{"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\/pt\/nvidia-digits-personal-ai-computer-review\/","title":{"rendered":"Nvidia DGX Spark (Projeto DIGITS): Especifica\u00e7\u00f5es, pre\u00e7o e para quem \u00e9 indicado"},"content":{"rendered":"<p>A Nvidia anunciou o Projeto DIGITS na CES em janeiro de 2025 e o lan\u00e7ou no mercado como o <strong>Nvidia DGX Spark<\/strong>: um computador desktop do tamanho da palma da m\u00e3o constru\u00eddo em torno do superchip GB10 Grace Blackwell com <strong>128 GB de mem\u00f3ria unificada<\/strong>. Entrou em comercializa\u00e7\u00e3o em meados de outubro de 2025 por US$ 3.999, segundo informa\u00e7\u00f5es do <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>. Este guia explica o que \u00e9 esse hardware, qual o tamanho dos modelos de IA que ele suporta, por que sua velocidade de mem\u00f3ria \u00e9 mais relevante do que sua pot\u00eancia computacional nominal e para quem ele \u00e9 indicado. Todas as especifica\u00e7\u00f5es abaixo foram retiradas da <a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">p\u00e1gina oficial do DGX Spark da Nvidia<\/a>; as estimativas de desempenho s\u00e3o identificadas como c\u00e1lculos aritm\u00e9ticos, n\u00e3o como resultados de benchmarks.<\/p>\n<div class=\"convly-tldr\">\n<h3>Principais conclus\u00f5es<\/h3>\n<ul>\n<li><strong>DGX Spark \u00e9 o nome comercial do Projeto DIGITS.<\/strong> Superchip GB10 Grace Blackwell, CPU Arm de 20 n\u00facleos, 128 GB de mem\u00f3ria unificada LPDDR5x, SSD de 4 TB, em uma caixa de 150 \u00d7 150 \u00d7 50,5 mm.<\/li>\n<li><strong>Capacidade \u00e9 o principal diferencial de venda.<\/strong> A Nvidia classifica uma unidade para infer\u00eancia em modelos de at\u00e9 200 bilh\u00f5es de par\u00e2metros e para ajuste fino de at\u00e9 70 bilh\u00f5es; at\u00e9 quatro unidades interconectadas suportam modelos de at\u00e9 700 bilh\u00f5es.<\/li>\n<li><strong>A largura de banda da mem\u00f3ria \u00e9 o fator limitante.<\/strong> 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.<\/li>\n<li><strong>O pre\u00e7o sofreu altera\u00e7\u00f5es.<\/strong> US$ 3.999 no lan\u00e7amento, em outubro de 2025; relatos apontam para US$ 4.699 em fevereiro de 2026, \u00e0 medida que os custos com mem\u00f3ria aumentaram. Vers\u00f5es de parceiros da ASUS, Acer, Dell e MSI utilizam o mesmo 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-6aafe44967e83\" 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-6aafe44967e83\"  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\/pt\/nvidia-digits-personal-ai-computer-review\/#What_DGX_Spark_actually_is\" >O que realmente \u00e9 o DGX Spark<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#What_size_of_model_fits\" >Qual tamanho de modelo cabe nele<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#Why_memory_bandwidth_decides_the_speed\" >Por que a largura de banda da mem\u00f3ria define a velocidade<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#Who_DGX_Spark_is_for\" >Para quem o DGX Spark \u00e9 indicado<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#Who_should_look_elsewhere\" >Quem deveria procurar alternativas<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#Pros_and_cons\" >Vantagens e desvantagens<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#What_it_actually_costs_to_own_one\" >Quanto custa realmente possuir um desses<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#Verify_these_figures_at_the_source\" >Verifique esses valores na fonte<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#FAQ\" >Perguntas frequentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/pt\/nvidia-digits-personal-ai-computer-review\/#Related_articles\" >Artigos relacionados<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_DGX_Spark_actually_is\"><\/span>O que realmente \u00e9 o DGX Spark<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Especifica\u00e7\u00f5es publicadas pela 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>Arquitetura Blackwell, n\u00facleos de tensor de 5\u00aa gera\u00e7\u00e3o<\/span><\/div>\n<div><strong>C\u00e1lculo de IA<\/strong><span>At\u00e9 1 petaFLOP em FP4 (Nvidia: valor te\u00f3rico, utilizando esparsidade)<\/span><\/div>\n<div><strong>Mem\u00f3ria<\/strong><span>128 GB de mem\u00f3ria unificada LPDDR5x, largura de banda de 273 GB\/s<\/span><\/div>\n<div><strong>Armazenamento<\/strong><span>SSD NVMe M.2 de 4 TB com criptografia nativa<\/span><\/div>\n<div><strong>Conectividade<\/strong><span>Placa de rede ConnectX-7 com taxa de 200 Gbps<\/span><\/div>\n<div><strong>Pot\u00eancia<\/strong><span>TDP do GB10: 140 W; fonte de alimenta\u00e7\u00e3o de 240 W<\/span><\/div>\n<div><strong>Dimens\u00f5es e peso<\/strong><span>150 \u00d7 150 \u00d7 50,5 mm, 1,2 kg<\/span><\/div>\n<div><strong>Sistema operacional<\/strong><span>Nvidia DGX OS<\/span><\/div>\n<\/div>\n<p>O termo \u2018mem\u00f3ria unificada\u2019 significa que a CPU e a GPU compartilham um \u00fanico pool de 128 GB \u2014 o mesmo conceito usado pela Apple em seus Macs da s\u00e9rie M. Em um PC gamer, a mem\u00f3ria \u00e9 dividida entre a RAM do sistema e a VRAM pr\u00f3pria da placa gr\u00e1fica, e um modelo que n\u00e3o caiba inteiramente na VRAM simplesmente n\u00e3o carrega ou opera com lentid\u00e3o extrema. No DGX Spark, todo o pool est\u00e1 dispon\u00edvel para o modelo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_size_of_model_fits\"><\/span>Qual tamanho de modelo cabe nele<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A ocupa\u00e7\u00e3o de mem\u00f3ria de um modelo equivale aproximadamente \u00e0 quantidade de par\u00e2metros multiplicada pelos bytes armazenados por par\u00e2metro, al\u00e9m de espa\u00e7o para o contexto (cache KV) e sobrecarga de tempo de execu\u00e7\u00e3o. Na quantiza\u00e7\u00e3o de 4 bits, cada par\u00e2metro ocupa cerca de meio byte:<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Tamanho do modelo<\/th>\n<th>Pesos em 4 bits (aprox.)<\/th>\n<th>Um 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 facilmente<\/td>\n<td>Cabe facilmente<\/td>\n<\/tr>\n<tr>\n<td>32B<\/td>\n<td>~18 GB<\/td>\n<td>Cabe facilmente<\/td>\n<td>Cabe, com contexto limitado<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>~40 GB<\/td>\n<td>Cabe, com espa\u00e7o para contexto longo<\/td>\n<td>N\u00e3o cabe<\/td>\n<\/tr>\n<tr>\n<td>120B<\/td>\n<td>~65 GB<\/td>\n<td>Cabe<\/td>\n<td>N\u00e3o cabe<\/td>\n<\/tr>\n<tr>\n<td>200B<\/td>\n<td>~110 GB<\/td>\n<td>Cabe (m\u00e1ximo indicado pela Nvidia)<\/td>\n<td>N\u00e3o cabe<\/td>\n<\/tr>\n<tr>\n<td>405B<\/td>\n<td>~220 GB<\/td>\n<td>Exige unidades vinculadas<\/td>\n<td>N\u00e3o cabe<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Tamanhos aproximados dos pesos; os valores exatos dependem do formato de quantiza\u00e7\u00e3o. Nossa <a href=\"\/pt\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> calcula a mem\u00f3ria necess\u00e1ria para um modelo espec\u00edfico, sua quantiza\u00e7\u00e3o e comprimento de contexto, enquanto a <a href=\"\/pt\/vram-requirements-every-major-llm-2026\/\">Guia de requisitos de VRAM<\/a> lista modelos populares.<\/em><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_memory_bandwidth_decides_the_speed\"><\/span>Por que a largura de banda da mem\u00f3ria define a velocidade<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Quando um modelo de linguagem gera cada token, o hardware precisa ler os pesos ativos do modelo da mem\u00f3ria. Em modelos grandes, a leitura \u2014 e n\u00e3o o poder computacional bruto \u2014 costuma ser o gargalo. Isso torna a largura de banda da mem\u00f3ria uma m\u00e9trica \u00fatil para estimar o <strong>limite superior<\/strong> da velocidade de gera\u00e7\u00e3o: basta dividir a largura de banda pela quantidade de gigabytes lidos por token.<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Hardware<\/th>\n<th>Largura de banda da mem\u00f3ria<\/th>\n<th>Limite superior para um modelo denso de 70B em 4 bits (~40 GB)<\/th>\n<th>Limite superior para um modelo denso de 8B em 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>O modelo n\u00e3o cabe em 32 GB<\/td>\n<td>~360 tokens\/s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Esses s\u00e3o limites aritm\u00e9ticos calculados com base em dados publicados de largura de banda, n\u00e3o resultados medidos. As velocidades reais s\u00e3o menores ao levar em conta fatores como poder computacional, software e comprimento de contexto.<\/em><\/p>\n<p>Seguem duas conclus\u00f5es pr\u00e1ticas. Primeiro, para modelos pequenos o suficiente para caber em uma GPU de jogo, uma placa dedicada \u00e9 muito mais r\u00e1pida. Segundo, o DGX Spark mostra seu melhor desempenho com <strong>modelos de mistura de especialistas (MoE)<\/strong> \u2014 que armazenam muitos par\u00e2metros, mas ativam apenas uma fra\u00e7\u00e3o deles para cada token. Um grande modelo MoE precisa dos 128 GB do Spark para carregar todos os seus par\u00e2metros, mas l\u00ea apenas os pesos ativos por token, permitindo gerar tokens muito mais rapidamente do que um modelo denso de tamanho total equivalente.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_DGX_Spark_is_for\"><\/span>Para quem o DGX Spark \u00e9 indicado<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Desenvolvedores que precisam executar grandes modelos localmente.<\/strong> Se seu trabalho envolve modelos na faixa de 70B a 200B e seus dados n\u00e3o podem sair do ambiente local, uma \u00fanica m\u00e1quina capaz de hosped\u00e1-los \u00e9 o principal atrativo.<\/li>\n<li><strong>Equipes que desenvolvem solu\u00e7\u00f5es para a pilha de data centers da Nvidia.<\/strong> O DGX OS vem pr\u00e9-instalado com o software de IA da Nvidia, portanto, o c\u00f3digo desenvolvido no Spark pode ser migrado para sistemas DGX maiores ou para a nuvem com poucas ou nenhuma altera\u00e7\u00e3o.<\/li>\n<li><strong>Experimentos de ajuste fino (fine-tuning).<\/strong> A Nvidia classifica o dispositivo para ajuste fino de modelos com at\u00e9 70 bilh\u00f5es de par\u00e2metros \u2014 algo inating\u00edvel para uma \u00fanica placa gr\u00e1fica voltada ao consumidor.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_look_elsewhere\"><\/span>Quem deveria procurar alternativas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Usu\u00e1rios que executam modelos que cabem em 24 a 32 GB.<\/strong> Um desktop com uma placa gr\u00e1fica de alto desempenho gerar\u00e1 tokens consideravelmente mais r\u00e1pido. Compare placas em nossa <a href=\"\/pt\/best-gpus-for-local-llms-2026\/\">melhores GPUs para LLMs locais<\/a> guia.<\/li>\n<li><strong>Qualquer pessoa que busque um computador de uso geral.<\/strong> O DGX Spark foi projetado como uma m\u00e1quina de desenvolvimento de IA, n\u00e3o como um PC dom\u00e9stico ou para jogos.<\/li>\n<li><strong>Usu\u00e1rios ocasionais.<\/strong> Se voc\u00ea s\u00f3 precisa de um grande modelo de tempos em tempos, alugar GPUs na nuvem ou pagar por token via API normalmente sai mais barato. A <a href=\"\/pt\/self-hosting-vs-api-calculator\/\">calculadora de autohospedagem versus API<\/a> mostra onde ocorre o ponto de equil\u00edbrio econ\u00f4mico.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Pros_and_cons\"><\/span>Vantagens e desvantagens<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Pontos fortes do DGX Spark<\/h4>\n<ul>\n<li>Mem\u00f3ria unificada de 128 GB suporta modelos de at\u00e9 200 bilh\u00f5es de par\u00e2metros (classifica\u00e7\u00e3o da Nvidia)<\/li>\n<li>Pilha de software de IA da Nvidia no DGX OS<\/li>\n<li>Baixo consumo energ\u00e9tico comparado a esta\u00e7\u00f5es de trabalho com m\u00faltiplas GPUs: TDP do chip de 140 W, fonte de 240 W<\/li>\n<li>At\u00e9 quatro unidades podem ser vinculadas para modelos de at\u00e9 700 bilh\u00f5es de par\u00e2metros<\/li>\n<li>Compacto e leve: apenas 1,2 kg<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Pontos fracos do DGX Spark<\/h4>\n<ul>\n<li>Largura de banda de 273 GB\/s limita a velocidade em modelos densos grandes<\/li>\n<li>Mais lento do que uma GPU dedicada para modelos que cabem inteiramente em sua VRAM<\/li>\n<li>Mem\u00f3ria soldada; n\u00e3o \u00e9 poss\u00edvel atualiz\u00e1-la<\/li>\n<li>O pre\u00e7o subiu desde o lan\u00e7amento, acompanhando o aumento dos custos da mem\u00f3ria<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_it_actually_costs_to_own_one\"><\/span>Quanto custa realmente possuir um desses<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O pre\u00e7o de etiqueta \u00e9 apenas o ponto de partida da decis\u00e3o \u2014 e tem sido um valor vol\u00e1til. A edi\u00e7\u00e3o Founders da Nvidia foi lan\u00e7ada em <strong>$3,999<\/strong> outubro de 2025 por <strong>$4,699<\/strong> at\u00e9 fevereiro de 2026, conforme a escassez global de DRAM tornou seus 128 GB de LPDDR5x mais caros de fabricar. Como grande parte do custo est\u00e1 relacionada \u00e0 mem\u00f3ria soldada diretamente na placa, os pre\u00e7os do DGX Spark acompanham o mercado de mem\u00f3ria e podem mudar novamente; portanto, verifique o Marketplace da NVIDIA para obter o valor atual.<\/p>\n<p>\u00e0 medida que a escassez global de DRAM encarecia a fabrica\u00e7\u00e3o de seus 128 GB de LPDDR5x. Como grande parte do custo est\u00e1 associada \u00e0 mem\u00f3ria soldada, os pre\u00e7os do DGX Spark acompanham o mercado de mem\u00f3ria e podem mudar novamente \u2014 verifique sempre o Nvidia Marketplace para obter o valor atual.<\/p>\n<p>Em seguida, considere os custos operacionais que muitos esquecem:<\/p>\n<ul>\n<li><strong>Armazenamento que voc\u00ea logo esgotar\u00e1.<\/strong> Pesos de modelos, conjuntos de dados e imagens de cont\u00eaineres s\u00e3o grandes. Em uma unidade de 1 TB, planeje adquirir imediatamente um NVMe externo de alta velocidade.<\/li>\n<li><strong>Energia el\u00e9trica.<\/strong> Ele consome pouca energia em compara\u00e7\u00e3o com uma esta\u00e7\u00e3o de trabalho em torre, mas uma caixa de infer\u00eancia sempre ativa ainda gera uma conta.<\/li>\n<li><strong>A segunda unidade.<\/strong> Consome pouca energia comparado a uma esta\u00e7\u00e3o de trabalho em torre, mas um servidor de infer\u00eancia ligado continuamente ainda acumula custos.<\/li>\n<\/ul>\n<p>Vincular duas unidades para modelos de cerca de 405 bilh\u00f5es de par\u00e2metros duplica aproximadamente o custo do hardware.<\/p>\n<div class=\"convly-sources\">\n<h2><span class=\"ez-toc-section\" id=\"Verify_these_figures_at_the_source\"><\/span>Verifique esses valores na fonte<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Especifica\u00e7\u00f5es e pre\u00e7os est\u00e3o sujeitos a altera\u00e7\u00e3o sem aviso pr\u00e9vio. Estas s\u00e3o as p\u00e1ginas de onde os valores acima foram obtidos:<\/p>\n<ul>\n<li><a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">Especifica\u00e7\u00f5es e pre\u00e7os est\u00e3o sujeitos a altera\u00e7\u00f5es sem aviso pr\u00e9vio. Estas s\u00e3o as p\u00e1ginas das quais foram extra\u00eddos os dados acima:<\/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\">Especifica\u00e7\u00f5es do Nvidia DGX Spark<\/a><\/li>\n<\/ul>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Perguntas frequentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>O Nvidia DGX Spark \u00e9 o mesmo que o Projeto DIGITS?<\/h3>\n<p>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 comercializa\u00e7\u00e3o como DGX Spark em outubro de 2025.<\/p>\n<h3>Qual \u00e9 o pre\u00e7o do DGX Spark?<\/h3>\n<p>Foi lan\u00e7ado por US$ 3.999 em outubro de 2025, e relatos indicam que a Edi\u00e7\u00e3o Fundadores custava US$ 4.699 em fevereiro de 2026, \u00e0 medida que os pre\u00e7os da mem\u00f3ria subiram. Modelos de parceiros da ASUS, Acer, Dell e MSI com SSDs menores podem custar menos.<\/p>\n<h3>Qual \u00e9 o maior modelo que o DGX Spark consegue executar?<\/h3>\n<p>A Nvidia classifica uma unidade \u00fanica para infer\u00eancia em modelos de at\u00e9 200 bilh\u00f5es de par\u00e2metros e para ajuste fino de at\u00e9 70 bilh\u00f5es. Ao conectar at\u00e9 quatro unidades, o limite de infer\u00eancia sobe para modelos de at\u00e9 700 bilh\u00f5es de par\u00e2metros.<\/p>\n<h3>Qual \u00e9 a largura de banda da mem\u00f3ria, e por que ela limita o desempenho?<\/h3>\n<p>Os 128 GB de LPDDR5x unificada do DGX Spark operam a 273 GB\/s. Esse valor, e n\u00e3o a taxa de petaFLOPS anunciada para c\u00e1lculos em FP4, limita a velocidade de gera\u00e7\u00e3o de tokens em modelos de linguagem grandes, pois cada token exige a leitura dos pesos ativos da mem\u00f3ria. \u00c9 suficiente para carregar modelos muito grandes que n\u00e3o caberiam em uma GPU para jogos de 24 a 32 GB, mas est\u00e1 bem abaixo da largura de banda de uma placa dedicada como a RTX 5090.<\/p>\n<h3>Devo comprar a Edi\u00e7\u00e3o Fundadora ou uma unidade de parceiro, como a ASUS Ascent GX10?<\/h3>\n<p>O desempenho computacional \u00e9 id\u00eantico, portanto a escolha depende apenas de armazenamento e pre\u00e7o. A Edi\u00e7\u00e3o Fundadores inclui um SSD de 4 TB; muitos modelos de parceiros v\u00eam com 1 TB e custam menos. Se voc\u00ea pretende manter localmente diversos modelos e conjuntos de dados grandes, o armazenamento adicional pode valer o investimento extra.<\/p>\n<h3>Posso usar o DGX Spark como um computador desktop convencional?<\/h3>\n<p>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 m\u00e1quina voltada ao desenvolvimento de IA, e um PC convencional oferece muito melhor custo-benef\u00edcio caso voc\u00ea n\u00e3o precise de sua capacidade de mem\u00f3ria.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Artigos relacionados<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/pt\/deepseek-v4-pro-vs-llama-4-maverick\/\">DeepSeek V4-Pro vs Llama 4 Maverick: Especifica\u00e7\u00f5es, Pre\u00e7os e Qual Escolher (2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/rtx-pro-6000-vs-rtx-5090-for-ai-2026\/\">RTX Pro 6000 Blackwell vs RTX 5090 para IA em 2026: Quando vale a pena pagar US$ 5.500 a mais por 96 GB?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/rtx-5070-vs-rtx-5080-for-ai-2026\/\">RTX 5070 vs RTX 5080 para IA em 2026: vale a pena pagar US$ 450 a mais para subir para 16 GB?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/best-gpus-for-video-generation-2026\/\">As Melhores GPUs para Gera\u00e7\u00e3o de V\u00eddeo com IA em 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/best-gpus-for-llm-fine-tuning-2026\/\">As Melhores GPUs para Fine-Tuning de LLMs em Casa em 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\/pt\/wp-json\/wp\/v2\/posts\/380","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/comments?post=380"}],"version-history":[{"count":5,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/380\/revisions"}],"predecessor-version":[{"id":2669,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/380\/revisions\/2669"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media\/1997"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media?parent=380"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/categories?post=380"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/tags?post=380"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}