Was es ist

Der Acer Veriton GN100 ist eine 3.999 US-Dollar teure KI-Mini-Workstation auf Basis von NVIDIAs GB10 Grace Blackwell Superchip — derselben Plattform der “DGX Spark”-Klasse, die NVIDIA, Dell, ASUS und GIGABYTE allesamt ausliefern. Es ist kein Allzweck-Mini-PC. Es ist ein persönlicher KI-Supercomputer von etwa der Größe eines dicken Taschenbuchs (150 × 150 × 50,5 mm, unter 1,5 kg), der eine 20-Kern-Arm-CPU mit einer Blackwell-GPU über NVLink-C2C koppelt, ihr 128 GB Unified LPDDR5x-Speicher voranstellt und mit NVIDIAs vollständigem DGX-OS-Software-Stack bereits installiert ausgeliefert wird.

Acers Profil in einem überfüllten GB10-Feld ist das Out-of-Box-Erlebnis. Wo konkurrierende Boxen Sie eine CUDA-Umgebung selbst zusammenbauen lassen, bootet der GN100 in DGX OS mit vorinstalliertem PyTorch, Jupyter und Ollama — wohl die sauberste Software-Vorinstallation aller Maschinen des Spark-Ökosystems. Für einen Käufer, der ein lokales Modell noch am Nachmittag der Lieferung feintunen oder bereitstellen will, zählt das mehr als ein Datenblatt-Stichpunkt.

Wofür es taugt: lokale LLM-Entwicklung

Die Daseinsberechtigung des GN100 ist lokale Arbeit mit großen Sprachmodellen, die nicht auf eine Consumer-GPU passt. Der 128-GB-Unified-Pool lässt Sie Modelle im Bereich ~70B–120B bequem laden, und NVIDIA stuft die Plattform für Inferenz auf Modellen mit bis zu 405B Parametern ein, wenn zwei Einheiten über ConnectX-7 verbunden werden. In den vLLM-Tests von StorageReview skalierte GPT-OSS-20B je nach Batch-Größe von rund 92 auf 1.565 Tokens/Sekunde — Ergebnisse, die “eng mit dem breiteren Spark-Ökosystem gruppiert” lagen, genau wie man es von gemeinsamem GB10-Silizium erwarten würde.

Dies ist eine Maschine für Entwickler und Kreative: Feintuning, Retrieval-Augmented Generation, agentisches Prototyping, Batch-Inferenz und Bildarbeit mit Diffusionsmodellen. Wenn Ihr Interesse darin besteht, ein 7B–13B-Modell für Chat auf einem Budget laufen zu lassen, brauchen Sie das nicht — eine Strix-Halo-Box, die 70B-Modelle ausführt oder sogar ein Mac mini M4 Pro für lokale LLMs ist weitaus günstiger. Der GN100 ist für Menschen, deren Modelle, Datensätze oder Durchsatzziele diesen Optionen entwachsen sind.

Der GB10-Superchip & Unified Memory

Der GB10 Grace Blackwell Superchip vereint eine 20-Kern-Arm-CPU und eine Blackwell-GPU auf einem Package, verbunden durch NVLink-C2C, sodass beide Seiten denselben 128-GB-LPDDR5x-8533-Pool ohne PCIe-Kopie dazwischen adressieren. NVIDIA nennt 1 PetaFLOP FP4-KI-Leistung (1.000 TOPS) aus den Tensor-Cores der 5. Generation, und der vollständige CUDA-Stack läuft nativ.

Die Schlagzeilenzahl ist der Unified Memory. Auf einer 24-GB-RTX-4090 stecken Sie echten Aufwand in das Sharding eines 70B-Modells; hier wird es einfach geladen. Diese Kapazität — nicht rohe FLOPS — macht die GB10-Klasse für jeden interessant, der ernsthafte lokale KI betreibt. Wenn Sie den Hintergrund dazu wollen, warum sich CPU-, NPU- und GPU-Pfade bei dieser Arbeit so stark unterscheiden, ist unser Erklärstück zu NPU vs. iGPU vs. CPU für Mini-PC-LLMs ein nützlicher Einstieg.

Aufbau, Konnektivität und Clustering

Physisch ist der GN100 dicht gepackt und leise. StorageReview maß das kühlste thermische Profil in seinem gesamten Spark-Vergleich — die CPU erreichte unter Burst-Last maximal 74,7 °C und die GPU 69 °C — und schrieb dies einer effizienzorientierten Abstimmung statt aggressivem Power-Pushing zu. Der von ihnen festgestellte Trade-off ist kosmetisch: eine unbearbeitete Bodenplatte aus Gussmetall, die “eine andere Design- und Kostenphilosophie” widerspiegelt, obwohl sie strukturell solide bleibt.

Die Konnektivität ist zweckgebaut für KI, nicht für Desktops:

  • 2× 200 Gbps NVIDIA ConnectX-7 (QSFP) — das Hochgeschwindigkeits-Fabric, um zwei GN100 zu einem 405B-fähigen Knoten zu koppeln
  • 10GbE RJ-45 für konventionelles Networking
  • 4× USB 3.2 Type-C, HDMI 2.1b, Wi-Fi 7, Bluetooth 5.1

Diese ConnectX-7-Kopplung ist das Herausragende: Zwei geclusterte Einheiten verhalten sich wie eine einzige größere Maschine, und genau so überschreitet man die Grenze von ~200B in den 405B-Parameter-Bereich.

Speicherbandbreite — die reale Obergrenze

Hier ist die ehrliche Grenze, die jeder GB10-Käufer verinnerlichen sollte. Die Unified-Memory-Bandbreite liegt bei rund 273 GB/s. Das ist großzügig gegenüber einer CPU, aber bescheiden gegenüber einer dedizierten GPU — eine RTX 5090 bewegt weit über 1,7 TB/s. Die Token-Generierungs-Geschwindigkeit bei der LLM-Inferenz ist durch die Speicherbandbreite begrenzt, sodass sich der GN100 pro Token langsamer anfühlen wird als eine große dedizierte Karte bei den Modellen, die tatsächlich in 32 GB VRAM passen.

Der Gewinn des GN100 ist der gegenteilige Fall: die Modelle, die auf keine einzelne Consumer-GPU passen. Sie tauschen Spitzen-Tokens/Sekunde gegen die Fähigkeit, ein 70B–120B-Modell überhaupt im Speicher zu halten. Kaufen Sie ihn für Kapazität und eine schlüsselfertige CUDA-Umgebung, nicht für die schnellstmögliche Chat-Antwort.

Preise und wo man es kaufen kann

In Nordamerika startet der Veriton GN100 bei 3.999 US-Dollar (EMEA 3.999 €; AUD 6.499 $). Er ist auf Amazon unter ASIN B0GJZY12GQ gelistet. Das platziert ihn klar in der DGX-Spark-Kohorte — nur auf dem Papier eine Spur unter ASUS’ Ascent GX10 für 2.999 US-Dollar, da Acers Preis die größere 4-TB-Gen5-SSD-Konfiguration und denselben GB10-Kern erkauft. IT Pro nannte ihn “eine vorbildliche Maschine zum Ausführen und Experimentieren mit KI-Workloads … aber mit einem riesigen Preisschild”, was die faire Zusammenfassung für die gesamte Kategorie ist.

Was wir anmerken würden

  • Kein USB Type-A und kein USB4. TechRadar hat dies direkt angemerkt — jeder USB-Port ist Type-C 3.2, sodass Legacy-Peripherie Adapter benötigt.
  • Praktisch keine Aufrüstbarkeit. Der Speicher ist konstruktionsbedingt verlöteter LPDDR5x, und TechRadar merkt an, dass die interne NVMe für den Anwender nicht leicht zugänglich ist. Kaufen Sie die Speicherstufe, die Sie brauchen, von vornherein.
  • 273 GB/s Bandbreite deckeln den Token-Generierungsdurchsatz gegenüber einer dedizierten GPU — oben behandelt, aber vor dem Kauf eine Wiederholung wert.
  • DGX OS ist Arm-Linux, kein Windows. Dies ist eine Entwicklerumgebung. Wenn Sie einen Windows-Desktop erwartet haben, der auch KI macht, ist dies die falsche Maschine — warten Sie stattdessen auf das Consumer-RTX-Spark-Remake.
  • Teuer in Europa. Die regionale Preisgestaltung von 3.999 € / 6.499 AUD $ ist deutlich steiler als der US-Wert.

Fazit

Der Acer Veriton GN100 ist einer der ausgefeiltesten Vertreter im GB10-Grace-Blackwell-Feld. Er läuft am kühlsten von den Spark-Boxen, die StorageReview getestet hat, trägt eine schnelle 4-TB-Gen5-SSD und — sein eigentliches Alleinstellungsmerkmal — bootet direkt in ein DGX-OS-Image mit bereits konfiguriertem PyTorch, Jupyter und Ollama, was Ihnen die Einrichtungssteuer erspart, die bei konkurrierenden Einheiten zubeißt. Das doppelte 200-Gbps-ConnectX-7-Fabric macht Zwei-Knoten-405B-Parameter-Clustering zu einem echten Weg statt einer Fußnote.

Seine Grenzen sind die Grenzen der Kategorie, nicht Acers Fehltritte: ~273 GB/s Speicherbandbreite machen die Geschwindigkeit pro Token bescheiden, es gibt keinen sinnvollen Upgrade-Pfad, und DGX OS ist eher eine Entwicklerplattform als ein Alltags-Desktop. Für einen ML-Ingenieur, Forscher oder Kreativen, der 128 GB Unified Memory und einen schlüsselfertigen CUDA-Stack auf dem Schreibtisch braucht, ist der GN100 eine einfache Empfehlung — und das sauberste Software-Erlebnis im Spark-Lineup. Für jeden, dessen Modelle bequem auf eine 32-GB-GPU passen, oder der einfach nur mit einem 13B-Modell chatten will, sparen ein Strix-Halo-Desktop oder Framework Desktop Tausende.