Was er 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 in einem einzigen Package, bindet 128 GB Unified Memory an und läuft mit NVIDIAs eigenem DGX OS, sodass der komplette CUDA-Stack ab Werk funktioniert. Mit $3,999 (nach den Speicherpreisen Anfang 2026 eher $4,699) ist er kein Mini-PC im üblichen Sinn. Er ist eine Entwickler-Workstation, mit der sich große Sprachmodelle direkt am Schreibtisch ausführen und feinabstimmen lassen, statt Cloud-GPUs zu mieten.

Dies ist die Referenz-GB10-Box, die Founders Edition, an der sich die Varianten aller anderen Hersteller messen lassen müssen. Wer den ASUS Ascent GX10 oder einen anderen Grace-Blackwell-Desktop vergleicht, hat hier die Basis. Zugleich ist er das bereits erhältliche Geschwistermodell des kommenden Consumer-ASUS ProArt RTX Spark Mini-PCs, der dasselbe Silizium der GB10-Klasse für ein anderes Publikum neu auflegt.

Wofür er gut ist: lokale KI- und LLM-Entwicklung

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

  • Lokale LLM-Inferenz. 128 GB Unified Memory bedeuten, dass sich Modelle bis etwa 200B Parameter (quantisiert) vollständig auf dem Gerät laden lassen. Ein 70B-Modell in 4 Bit liegt bequem im Speicher, mit Platz für ein langes Kontextfenster.
  • Fine-Tuning und Prototyping. LoRA- und QLoRA-Fine-Tuning-Läufe, die sonst eine gemietete A100 erfordern würden, passen auf diese Box. Es ist eine echte CUDA-Entwicklungsumgebung, keine Emulationsschicht.
  • CUDA-nativ vom ersten Tag an. Anders als ein Apple Mac Studio oder eine AMD-Ryzen-AI-Max-Box nutzt der DGX Spark exakt denselben CUDA-, cuDNN-, TensorRT- und NIM-Stack, auf den Sie in der Produktion deployen. Hier geschriebener Code läuft unverändert auf einem DGX-Server.
  • Leichte Creator- und Büroarbeit. DGX OS ist ein Desktop-Linux, bewältigt also Browser, Terminal und Kreativ-Tools, aber das ist ein Bonus, nicht der eigentliche Zweck.

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

Der GB10 Superchip und Unified Memory

Der GB10 Grace Blackwell Superchip ist der Kern der Sache. NVIDIA hat eine CPU der Grace-Klasse (10× Cortex-X925-Performance-Kerne + 10× Cortex-A725-Effizienzkerne) über NVLink-C2C, eine kohärente Verbindung, die weit breiter ist als PCIe, mit einer Blackwell-GPU verbunden. Die GPU bringt Tensor Cores der 5. Generation und RT-Kerne der 4. Generation mit und liefert 1 PetaFLOP FP4-Rechenleistung (1.000 TOPS).

Da sich CPU und GPU einen 128 GB großen kohärenten LPDDR5x-Speicherpool teilen, müssen keine Tensoren über einen PCIe-Bus kopiert und keine Modelle zwischen VRAM und System-RAM aufgeteilt werden. Die GPU adressiert alle 128 GB direkt. Genau dieser gemeinsame Pool ist der Grund, warum eine Box mit unter 2 Litern ein 200B-Parameter-Modell halten kann, für das man anderswo mehrere diskrete GPUs bräuchte.

Verarbeitung, Konnektivität und Clustering

Das Gehäuse übernimmt die goldene „Käsereiben“-Front der großen DGX Station, geschrumpft auf 1,2 kg. Es lässt sich horizontal oder vertikal betreiben und wird von einem externen 240-W-Netzteil versorgt (der GB10 selbst ist mit 140 W TDP spezifiziert).

Bei der Konnektivität zeigt sich die Ausrichtung auf Entwickler:

  • ConnectX-7-NIC mit 2× 200-Gbps-QSFP-Ports, das Hauptmerkmal. Sie können zwei DGX Spark direkt zu einem 256-GB-Cluster verbinden und Modelle ausführen, die für ein einzelnes Gerät 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 selbstverschlüsselnde NVMe: schnell und sicher, aber faktisch fest verbaut (kein vom Nutzer tauschbarer Schacht)

Lassen sich zwei DGX Spark zu einem Cluster verbinden?

Ja. Die ConnectX-7-Dual-200GbE-Fabric ist genau dafür gebaut. Zwei gekoppelte Geräte bieten 256 GB Unified Memory für Modelle im Bereich von 400B Parametern. Das ist der wichtigste Grund, NVIDIAs Box einem Mac Studio vorzuziehen: Der Clustering-Weg ist nativ, kein Behelf.

Speicherbandbreite: die Grenze in der Praxis

Jetzt zum ehrlichen Teil. Die Speicherbandbreite des DGX Spark liegt bei ~273 GB/s, und sie, nicht die Rechenleistung, ist der limitierende Faktor.

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

Das Fazit: Der DGX Spark ist auf Kapazität und CUDA-Treue optimiert, nicht auf rohen Durchsatz. Er ist die Maschine für die Frage „Kann ich dieses riesige Modell überhaupt ausführen und damit iterieren?“, nicht für „Was ist der schnellste interaktive Chatbot auf meinem Schreibtisch?“. Die Tester von Tom’s Hardware und ServeTheHome kamen zum selben Schluss: Die Bandbreite ist die Achillesferse, und wer ihn kauft, sollte das wissen.

Preise und Bezugsquellen

Der DGX Spark kam im Oktober 2025 für $3,999 auf den Markt. Eine weltweite Speicherknappheit hat die Straßenpreise bis Anfang 2026 nach oben getrieben, daher sollten Sie je nach Verfügbarkeit mit $3,999–$4,699 rechnen. Er wird über NVIDIA-Partner vertrieben und ist bei Amazon gelistet; das Affiliate-Angebot führt die Founders Edition.

Zu diesem Preis kaufen Sie NVIDIAs Silizium, NVIDIAs Betriebssystem und NVIDIAs Clustering-Fabric als ein einziges unterstütztes Paket. Partnervarianten wie der ASUS Ascent GX10 sind manchmal günstiger. Ein Vergleich lohnt sich, wenn Ihnen Kühlung und SSD-Generation wichtiger sind als das Founders-Branding. Passend dazu: unser GIGABYTE AI TOP ATOM Test, unser MSI EdgeXpert MS-C931 Test und unser Blick auf die Preise des DGX Spark 64GB.

Was wir anmerken

Eine faire Bewertung einer exzellenten, aber spezialisierten Maschine:

  • 273 GB/s Bandbreite begrenzen die Token-Geschwindigkeit. Bei interaktiver Inferenz für einen einzelnen Nutzer können sich eine diskrete GPU mit viel VRAM oder ein Mac Studio bei Modellen, die hineinpassen, schneller anfühlen.
  • DGX OS ist Arm-Linux, nicht Windows. Dies ist eine CUDA-Entwicklungsumgebung. Wer einen Allzweck-Desktop sucht, ist hier beim falschen Produkt.
  • Kein vom Nutzer aufrüstbarer Arbeits- oder Massenspeicher. 128 GB und 4 TB sind, was Sie bekommen. Planen Sie die Konfiguration im Voraus.
  • Preisschwankungen. Durch den Aufschlag nach dem Marktstart zahlen Sie unter Umständen mehrere hundert über der UVP. Behalten Sie die Angebote im Blick.

NVIDIA DGX Spark Fazit

Der NVIDIA DGX Spark ist der stimmigste 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 einer echten lokalen Heimat für das Ausführen und Feinabstimmen von Modellen bis 200B Parameter, mit einem sauberen Upgrade-Pfad zu einem DGX-Deployment in der Cloud.

Gehen Sie mit klarem Blick auf die 273 GB/s Speicherbandbreite heran: Dies ist eine Maschine für Kapazität und Kompatibilität, kein Durchsatz-Champion. Für KI-Entwickler, Forscher und ML-Ingenieure, die in CUDA zu Hause sind, ist dieser Kompromiss genau richtig, und der DGX Spark verdient eine klare Empfehlung. Wer einen schnellen Allzweck-Desktop oder maximale Tokens pro Sekunde für eine einzelne Chat-Sitzung will, sollte sich anderswo umsehen. Und wer dasselbe Silizium möchte, sollte vor dem Kauf den ASUS Ascent GX10 vergleichen.