DGX Spark 64GB: lokale ML-Sandbox für 4.999 $

Was die 64GB-Version des DGX Spark bietet

Ich sehe den DGX Spark 64GB als zugänglicheres lokales Entwicklungssystem und nicht als Cloud-LLM-Killer. Genau so lässt sich auch die offizielle Ankündigung von NVIDIA lesen: Die neue Konfiguration bietet 64GB einheitlichen LPDDR5X-Speicher und startet bei 4.999 $. Stand 3. Oktober 2026 handelt es sich noch um eine Ankündigung; der Verkauf über OEM-Partner soll am 23. Oktober beginnen.

Verbaut bleiben der GB10 Grace Blackwell Superchip, der Software-Stack DGX OS und ein ConnectX-7-Netzwerkadapter. NVIDIA spricht von Unterstützung für Modelle mit bis zu 100 Milliarden Parametern. Das bedeutet nicht, dass jedes Modell dieser Größe gleich komfortabel nutzbar ist: Gewichtsformat, Quantisierung, KV-Cache und Kontextlänge verbrauchen den verfügbaren Speicher sehr schnell.

Zwei Systeme lassen sich direkt verbinden und bilden dann einen gemeinsamen Speicherpool von 128GB. NVIDIA nennt für bestimmte Workloads eine Beschleunigung von bis zu 1,7 gegenüber einem einzelnen Gerät. Das klingt interessant, ist aber ein Herstellerwert für ausgewählte Szenarien und kein universeller Faktor, der automatisch auf jede Engine und jedes Modell übertragbar wäre.

Die 128GB-Version kostete zum Zeitpunkt der Ankündigung 6.950 $ und war für Modelle bis 200 Milliarden Parameter positioniert. Die 64GB-Variante ist daher kein günstiger Ersatz für die größere Konfiguration, sondern ein eigener Einstiegspunkt mit einer strengeren Speichergrenze. Knappheit und begrenzte Lagerbestände erschweren die Wahl zusätzlich, doch Speicherreserven ohne klaren Workload zu kaufen, ist ebenfalls fragwürdig.

Wo diese Maschine wirklich sinnvoll ist

Die wichtigste Rolle des DGX Spark 64GB ist meiner Ansicht nach eine dauerhaft verfügbare lokale ML-Sandbox. Damit lassen sich Inferenz-Engines vergleichen, lokale RAG- und Agenten-Pipelines prüfen, quantisierte Modelle untersuchen, Simulationen ausführen und Umgebungen reproduzieren, ohne ständig von einer Cloud-API abhängig zu sein.

Als direkter Ersatz für Cloud-LLM-Abonnements überzeugt das Gerät weniger. Die Cloud liefert Zugang zu Modellen einer anderen Größenordnung und Qualität, ohne dass man Gewichte, Speicher und Serving-Stack selbst verwalten muss. Ein lokales System gewinnt dort, wo Umgebungskontrolle, reproduzierbare Experimente und lang laufende Hintergrundaufgaben entscheidend sind.

Ich würde zuerst nicht die beworbene Grenze von 100 Milliarden Parametern prüfen, sondern reale Speicherprofile, die Geschwindigkeit konkreter Engines und das Verhalten eines Verbunds aus zwei Geräten. Unabhängige Laborergebnisse für die 64GB-Konfiguration liegen in den verfügbaren Unterlagen bislang nicht vor.

Das ist keine Heim-Cloud in einer Box, sondern ein teurer Engineering-Arbeitsplatz. Sein Wert bemisst sich nicht an der größten Modellgröße auf einem Datenblatt, sondern daran, wie viele nützliche Experimente er ohne Wartezeit auf fremde Infrastruktur ermöglicht.

Zuvor haben wir Rust LocalGPT vorgestellt, einen lokalen KI-Assistenten als einzelne Binärdatei mit persistentem Speicher und HTTP-API. Sein praxisnahes Bereitstellungsmodell hilft, die lokale Inferenzleistung und Speichergrenzen des DGX Spark richtig einzuordnen.