DGX Spark 64GB: локальна ML-пісочниця за $4 999

Що отримала версія DGX Spark на 64 ГБ

Я розглядаю DGX Spark 64GB як доступніший локальний стенд, а не як убивцю хмарних LLM. Саме так читається офіційний анонс NVIDIA: нова конфігурація отримала 64 ГБ уніфікованої пам’яті LPDDR5X і стартову ціну $4 999. Станом на 3 жовтня 2026 року це ще анонс: продажі через OEM-партнерів заявлені з 23 жовтня.

Усередині залишилися Superchip GB10 Grace Blackwell, програмний стек DGX OS і мережевий адаптер ConnectX-7. NVIDIA заявляє підтримку моделей до 100 млрд параметрів. Це не означає, що будь-яка модель такого розміру буде однаково зручною: формат ваг, квантування, KV-кеш і довжина контексту швидко споживають доступну пам’ять.

Дві системи можна з’єднати напряму й отримати спільний пул пам’яті обсягом 128 ГБ. Для окремих навантажень NVIDIA вказує прискорення до 1,7 раза порівняно з одним пристроєм. Це цікаво, але йдеться про результат виробника для певних сценаріїв, а не універсальний коефіцієнт для кожного рушія та моделі.

Версія зі 128 ГБ на момент анонсу коштувала $6 950 і позиціонувалася для моделей до 200 млрд параметрів. Тому 64 ГБ — не дешева заміна старшої конфігурації, а окрема точка входу з жорсткішою межею пам’яті. Дефіцит і обмежені складські запаси додатково ускладнюють вибір, але купувати запас пам’яті без чітко визначеного навантаження теж сумнівно.

Де така машина справді має сенс

На мою думку, головна роль DGX Spark 64GB — цілодобова локальна ML-пісочниця. На ній доречно порівнювати рушії інференсу, перевіряти локальні RAG- і агентні пайплайни, досліджувати поведінку квантованих моделей, запускати симуляції та відтворювати середовище без постійної залежності від хмарного API.

Як пряма заміна підписок на хмарні LLM пристрій виглядає слабше. Хмара надає доступ до моделей іншого масштабу та якості без потреби самостійно керувати вагами, пам’яттю і стеком serving. Локальна машина перемагає там, де важливі контроль середовища, повторюваність експериментів і тривалі фонові завдання.

Я б насамперед перевіряв не заявлену межу у 100 млрд параметрів, а реальні профілі пам’яті, швидкість конкретних рушіїв і поведінку зв’язки з двох пристроїв. Незалежних лабораторних результатів для конфігурації на 64 ГБ у доступних матеріалах поки немає.

Це не домашня хмара в коробці, а дорогий інженерний стенд. Його цінність визначає не максимальний розмір моделі на сторінці специфікацій, а кількість корисних експериментів, які він дозволяє проводити без черги до чужої інфраструктури.

Раніше ми розглядали Rust LocalGPT — локального ШІ-асистента в одному бінарному файлі з постійною пам’яттю та HTTP API. Його практична модель розгортання допомагає оцінити можливості локального інференсу й обмеження пам’яті DGX Spark.