Was es ist

Der NVIDIA DGX Spark ist ein persönlicher KI-Supercomputer in der Größe eines dicken Taschenbuchs — ein 150-mm-Aluminiumwürfel rund um NVIDIAs GB10 Grace Blackwell Superchip. Er kombiniert eine 20-Kern-Arm-CPU mit einer Blackwell-GPU auf einem einzigen Package, hängt 128 GB Unified Memory daran und lässt NVIDIAs eigenes DGX OS laufen, sodass der komplette CUDA-Stack ab Werk funktioniert. Mit 3.999 US-Dollar (inzwischen eher 4.699 US-Dollar nach der Speicherpreisentwicklung Anfang 2026) ist er in keinem üblichen Sinne ein Mini-PC. Er ist eine Entwickler-Workstation, um große Sprachmodelle auf dem Schreibtisch auszuführen und zu feintunen, statt Cloud-GPUs zu mieten.

Dies ist die Referenz-GB10-Box — die Founders Edition, an der jede Variante anderer Anbieter gemessen wird. Wenn Sie den ASUS Ascent GX10 oder einen anderen Grace-Blackwell-Desktop in die engere Wahl ziehen, ist dies die Grundlinie. Er ist außerdem das käufliche Geschwister des kommenden, für Endverbraucher gedachten ASUS ProArt RTX Spark Mini-PCs, der dasselbe Silizium der GB10-Klasse für ein anderes Publikum neu auflegt.

Wofür es taugt: lokale KI und LLM-Entwicklung

Der DGX Spark existiert für genau eine Aufgabe, und die erledigt er gut: große Modelle lokal auszuführen, ohne Cloud-Account.

  • Lokale LLM-Inferenz. 128 GB Unified Memory bedeuten, dass Sie Modelle bis zu rund 200 Mrd. Parametern (quantisiert) vollständig auf dem Gerät laden können. Ein 70B-Modell in 4-Bit liegt bequem im Speicher, mit Platz für ein langes Kontextfenster.
  • Feintuning und Prototyping. LoRA- und QLoRA-Feintuning-Durchläufe, die sonst eine gemietete A100 bräuchten, passen auf diese Box. Es ist eine echte CUDA-Entwicklungsumgebung, keine Emulationsschicht.
  • CUDA-nativ ab dem ersten Tag. Anders als ein Apple Mac Studio oder eine AMD-Ryzen-AI-Max-Box führt der DGX Spark exakt denselben CUDA-, cuDNN-, TensorRT- und NIM-Stack aus, gegen den Sie in Produktion deployen. Hier geschriebener Code wandert unverändert auf einen DGX-Server.
  • Leichte Creator- und Büronutzung. DGX OS ist ein Desktop-Linux, also bewältigt es einen Browser, ein Terminal und kreatives Tooling — aber betrachten Sie das als Bonus, nicht als den eigentlichen Zweck.

Tom’s Hardware brachte es sauber auf den Punkt: eine Allrounder-KI-Sandbox, die AMDs Ryzen AI Max+ 395 in den Workloads schlägt, die für Entwickler zählen.

Der GB10-Superchip und Unified Memory

Der GB10 Grace Blackwell Superchip ist die ganze Geschichte. NVIDIA hat eine CPU der Grace-Klasse (10× Cortex-X925 Performance-Kerne + 10× Cortex-A725 Effizienz-Kerne) mittels NVLink-C2C an eine Blackwell-GPU geklebt — einen kohärenten Interconnect, der weit breiter ist als PCIe. Die GPU trägt Tensor Cores der 5. Generation und RT-Cores der 4. Generation und liefert 1 PetaFLOP FP4-Rechenleistung (1.000 TOPS).

Weil CPU und GPU einen gemeinsamen 128-GB-LPDDR5x-Kohärenzspeicherpool nutzen, müssen keine Tensoren über einen PCIe-Bus kopiert werden, und es gibt kein Aufteilen des Modells zwischen VRAM und System-RAM. Die GPU adressiert alle 128 GB direkt. Genau dieser Unified Pool ist der Grund, warum eine Box unter 2 Litern ein 200-Mrd.-Parameter-Modell halten kann, das anderswo mehrere diskrete GPUs bräuchte, um hineinzupassen.

Aufbau, Konnektivität und Clustering

Das Gehäuse übernimmt die goldene “Käsereiben”-Front der großen DGX Station, geschrumpft auf 1,2 kg. Es läuft horizontal oder vertikal und zieht aus einem externen 240-W-Netzteil (der GB10 selbst ist mit 140 W TDP spezifiziert).

Die Konnektivität zeigt die Entwickler-Absicht:

  • ConnectX-7 NIC mit 2× 200 Gbps QSFP-Ports — das Aushängeschild-Feature. Sie können zwei DGX Sparks direkt zu einem 256-GB-Cluster verbinden und Modelle ausführen, die für eine Einzeleinheit zu groß sind.
  • 10 GbE RJ-45, Wi-Fi 7, Bluetooth 5.4
  • 4× USB-C, 1× HDMI 2.1a, bis zu 3× DisplayPort über USB-C
  • 4 TB selbstverschlüsselndes NVMe — schnell, sicher, aber in der Lötklasse: kein vom Anwender tauschbarer Schacht

Kann man zwei DGX Sparks clustern?

Ja — das ConnectX-7-Dual-200GbE-Fabric ist genau dafür gebaut. Zwei gebündelte Einheiten geben Ihnen 256 GB Unified Memory für Modelle im Bereich von 400 Mrd. Parametern. Das ist der mit Abstand wichtigste Grund, NVIDIAs Box statt eines Mac Studio zu kaufen: Der Clustering-Pfad ist nativ, kein Hack.

Speicherbandbreite — die reale Obergrenze

Hier kommt der ehrliche Teil. Die Speicherbandbreite des DGX Spark liegt bei ~273 GB/s, und das — nicht die Rechenleistung — ist der Begrenzer.

Die Token-Generierungsgeschwindigkeit von LLMs skaliert fast linear mit der Speicherbandbreite. Die ~546 GB/s eines Mac Studio sind nahezu doppelt so viel wie beim Spark, was bei demselben Modell mehr Tokens pro Sekunde bedeutet. Der GDDR7 einer RTX 5090 spielt komplett in einer anderen Liga. Während der DGX Spark also ein 200B-Modell halten kann, das eine 5090 nicht kann, wird die 5090 bei jedem Modell, das in ihren kleineren VRAM passt, schneller Tokens generieren.

Das Fazit: Der DGX Spark ist auf Kapazität und CUDA-Treue optimiert, nicht auf rohen Durchsatz. Er ist die Maschine für “Kann ich dieses riesige Modell überhaupt ausführen und daran iterieren”, nicht für “Was ist der schnellste interaktive Chatbot auf meinem Schreibtisch”. Rezensenten von Tom’s Hardware und ServeTheHome kamen zum selben Schluss — die Bandbreite ist die Achillesferse, und Sie sollten ihn in diesem Wissen kaufen.

Preise und wo man es kaufen kann

Der DGX Spark startete im Oktober 2025 zu 3.999 US-Dollar. Ein globaler Speichermangel trieb die Straßenpreise bis Anfang 2026 nach oben, kalkulieren Sie also je nach Verfügbarkeit eine Spanne von 3.999–4.699 US-Dollar. Er wird über NVIDIA-Partner verkauft und ist bei Amazon gelistet; das Affiliate-Listing umfasst die Founders Edition.

Zu diesem Preis kaufen Sie NVIDIAs Silizium, NVIDIAs OS und NVIDIAs Clustering-Fabric als ein einziges supportetes Paket. Partner-Varianten wie der ASUS Ascent GX10 unterbieten ihn manchmal — einen Vergleich wert, wenn Ihnen Kühlung und SSD-Generation wichtiger sind als das Founders-Branding.

Was wir anmerken würden

Eine faire Rezension einer hervorragenden, aber spezialisierten Maschine:

  • 273 GB/s Bandbreite deckeln das Token-Tempo. Für interaktive Einzelnutzer-Inferenz kann sich eine diskrete GPU mit viel VRAM oder ein Mac Studio bei Modellen, die in sie passen, schneller anfühlen.
  • DGX OS ist Arm-Linux, kein Windows. Dies ist eine CUDA-Entwicklungsumgebung. Wenn Sie einen Allzweck-Desktop wollen, ist dies das falsche Produkt.
  • Kein vom Anwender aufrüstbarer Speicher oder Storage. 128 GB und 4 TB sind, was Sie bekommen. Planen Sie die Konfiguration im Voraus.
  • Preisvolatilität. Der Aufschlag nach dem Launch bedeutet, dass Sie mehrere Hundert über UVP zahlen könnten. Beobachten Sie die Listings.

Fazit

Der NVIDIA DGX Spark ist der kohärenteste persönliche KI-Supercomputer, den Sie derzeit kaufen können — sofern Sie verstehen, was er ist. Der GB10 Grace Blackwell Superchip, 128 GB Unified Memory, natives CUDA und Dual-200GbE-Clustering machen ihn zu einem echten lokalen Zuhause für das Ausführen und Feintunen von Modellen bis zu 200 Mrd. Parametern, mit einem sauberen Upgrade-Pfad zu einem Cloud-DGX-Deployment.

Gehen Sie mit klarem Blick auf die 273 GB/s Speicherbandbreite heran: Dies ist eine Kapazitäts- und Kompatibilitätsmaschine, kein Durchsatz-Champion. Für KI-Entwickler, Forscher und ML-Ingenieure, die in CUDA leben, ist dieser Kompromiss genau richtig, und der DGX Spark verdient eine selbstbewusste Empfehlung. Wer einen schnellen Allzweck-Desktop oder maximale Tokens pro Sekunde für eine einzelne Chat-Sitzung will, sollte sich anderswo umsehen — und wenn Sie dasselbe Silizium wollen, vergleichen Sie den ASUS Ascent GX10, bevor Sie sich festlegen.