DGX Spark 64 Go : un bac à sable ML à 4 999 $

Ce qu’apporte la version DGX Spark de 64 Go

Je considère le DGX Spark 64 Go comme un poste de travail local plus accessible, et non comme un tueur de LLM cloud. C’est aussi ce qui ressort de l’annonce officielle de NVIDIA : cette nouvelle configuration reçoit 64 Go de mémoire unifiée LPDDR5X et un prix de départ de 4 999 $. Au 3 octobre 2026, il s’agit encore d’une annonce ; les ventes via les partenaires OEM sont prévues à partir du 23 octobre.

La machine conserve le Superchip GB10 Grace Blackwell, la pile logicielle DGX OS et l’adaptateur réseau ConnectX-7. NVIDIA annonce la prise en charge de modèles atteignant 100 milliards de paramètres. Cela ne veut pas dire que chaque modèle de cette taille sera aussi simple à exploiter : format des poids, quantification, cache KV et longueur de contexte consomment rapidement la mémoire disponible.

Deux systèmes peuvent être reliés directement afin d’obtenir un pool de mémoire partagé de 128 Go. NVIDIA évoque une accélération allant jusqu’à 1,7 fois celle d’un seul appareil pour certaines charges. C’est intéressant, mais il s’agit d’un résultat constructeur dans des scénarios précis, pas d’un coefficient universel valable pour tous les moteurs et modèles.

Lors de l’annonce, la version 128 Go coûtait 6 950 $ et ciblait les modèles jusqu’à 200 milliards de paramètres. La version 64 Go n’est donc pas un substitut bon marché à la configuration supérieure, mais un point d’entrée distinct avec un plafond mémoire plus strict. Les pénuries et les stocks limités compliquent encore le choix, mais acheter de la mémoire en réserve sans charge de travail définie reste tout aussi discutable.

Les cas où cette machine a réellement du sens

À mon sens, le rôle principal du DGX Spark 64 Go est celui d’un bac à sable ML local disponible en permanence. Il est pertinent pour comparer des moteurs d’inférence, valider des pipelines RAG et agents locaux, étudier le comportement de modèles quantifiés, lancer des simulations et reproduire un environnement sans dépendre constamment d’une API cloud.

Comme remplacement direct des abonnements aux LLM cloud, l’appareil est moins convaincant. Le cloud donne accès à des modèles d’une autre échelle et d’un autre niveau de qualité, sans avoir à administrer soi-même les poids, la mémoire et la pile de serving. Une machine locale l’emporte lorsque le contrôle de l’environnement, la reproductibilité des essais et les tâches de fond longues sont prioritaires.

Je vérifierais d’abord non pas la limite annoncée de 100 milliards de paramètres, mais les profils mémoire réels, la vitesse des moteurs choisis et le comportement d’un ensemble de deux appareils. Les documents accessibles ne fournissent pas encore de résultats de laboratoire indépendants pour la configuration 64 Go.

Ce n’est pas un cloud domestique dans une boîte, mais un coûteux poste d’ingénierie. Sa valeur ne dépend pas de la plus grande taille de modèle affichée dans une fiche technique, mais du nombre d’expériences utiles qu’il permet de mener sans attendre l’infrastructure de quelqu’un d’autre.

Nous avons déjà présenté Rust LocalGPT, un assistant IA local distribué sous la forme d’un unique binaire, avec mémoire persistante et API HTTP. Son modèle de déploiement concret aide à replacer les capacités d’inférence locale et les limites mémoire du DGX Spark dans leur contexte.