NVIDIA bringt DGX Spark mit weniger Speicher für KI-Entwickler

NVIDIA hat offiziell eine neue Variante seines DGX Spark Desktop-KI-Supercomputers mit 64 Gigabyte (GB) Arbeitsspeicher vorgestellt. Diese Veröffentlichung zielt darauf ab, die lokale KI-Entwicklung mit hoher Leistung einem breiteren Entwicklerkreis zugänglich zu machen und die Erstellung großer Sprachmodelle und KI-Agenten direkt auf deren Workstations zu ermöglichen.

Laut NVIDIA stellen KI-Agenten das am schnellsten wachsende Segment innerhalb der Open-Source-Community dar. Der Anstieg der Nachfrage nach der lokalen Ausführung fortschrittlicher KI-Modelle ist auf die steigenden Kosten cloudbasierter Dienste zurückzuführen. DGX Spark wurde entwickelt, um gängige Probleme von Entwicklern zu lösen, darunter unzureichender Grafikspeicher, komplexe Cluster-Bereitstellungen und Softwarekompatibilitätsprobleme.

Das neue 64-GB-Modell nutzt GB10 Grace-Blackwell-Supercomputing-Chips und verfügt über eine einheitliche Speicherarchitektur. Es unterstützt die reibungslose Bereitstellung gängiger Open-Source-Modelle wie Gemma4 26B und Qwen3.8-27B und bietet gleichzeitig ausreichend Speicher für die Verarbeitung von Inferenzaufgaben mit langem Kontext. NVIDIA hat auch die Preise für seine bestehende 128-GB-Version aktualisiert. Das 64-GB-Modell beginnt bei 4.999 US-Dollar und soll am 23. Oktober auf den Markt kommen.

DGX Spark bietet native Multi-Node-Clustering-Funktionen über seine integrierte Hochgeschwindigkeits-Netzwerkkarte und die NVIDIA Sync-Software-Suite. Dies ermöglicht es Entwicklern, Cluster mit bis zu vier DGX Spark-Einheiten einzurichten, ohne dass umfangreiche Netzwerkkenntnisse erforderlich sind. Leistungstests zeigen, dass ein Zwei-Knoten-Cluster aus 64-GB-DGX-Sparks einen Anstieg des Inferenzdurchsatzes um das bis zu 1,7-fache liefern kann. Die Plattform wird durch NVIDIAs CUDA-Beschleunigungssoftwarestapel und Optimierungen für wichtige Inferenz-Frameworks wie vLLM und llama.cpp unterstützt.

DGX Spark zielt darauf ab, die Kosten und die Komplexität von KI-Innovationen durch die Ermöglichung lokaler Entwicklung zu reduzieren. Dieser Ansatz mildert die Kosten für Cloud Computing, verbessert den Datenschutz und ermöglicht schnellere Iterationszyklen. Die Einführung des erschwinglicheren 64-GB-Modells macht leistungsstarke lokale KI-Computing-Funktionen einem breiteren Publikum von Forschern und Entwicklern zugänglich.