A Nvidia anunciou o Projeto DIGITS na CES em janeiro de 2025 e o lançou no mercado como o Nvidia DGX Spark: um computador desktop do tamanho da palma da mão construído em torno do superchip GB10 Grace Blackwell com 128 GB de memória unificada. Entrou em comercialização em meados de outubro de 2025 por US$ 3.999, segundo informações do Engadget. Este guia explica o que é esse hardware, qual o tamanho dos modelos de IA que ele suporta, por que sua velocidade de memória é mais relevante do que sua potência computacional nominal e para quem ele é indicado. Todas as especificações abaixo foram retiradas da página oficial do DGX Spark da Nvidia; as estimativas de desempenho são identificadas como cálculos aritméticos, não como resultados de benchmarks.
Principais conclusões
- DGX Spark é o nome comercial do Projeto DIGITS. Superchip GB10 Grace Blackwell, CPU Arm de 20 núcleos, 128 GB de memória unificada LPDDR5x, SSD de 4 TB, em uma caixa de 150 × 150 × 50,5 mm.
- Capacidade é o principal diferencial de venda. A Nvidia classifica uma unidade para inferência em modelos de até 200 bilhões de parâmetros e para ajuste fino de até 70 bilhões; até quatro unidades interconectadas suportam modelos de até 700 bilhões.
- A largura de banda da memória é o fator limitante. Com 273 GB/s, ela comporta modelos muito maiores do que uma GPU gamer de 32 GB, mas gera tokens em grandes modelos densos muito mais lentamente do que uma placa dedicada poderia.
- O preço sofreu alterações. US$ 3.999 no lançamento, em outubro de 2025; relatos apontam para US$ 4.699 em fevereiro de 2026, à medida que os custos com memória aumentaram. Versões de parceiros da ASUS, Acer, Dell e MSI utilizam o mesmo chip.
O que realmente é o DGX Spark
Especificações publicadas pela Nvidia:
O termo ‘memória unificada’ significa que a CPU e a GPU compartilham um único pool de 128 GB — o mesmo conceito usado pela Apple em seus Macs da série M. Em um PC gamer, a memória é dividida entre a RAM do sistema e a VRAM própria da placa gráfica, e um modelo que não caiba inteiramente na VRAM simplesmente não carrega ou opera com lentidão extrema. No DGX Spark, todo o pool está disponível para o modelo.
Qual tamanho de modelo cabe nele
A ocupação de memória de um modelo equivale aproximadamente à quantidade de parâmetros multiplicada pelos bytes armazenados por parâmetro, além de espaço para o contexto (cache KV) e sobrecarga de tempo de execução. Na quantização de 4 bits, cada parâmetro ocupa cerca de meio byte:
| Tamanho do modelo | Pesos em 4 bits (aprox.) | Um DGX Spark (128 GB) | RTX 5090 (32 GB) |
|---|---|---|---|
| 8B | ~5 GB | Cabe facilmente | Cabe facilmente |
| 32B | ~18 GB | Cabe facilmente | Cabe, com contexto limitado |
| 70B | ~40 GB | Cabe, com espaço para contexto longo | Não cabe |
| 120B | ~65 GB | Cabe | Não cabe |
| 200B | ~110 GB | Cabe (máximo indicado pela Nvidia) | Não cabe |
| 405B | ~220 GB | Exige unidades vinculadas | Não cabe |
Tamanhos aproximados dos pesos; os valores exatos dependem do formato de quantização. Nossa Calculadora de VRAM calcula a memória necessária para um modelo específico, sua quantização e comprimento de contexto, enquanto a Guia de requisitos de VRAM lista modelos populares.
Por que a largura de banda da memória define a velocidade
Quando um modelo de linguagem gera cada token, o hardware precisa ler os pesos ativos do modelo da memória. Em modelos grandes, a leitura — e não o poder computacional bruto — costuma ser o gargalo. Isso torna a largura de banda da memória uma métrica útil para estimar o limite superior da velocidade de geração: basta dividir a largura de banda pela quantidade de gigabytes lidos por token.
| Hardware | Largura de banda da memória | Limite superior para um modelo denso de 70B em 4 bits (~40 GB) | Limite superior para um modelo denso de 8B em 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 | O modelo não cabe em 32 GB | ~360 tokens/s |
Esses são limites aritméticos calculados com base em dados publicados de largura de banda, não resultados medidos. As velocidades reais são menores ao levar em conta fatores como poder computacional, software e comprimento de contexto.
Seguem duas conclusões práticas. Primeiro, para modelos pequenos o suficiente para caber em uma GPU de jogo, uma placa dedicada é muito mais rápida. Segundo, o DGX Spark mostra seu melhor desempenho com modelos de mistura de especialistas (MoE) — que armazenam muitos parâmetros, mas ativam apenas uma fração deles para cada token. Um grande modelo MoE precisa dos 128 GB do Spark para carregar todos os seus parâmetros, mas lê apenas os pesos ativos por token, permitindo gerar tokens muito mais rapidamente do que um modelo denso de tamanho total equivalente.
Para quem o DGX Spark é indicado
- Desenvolvedores que precisam executar grandes modelos localmente. Se seu trabalho envolve modelos na faixa de 70B a 200B e seus dados não podem sair do ambiente local, uma única máquina capaz de hospedá-los é o principal atrativo.
- Equipes que desenvolvem soluções para a pilha de data centers da Nvidia. O DGX OS vem pré-instalado com o software de IA da Nvidia, portanto, o código desenvolvido no Spark pode ser migrado para sistemas DGX maiores ou para a nuvem com poucas ou nenhuma alteração.
- Experimentos de ajuste fino (fine-tuning). A Nvidia classifica o dispositivo para ajuste fino de modelos com até 70 bilhões de parâmetros — algo inatingível para uma única placa gráfica voltada ao consumidor.
Quem deveria procurar alternativas
- Usuários que executam modelos que cabem em 24 a 32 GB. Um desktop com uma placa gráfica de alto desempenho gerará tokens consideravelmente mais rápido. Compare placas em nossa melhores GPUs para LLMs locais guia.
- Qualquer pessoa que busque um computador de uso geral. O DGX Spark foi projetado como uma máquina de desenvolvimento de IA, não como um PC doméstico ou para jogos.
- Usuários ocasionais. Se você só precisa de um grande modelo de tempos em tempos, alugar GPUs na nuvem ou pagar por token via API normalmente sai mais barato. A calculadora de autohospedagem versus API mostra onde ocorre o ponto de equilíbrio econômico.
Vantagens e desvantagens
Pontos fortes do DGX Spark
- Memória unificada de 128 GB suporta modelos de até 200 bilhões de parâmetros (classificação da Nvidia)
- Pilha de software de IA da Nvidia no DGX OS
- Baixo consumo energético comparado a estações de trabalho com múltiplas GPUs: TDP do chip de 140 W, fonte de 240 W
- Até quatro unidades podem ser vinculadas para modelos de até 700 bilhões de parâmetros
- Compacto e leve: apenas 1,2 kg
Pontos fracos do DGX Spark
- Largura de banda de 273 GB/s limita a velocidade em modelos densos grandes
- Mais lento do que uma GPU dedicada para modelos que cabem inteiramente em sua VRAM
- Memória soldada; não é possível atualizá-la
- O preço subiu desde o lançamento, acompanhando o aumento dos custos da memória
Quanto custa realmente possuir um desses
O preço de etiqueta é apenas o ponto de partida da decisão — e tem sido um valor volátil. A edição Founders da Nvidia foi lançada em $3,999 outubro de 2025 por $4,699 até fevereiro de 2026, conforme a escassez global de DRAM tornou seus 128 GB de LPDDR5x mais caros de fabricar. Como grande parte do custo está relacionada à memória soldada diretamente na placa, os preços do DGX Spark acompanham o mercado de memória e podem mudar novamente; portanto, verifique o Marketplace da NVIDIA para obter o valor atual.
à medida que a escassez global de DRAM encarecia a fabricação de seus 128 GB de LPDDR5x. Como grande parte do custo está associada à memória soldada, os preços do DGX Spark acompanham o mercado de memória e podem mudar novamente — verifique sempre o Nvidia Marketplace para obter o valor atual.
Em seguida, considere os custos operacionais que muitos esquecem:
- Armazenamento que você logo esgotará. Pesos de modelos, conjuntos de dados e imagens de contêineres são grandes. Em uma unidade de 1 TB, planeje adquirir imediatamente um NVMe externo de alta velocidade.
- Energia elétrica. Ele consome pouca energia em comparação com uma estação de trabalho em torre, mas uma caixa de inferência sempre ativa ainda gera uma conta.
- A segunda unidade. Consome pouca energia comparado a uma estação de trabalho em torre, mas um servidor de inferência ligado continuamente ainda acumula custos.
Vincular duas unidades para modelos de cerca de 405 bilhões de parâmetros duplica aproximadamente o custo do hardware.
Verifique esses valores na fonte
Especificações e preços estão sujeitos a alteração sem aviso prévio. Estas são as páginas de onde os valores acima foram obtidos:
Perguntas frequentes
O Nvidia DGX Spark é o mesmo que o Projeto DIGITS?
Sim. Projeto DIGITS foi o nome usado pela Nvidia ao anunciar, na CES 2025, o computador pessoal de IA baseado no chip GB10. Ele entrou em comercialização como DGX Spark em outubro de 2025.
Qual é o preço do DGX Spark?
Foi lançado por US$ 3.999 em outubro de 2025, e relatos indicam que a Edição Fundadores custava US$ 4.699 em fevereiro de 2026, à medida que os preços da memória subiram. Modelos de parceiros da ASUS, Acer, Dell e MSI com SSDs menores podem custar menos.
Qual é o maior modelo que o DGX Spark consegue executar?
A Nvidia classifica uma unidade única para inferência em modelos de até 200 bilhões de parâmetros e para ajuste fino de até 70 bilhões. Ao conectar até quatro unidades, o limite de inferência sobe para modelos de até 700 bilhões de parâmetros.
Qual é a largura de banda da memória, e por que ela limita o desempenho?
Os 128 GB de LPDDR5x unificada do DGX Spark operam a 273 GB/s. Esse valor, e não a taxa de petaFLOPS anunciada para cálculos em FP4, limita a velocidade de geração de tokens em modelos de linguagem grandes, pois cada token exige a leitura dos pesos ativos da memória. É suficiente para carregar modelos muito grandes que não caberiam em uma GPU para jogos de 24 a 32 GB, mas está bem abaixo da largura de banda de uma placa dedicada como a RTX 5090.
Devo comprar a Edição Fundadora ou uma unidade de parceiro, como a ASUS Ascent GX10?
O desempenho computacional é idêntico, portanto a escolha depende apenas de armazenamento e preço. A Edição Fundadores inclui um SSD de 4 TB; muitos modelos de parceiros vêm com 1 TB e custam menos. Se você pretende manter localmente diversos modelos e conjuntos de dados grandes, o armazenamento adicional pode valer o investimento extra.
Posso usar o DGX Spark como um computador desktop convencional?
Ele executa o sistema operacional Nvidia DGX OS, baseado no Ubuntu Linux, portanto softwares desktop cotidianos funcionam normalmente. No entanto, ele foi projetado e precificado como uma máquina voltada ao desenvolvimento de IA, e um PC convencional oferece muito melhor custo-benefício caso você não precise de sua capacidade de memória.