DGX Spark 64GB: локальная ML-песочница за $4 999

Что получила версия DGX Spark на 64 ГБ

Я смотрю на DGX Spark 64GB как на более доступный локальный стенд, а не как на убийцу облачных LLM. Именно так читается официальный анонс NVIDIA: новая конфигурация получила 64 ГБ унифицированной памяти LPDDR5X и стартовую цену $4 999. По состоянию на 3 октября 2026 года это еще анонс: продажи через OEM-партнеров заявлены с 23 октября.

Внутри остался GB10 Grace Blackwell Superchip, программный стек DGX OS и сетевой адаптер ConnectX-7. NVIDIA заявляет поддержку моделей до 100 млрд параметров. Это не означает, что любая модель такого размера будет одинаково удобна: формат весов, квантование, KV-кеш и длина контекста быстро съедают доступную память.

Две системы можно соединить напрямую и получить общий пул памяти объемом 128 ГБ. Для отдельных нагрузок NVIDIA указывает ускорение до 1,7 раза относительно одного устройства. Звучит интересно, но это результат производителя для некоторых сценариев, а не универсальный коэффициент, который автоматически переносится на любой движок и модель.

Версия со 128 ГБ на момент анонса стоила $6 950 и позиционировалась для моделей до 200 млрд параметров. Поэтому 64 ГБ выглядят не дешевой заменой старшей конфигурации, а отдельной точкой входа с более жестким потолком памяти. Дефицит и ограниченные складские остатки дополнительно осложняют выбор, но покупать запас памяти без понятной нагрузки тоже сомнительная стратегия.

Где такая машина действительно имеет смысл

Главная роль DGX Spark 64GB, на мой взгляд, это круглосуточная локальная песочница для ML. На ней логично сравнивать инференс-движки, проверять локальные RAG- и агентные пайплайны, изучать поведение квантованных моделей, запускать симуляции и воспроизводить окружение без постоянной зависимости от облачного API.

Как прямая замена подпискам на облачные LLM устройство выглядит слабее. Облако дает доступ к моделям другого масштаба и качества без необходимости самостоятельно управлять весами, памятью и serving-стеком. Локальная машина выигрывает там, где важны контроль окружения, повторяемость экспериментов и длительные фоновые задачи.

Я бы первым делом проверял не заявленный предел в 100 млрд параметров, а реальные профили памяти, скорость конкретных движков и поведение связки из двух устройств. Независимых лабораторных результатов для конфигурации на 64 ГБ в доступных материалах пока нет.

Это не домашнее облако в коробке, а дорогой инженерный стенд. И его ценность определяется не максимальным размером модели на странице спецификаций, а тем, сколько полезных экспериментов он позволяет проводить без очереди к чужой инфраструктуре.

Ранее мы разбирали Rust LocalGPT — локального ИИ-ассистента в одном бинарном файле с постоянной памятью и HTTP API. Его практическая модель развертывания помогает оценить возможности локального инференса и ограничения памяти DGX Spark.