NVIDIA DGX Spark: o mini-PC de IA de 128 GB frente aos GPU

#O que é o DGX Spark

O DGX Spark é um computador compacto construído em torno do superchip NVIDIA GB10 Grace Blackwell. Ele combina, em um mesmo chip, uma GPU Blackwell e uma CPU ARM Grace (20 núcleos), conectadas a um conjunto único de 128 GB de memória LPDDR5X compartilhada entre as duas. É essa arquitetura de memória unificada — a mesma filosofia do Apple Silicon — que torna a máquina tão interessante para a IA local.

Enquanto uma placa de vídeo tradicional mantém sua VRAM separada (no máximo 24 ou 32 GB nos modelos para consumidores), o DGX Spark permite que a GPU acesse diretamente os 128 GB. Na prática, a restrição que limita todos os usuários de GPU — «o modelo cabe na VRAM?» — quase desaparece. O fator limitante passa a ser a largura de banda da memória, e não a capacidade.

Chip

NVIDIA GB10 Grace Blackwell (GPU Blackwell + CPU ARM de 20 núcleos)

Memória

128 GB LPDDR5X unificada, compartilhada entre CPU e GPU

Largura de banda

~273 GB/s (LPDDR5X), o verdadeiro gargalo

Rede

ConnectX (200 GbE) para interligar dois Spark e viabilizar o uso de modelos muito grandes

Formato

Mini-PC de mesa, ~150 W, silencioso em comparação com um PC em torre com várias GPUs

#128 GB unificados: o que isso desbloqueia

Para dar uma referência, esta é a quantidade aproximada de VRAM necessária para um modelo com quantização Q4_K_M, a mais comum para inferência local: um 7B cabe em ~5 GB, um 14B em ~9 GB, um 32B em ~19 GB, um 70B em ~40 GB. Em uma RTX 5090 com seus 32 GB, um 70B Q4 não cabe inteiramente: é necessário transferir parte para a CPU, o que derruba a velocidade.

Com 128 GB de memória unificada, o DGX Spark carrega sem esforço um 70B em Q4, Q5 ou mesmo Q8, mantém uma margem para um contexto longo (32k tokens ou mais) e abre espaço para modelos de 100B+ parâmetros com quantização agressiva. É a classe de modelos que, até agora, exigia um Mac Studio de ponta ou um sistema multi-GPU caro e com alto consumo de energia.

70B Q4 (~40 GB)

Confortável, com grande margem para o contexto

70B Q8 (~75 GB)

Possível — qualidade quase FP16 em um modelo grande

MoE tipo 120B em Q4

Cabe na memória; a largura de banda determina a velocidade

Vários modelos carregados

Um 32B + um 14B em paralelo para roteamento ou multi-agente

#Quais modelos ele executa

O ponto forte do DGX Spark é a faixa de 30B a 120B, exatamente onde as GPUs de uso doméstico esbarram na falta de VRAM. Veja os usos típicos por família de modelos.

Qwen 3.8 27B

O principal modelo generalista de 2026 (visão, 262k ctx); nessa máquina, ele roda em Q8 com qualidade plena e ampla margem de contexto

Qwen 3.6 35B-A3B / Qwen3-Coder 30B

MoE rápidos para raciocínio e código, que cabem integralmente na memória mesmo em Q8

GLM 4.7 Flash (MoE 30B-A3B, MIT)

Excelente para agentes, carregado com qualidade plena sem malabarismos

Grande MoE 100B+ quantizado

As arquiteturas Mixture-of-Experts aproveitam plenamente a grande capacidade da memória unificada

Modelos multimodais

Gemma 4 e Qwen 3.8 (visão + texto), que exigem muita memória, cabem na memória sem concessões

Para modelos pequenos (7B–14B), o DGX Spark obviamente funciona, mas é um desperdício: uma RTX 4070 ou um Mac mini M4 roda esses modelos mais rápido por muito menos dinheiro. A máquina só se justifica se você pretende rodar modelos grandes regularmente.

#Desempenho real em inferência

Duas medidas contam na inferência local: a velocidade de geração (tokens por segundo, o que vai aparecendo na tela) e o tempo de pré-preenchimento (o intervalo até o primeiro token, que depende do comprimento do prompt). A largura de banda da memória influencia sobretudo a geração.

No DGX Spark, um modelo 70B em Q4 normalmente gera na ordem de dez tokens por segundo — o suficiente para usá-lo confortavelmente como assistente, lendo à medida que o texto é gerado, mas menos adequado para cargas de trabalho em lote que exigem alta taxa de processamento. Modelos menores (14B–32B) atingem velocidades bem mais altas. Esse perfil é coerente com uma largura de banda de aproximadamente 273 GB/s: esse é o limite que separa o DGX Spark das placas GDDR7, muito mais rápidas nesse aspecto.

#DGX Spark vs RTX 5090

É a comparação mais ilustrativa e contrapõe duas filosofias. A RTX 5090 oferece 32 GB de VRAM GDDR7 com cerca de 1.792 GB/s de largura de banda: aproximadamente seis a sete vezes mais rápida que o DGX Spark no acesso à memória. Para tudo o que cabe nos seus 32 GB, a 5090 pulveriza o Spark em tokens por segundo.

Mas a 5090 esbarra em um limite claro: acima de ~32 GB, ela precisa transferir parte do processamento para a CPU, e seu desempenho despenca. Um 70B Q4 (~40 GB) não cabe inteiramente nela. Já o DGX Spark roda esse mesmo 70B sem dificuldade — mais lentamente, mas com o modelo inteiro na memória. A escolha se resume a uma pergunta: sua carga de trabalho cabe em menos de 32 GB?

Você não ultrapassa 32 GB (até ~32B Q4)

RTX 5090: muito mais rápida e versátil (jogos, renderização, CUDA)

Você busca modelos de 70B ou maiores

DGX Spark: o modelo cabe na memória onde a 5090 não dá conta

Consumo / ruído

DGX Spark: ~150 W e silencioso, em comparação com uma torre com 5090 quente e barulhenta

Ecossistema CUDA completo

Os dois; o Spark adiciona o stack DGX/NVIDIA de ponta a ponta

#DGX Spark vs Mac Studio

O verdadeiro concorrente do DGX Spark não é uma placa de vídeo, é o Mac Studio. Os dois compartilham a mesma ideia — grande quantidade de memória unificada em um gabinete compacto e discreto — e visam o mesmo público: desenvolvedores que querem modelos grandes rodando localmente sem montar uma máquina.

O Mac Studio (M-Ultra) pode atingir até 512 GB de memória unificada com uma largura de banda frequentemente superior nas configurações de alto desempenho, o que o torna poderoso em modelos muito grandes. Seu ponto forte: macOS, Metal e um ecossistema maduro (Ollama, LM Studio, MLX). O ponto forte do DGX Spark: suporte nativo ao CUDA. Se o seu pipeline depende de bibliotecas CUDA, TensorRT ou de ferramentas NVIDIA, o Spark fala nativamente a mesma língua que seus servidores de produção.

Memória máxima

Mac Studio até 512 GB; DGX Spark 128 GB (extensível ao conectar 2 unidades)

Ecossistema de software

Mac: Metal/MLX maduros; Spark: CUDA nativo, continuidade com os servidores NVIDIA

Portabilidade do código de IA

O Spark executa sem dificuldade código escrito para GPUs NVIDIA na nuvem ou em datacenters

Uso em tarefas de escritório

O Mac Studio é um computador de trabalho completo; o Spark é uma estação de IA dedicada

#Instalar o Ollama nele

O DGX Spark roda sobre uma base Linux (DGX OS, derivado do Ubuntu), com a stack CUDA pré-instalada. O Ollama funciona nele como em qualquer máquina Linux com GPU NVIDIA: o daemon detecta a GPU e disponibiliza os modelos na porta habitual.

1. 01
   Instalar Ollama

   Script oficial em um único comando. Ele configura o serviço systemd e detecta automaticamente a GPU Blackwell via CUDA.
2. 02
   Verificar a detecção da GPU

   Confirme que a GPU está sendo detectada antes de iniciar um modelo grande; caso contrário, a inferência seria executada na CPU.
3. 03
   Baixar um modelo grande

   Baixe um modelo MoE grande de 2026 em qualidade máxima (um Qwen3-Coder 30B em Q8, ou o carro-chefe Qwen 3.8 27B e seu contexto de 262k) para aproveitar a memória — esse é precisamente o caso de uso da máquina.
4. 04
   Iniciar e conectar uma interface

   O daemon escuta por padrão em http://localhost:11434; configure o Open WebUI ou o LM Studio para apontar para esse endereço.

# Installer Ollama (Linux / DGX OS)
curl -fsSL https://ollama.com/install.sh | sh

# Vérifier que le GPU Blackwell est détecté
nvidia-smi

# Tirer et lancer un gros MoE 2026 en pleine qualité (exploite la mémoire unifiée)
ollama run qwen3-coder:30b-a3b-q8_0

O daemon Ollama expõe uma API compatível na porta 11434. Para explorar a memória, prefira modelos que os GPUs clássicos não conseguem carregar sozinhos e aumente a janela de contexto, já que você tem espaço disponível. Observe que Qwen 3.8 27B tende a refletir demais com sua configuração padrão de raciocínio: mude para o modo baixo (low) para respostas mais diretas.

# Servir Qwen 3.8 27B avec un grand contexte depuis un Modelfile
cat > Modelfile <<'EOF'
FROM qwen3.8:27b
PARAMETER num_ctx 131072
EOF

ollama create qwen38-128k -f Modelfile
ollama run qwen38-128k

#Um chip, oito máquinas: clones certificados

A NVIDIA fez do GB10 uma plataforma: além do seu DGX Spark Founders Edition, sete fabricantes vendem a mesma base certificada sob suas próprias marcas. Mesmo chip, mesmos 128 GB — as diferenças estão no armazenamento, no gabinete, no preço e no canal de venda.

Detalhe que muda tudo para modelos grandes: a porta ConnectX integrada permite conectar duas unidades e executar modelos da classe 400B localmente. Nenhuma outra máquina voltada ao público geral oferece isso.

#Perguntas frequentes

#Para quem esse formato faz sentido

O DGX Spark não é uma máquina para o público em geral. Ele é útil sobretudo para perfis específicos para os quais a limitação de VRAM é o verdadeiro problema do dia a dia.

Desenvolvedores de IA com CUDA

Prototipar localmente código destinado às GPUs NVIDIA de produção, sem surpresas de portabilidade

Pesquisadores e equipes de P&D

Fine-tuning leve e inferência de modelos grandes sem reservar tempo de GPU na nuvem

Usuários avançados do 70B+

Quem esbarra constantemente no limite de 24–32 GB de uma placa para o mercado de consumo

Escritórios sensíveis ao ruído/consumo

Uma estação silenciosa e de baixo consumo, em vez de um rig com múltiplas GPUs

Por outro lado, se você joga, se roda principalmente modelos ≤ 32B ou se seu orçamento é apertado, uma RTX 5090 (ou até uma 4070/4080) ou um Mac mini M4 oferecerá uma relação desempenho/preço muito melhor. O DGX Spark se justifica quando a necessidade de uma grande capacidade de memória tem prioridade sobre a taxa de transferência bruta.

#Para se aprofundar

É mais fácil avaliar o DGX Spark comparando-o com as alternativas já abordadas no site. Estes guias dão continuidade à reflexão:

Qual LLM na RTX 5090 (32 GB)?

O comparativo detalhado da placa mais rápida voltada ao consumidor, para avaliar o equilíbrio entre taxa de processamento e capacidade.

Qual LLM no Mac Studio?

A outra grande máquina com memória unificada, até 512 GB — o verdadeiro concorrente do DGX Spark.

Escolher sua GPU para IA local

Para dimensionar sua necessidade de VRAM antes de gastar e ver onde cada opção se encaixa.