSD plus petits peuvent coûter moins cher.
Quel est le plus grand modèle que DGX Spark peut exécuter ?
Nvidia classe une unité pour l'inférence sur les modèles jusqu'à 200 milliards de paramètres et l'ajustement fin jusqu'à 70 milliards. Lier jusqu'à quatre unités augmente la limite d'inférence aux modèles jusqu'à 700 milliards de paramètres.
Quelle est la bande passante mémoire, et pourquoi limite-t-elle les performances ?
Les 128 Go de mémoire unifiée LPDDR5x du DGX Spark fonctionnent à 273 Go/s. Ce chiffre — et non la puissance de calcul annoncée en pétaFLOPS pour les opérations FP4 — limite la vitesse de génération de jetons pour les grands modèles de langage, car chaque jeton nécessite de lire depuis la mémoire les poids actifs du modèle. Cette bande passante suffit à charger des modèles très volumineux qui ne tiendraient pas sur une carte graphique grand public de 24 à 32 Go, mais reste nettement inférieure à celle d’une carte dédiée comme la RTX 5090.
Devrais-je acheter la Founders Edition ou une unité partenaire comme ASUS Ascent GX10 ?
Le calcul est identique, donc le choix se résume au stockage et au prix. L'Édition Fondateurs inclut un SSD de 4 To ; de nombreuses unités partenaires sont livrées avec 1 To et coûtent moins cher. Si vous conservez localement de nombreux grands modèles et ensembles de données, le stockage supplémentaire peut valoir la peine d'être payé.
Puis-je utiliser DGX Spark comme ordinateur de bureau normal ?
Il exécute Nvidia DGX OS, basé sur Ubuntu Linux, donc les logiciels de bureau courants fonctionnent. Il est conçu et tarifé comme une machine de développement IA, cependant, et un ordinateur conventionnel offre un bien meilleur rapport qualité-prix si vous n'avez pas besoin de sa capacité mémoire.