A Nvidia anunciou o Project DIGITS na CES em janeiro de 2025 e o levou ao mercado como o Nvidia DGX Spark: um computador de mesa do tamanho de uma palma construído em torno do superchip GB10 Grace Blackwell com 128 GB de memória unificada. Começou a ser vendido em meados de outubro de 2025 por $3.999, de acordo com Engadget. Este guia explica o que é o hardware, que tamanho de modelo de IA pode conter, por que sua velocidade de memória é mais importante que sua figura de computação principal, e quem deveria comprar um. Cada especificação abaixo vem de página DGX Spark da Nvidia; as estimativas de velocidade são rotuladas como aritmética, não benchmarks.
Principais conclusões
- DGX Spark é o nome de envio de Project DIGITS. Superchip GB10 Grace Blackwell, CPU Arm de 20 núcleos, 128 GB de memória LPDDR5x unificada, SSD de 4 TB, em uma caixa de 150 × 150 × 50,5 mm.
- A capacidade é o diferencial de venda. A Nvidia classifica uma unidade para inferência em modelos até 200 bilhões de parâmetros e fine-tuning até 70 bilhões; até quatro unidades vinculadas lidam com modelos até 700 bilhões.
- A largura de banda de memória é o limite. Com 273 GB/s, comporta modelos muito maiores que uma GPU de jogos de 32 GB, mas gera tokens em modelos densos grandes muito mais lentamente do que uma placa discreta conseguiria.
- O preço se movimentou. $3,999 no lançamento em outubro de 2025, com relatos de $4,699 em fevereiro de 2026 conforme os custos de memória subiram. Versões de parceiros da ASUS, Acer, Dell e MSI usam o mesmo chip.
O que DGX Spark realmente é
Especificação publicada pela Nvidia:
«Memória unificada» significa que a CPU e GPU compartilham um pool de 128 GB, a mesma ideia que Apple usa em seus Macs da série M. Um PC para jogos divide a memória entre RAM do sistema e VRAM da placa gráfica, e um modelo que não cabe em VRAM não carregará ou ficará muito lento. No DGX Spark todo o pool está disponível para o modelo.
Qual tamanho de modelo cabe
A pegada de memória de um modelo é aproximadamente a contagem de parâmetros multiplicada pelos bytes armazenados por parâmetro, mais espaço para o contexto (o KV cache) e sobrecarga de tempo de execução. Em quantização de 4 bits, cada parâmetro ocupa cerca de meio byte:
| tamanho do modelo | Pesos em 4-bit (aprox.) | Um DGX Spark (128 GB) | RTX 5090 (32 GB) |
|---|---|---|---|
| 8B | ~5 GB | Cabe facilmente | Cabe facilmente |
| 32B | ~18 GB | Cabe facilmente | Cabe, contexto limitado |
| 70B | ~40 GB | Cabe com espaço para contexto longo | Não cabe |
| 120B | ~65 GB | Cabe | Não cabe |
| 200B | ~110 GB | Cabe (máximo classificado pela Nvidia) | Não cabe |
| 405B | ~220 GB | Requer unidades vinculadas | Não cabe |
Tamanhos aproximados de peso; os números exatos dependem do formato de quantização. Nossa calculadora de VRAM calcula a memória para um modelo específico, quantização e comprimento de contexto, e a guia de requisitos de VRAM lista modelos populares.
Por que a largura de banda de memória decide a velocidade
Quando um modelo de linguagem escreve cada token, o hardware precisa ler os pesos ativos do modelo da memória. Para modelos grandes, ler, não a computação bruta, é geralmente o gargalo. Isso torna a largura de banda de memória uma forma útil de estimar o limite superior da velocidade de geração: divida a largura de banda pelos gigabytes lidos por token.
| Hardware | Largura de banda da memória | Teto para um modelo denso de 70B em 4-bit (~40 GB) | Teto para um modelo denso de 8B em 4-bit (~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 | Modelo não cabe em 32 GB | ~360 tokens/s |
Estes são tetos aritméticos de figuras de largura de banda publicadas, não resultados medidos. As velocidades do mundo real saem mais baixas uma vez que computação, software e comprimento de contexto são contabilizados.
Duas conclusões práticas seguem. Primeira, para modelos pequenos o suficiente para caber em uma GPU de jogos, uma placa discreta é muito mais rápida. Segunda, DGX Spark é melhor com modelos de mixture-of-experts (MoE) que armazenam muitos parâmetros mas ativam apenas uma fração para cada token. Um modelo MoE grande precisa dos 128 GB do Spark para carregar, mas lê apenas seus pesos ativos por token, assim pode gerar muito mais rápido que um modelo denso do mesmo tamanho total.
Para quem é DGX Spark
- Desenvolvedores que precisam de modelos grandes localmente. Se seu trabalho envolve modelos na faixa de 70B a 200B e seus dados não podem sair do prédio, uma única máquina que os comporta é o apelo principal.
- Equipes desenvolvendo para a pilha de data-centre da Nvidia. DGX OS é fornecido com software de IA da Nvidia, então código desenvolvido em um Spark se move para sistemas DGX maiores e na nuvem com pouca alteração.
- Experimentos de ajuste fino. Nvidia a classifica para ajuste fino de modelos de até 70 bilhões de parâmetros, o que está além do alcance de uma única placa gráfica de consumo.
Quem deveria procurar em outro lugar
- Pessoas que executam modelos que cabem em 24 a 32 GB. Um desktop com uma placa gráfica de alta performance gerará tokens consideravelmente mais rápido. Compare placas em nosso melhores GPUs para LLMs locais guia.
- Qualquer pessoa que queira um computador de propósito geral. DGX Spark é projetado como uma máquina de desenvolvimento de IA, não um PC caseiro ou para jogos.
- Usuários ocasionais. Se você precisa de um modelo grande apenas ocasionalmente, alugar GPUs na nuvem ou pagar por token por meio de uma API geralmente é mais barato. O calculadora de self-hosting vs API mostra onde fica o ponto de equilíbrio.
Vantagens e desvantagens
Pontos fortes do DGX Spark
- 128 GB de memória unificada comporta modelos com até 200 bilhões de parâmetros (classificação Nvidia)
- Stack de software de IA Nvidia no DGX OS
- Baixo consumo de energia comparado a estações de trabalho multi-GPU: TDP de chip 140 W, fonte de 240 W
- Até quatro unidades podem ser conectadas para modelos com até 700 bilhões de parâmetros
- Compacto e leve com 1,2 kg
Pontos fracos do DGX Spark
- Largura de banda de 273 GB/s limita a velocidade em modelos densos grandes
- Mais lento que uma GPU discreta para modelos que cabem em sua VRAM
- A memória é soldada; sem possibilidade de atualizações
- O preço aumentou desde o lançamento junto com os custos de memória
O que realmente custa ter um
O preço de etiqueta é apenas o começo da decisão, e tem sido um alvo móvel. A Founders Edition da Nvidia foi lançada por $3,999 em outubro de 2025, e foi reportada a $4,699 em fevereiro de 2026 conforme a escassez global de DRAM tornou seus 128 GB de LPDDR5x mais caros de produzir. Como grande parte do custo é memória soldada, o preço do DGX Spark acompanha o mercado de memória e pode mudar novamente, então verifique o Nvidia Marketplace para o valor atual.
Você não está limitado à caixa Founders dourada. Unidades parceiras da ASUS (Ascent GX10), Acer (Veriton GN100), Dell (Pro Max GB10) e MSI (EdgeXpert) usam o mesmo superchip GB10 e os mesmos 128 GB de memória unificada. A compensação geralmente é o armazenamento: máquinas de parceiros frequentemente vêm com um SSD de 1 TB em vez dos 4 TB da Founders Edition, que é como as mais baratas ficam abaixo do preço da Nvidia.
Depois adicione os custos de funcionamento que as pessoas esquecem:
- Armazenamento que você vai ultrapassar. Pesos de modelos, conjuntos de dados e imagens de container são grandes. Em uma unidade de 1 TB, reserve orçamento para NVMe externo rápido quase imediatamente.
- Eletricidade. Consome pouca energia comparado a uma estação de trabalho em torre, mas uma caixa de inferência sempre ligada ainda aumenta a conta.
- A segunda unidade. Conectar duas unidades para modelos com cerca de 405 bilhões de parâmetros aproximadamente dobra o custo de hardware.
A comparação honesta é contra a nuvem, não contra nada. Uma instância GPU de alta performance alugada é cobrada por hora e nunca se deprecia na sua prateleira. DGX Spark vence no custo total apenas quando está ocupado: inferência local contínua, fine-tuning regular ou cargas de trabalho onde manter dados on-premises é o ponto.
Verifique essas figuras na fonte
Especificações e preços mudam sem aviso prévio. Estas são as páginas de onde vieram os números acima:
Perguntas frequentes
O Nvidia DGX Spark é o mesmo que Project DIGITS?
Sim. Project DIGITS era o nome que a Nvidia usava quando anunciou o computador pessoal de IA baseado em GB10 na CES 2025. Começou a ser vendido como DGX Spark em outubro de 2025.
Quanto custa o DGX Spark?
Foi lançado a $3.999 em outubro de 2025, e relatórios colocam a Founders Edition em $4.699 em fevereiro de 2026 conforme os preços de memória subiram. Modelos de parceiros de ASUS, Acer, Dell e MSI com SSDs menores podem custar menos.
Qual é o maior modelo que o DGX Spark pode executar?
A Nvidia classifica uma única unidade para inferência em modelos até 200 bilhões de parâmetros e fine-tuning até 70 bilhões. Vincular até quatro unidades aumenta o limite de inferência para modelos de até 700 bilhões de parâmetros.
Qual é a largura de banda de memória, e por que ela limita o desempenho?
Os 128 GB de LPDDR5x unificado do DGX Spark funcionam a 273 GB/s. Essa figura, não o petaFLOP de destaque de computação FP4, limita a velocidade de geração de tokens em modelos de linguagem grande, porque cada token requer a leitura dos pesos ativos da memória. É o suficiente para carregar modelos muito grandes que não caberão em uma GPU para jogos de 24 a 32 GB, mas bem abaixo da largura de banda de uma placa discreta como a RTX 5090.
Devo comprar a Founders Edition ou uma unidade parceira como a ASUS Ascent GX10?
A computação é a mesma, portanto a escolha depende de armazenamento e preço. A Founders Edition inclui um SSD de 4 TB; muitas unidades de parceiros vêm com 1 TB e custam menos. Se você vai manter muitos modelos grandes e conjuntos de dados localmente, o armazenamento extra pode valer a pena pagar.
Posso usar o DGX Spark como um computador de mesa normal?
Executa o Nvidia DGX OS, que é baseado no Ubuntu Linux, portanto o software de desktop comum funciona. Ele é projetado e precificado como uma máquina de desenvolvimento de IA, mas um PC convencional oferece muito melhor valor se você não precisar de sua capacidade de memória.