DGX Spark 64GB: un entorno local de ML por $4.999

Qué aporta la versión DGX Spark de 64GB

Veo la DGX Spark 64GB como una estación local más accesible, no como una máquina destinada a acabar con las LLM en la nube. Así se interpreta el anuncio oficial de NVIDIA: la nueva configuración incorpora 64GB de memoria unificada LPDDR5X y un precio inicial de $4.999. A fecha de 3 de octubre de 2026, sigue siendo un anuncio; las ventas mediante socios OEM están previstas para el 23 de octubre.

En su interior se mantienen el Superchip GB10 Grace Blackwell, la pila de software DGX OS y el adaptador de red ConnectX-7. NVIDIA afirma que admite modelos de hasta 100.000 millones de parámetros. Eso no implica que cualquier modelo de ese tamaño resulte igual de cómodo: el formato de los pesos, la cuantización, la caché KV y la longitud del contexto consumen rápidamente la memoria disponible.

Es posible conectar dos sistemas directamente y obtener un pool de memoria compartida de 128GB. NVIDIA indica una aceleración de hasta 1,7 veces frente a un solo equipo en determinadas cargas. Es un dato interesante, pero corresponde a escenarios concretos del fabricante, no a un multiplicador universal aplicable a cualquier motor o modelo.

En el momento del anuncio, la versión de 128GB costaba $6.950 y se orientaba a modelos de hasta 200.000 millones de parámetros. Por eso, la versión de 64GB no es un reemplazo barato de la configuración superior, sino un punto de entrada independiente con un límite de memoria más estricto. La escasez y el inventario limitado complican aún más la decisión, aunque comprar memoria extra sin una carga definida tampoco parece una gran estrategia.

Dónde tiene sentido esta máquina

Para mí, la función principal de la DGX Spark 64GB es servir como sandbox local de ML disponible las veinticuatro horas. Tiene sentido para comparar motores de inferencia, validar pipelines locales de RAG y agentes, estudiar modelos cuantizados, ejecutar simulaciones y reproducir entornos sin depender continuamente de una API en la nube.

Como sustituto directo de las suscripciones a LLM en la nube, el equipo resulta menos convincente. La nube da acceso a modelos de otra escala y calidad sin tener que gestionar pesos, memoria ni la pila de serving. Una máquina local gana cuando importan el control del entorno, la repetibilidad de los experimentos y las tareas prolongadas en segundo plano.

Yo comprobaría primero no el límite anunciado de 100.000 millones de parámetros, sino los perfiles reales de memoria, la velocidad de motores concretos y el comportamiento de una configuración con dos equipos. Por ahora no hay resultados independientes de laboratorio para la configuración de 64GB en los materiales disponibles.

No es una nube doméstica dentro de una caja, sino una costosa estación de ingeniería. Su valor no depende del mayor modelo que aparezca en una ficha técnica, sino de cuántos experimentos útiles permite ejecutar sin hacer cola para usar infraestructura ajena.

Anteriormente analizamos Rust LocalGPT, un asistente de IA local en un único binario con memoria persistente y una API HTTP. Su modelo práctico de despliegue ayuda a contextualizar la capacidad de inferencia local y los límites de memoria de DGX Spark.