Kontakt Support Mieten Beratung LinkedIn

NVIDIA

DGX Spark

Kompakte KI-Workstation mit NVIDIA GB10 Superchip und 128 GB Speicher für lokale KI-Entwicklung, Finetuning und Inferenz.

NVIDIA DGX · Grace Blackwell · Personal AI Computer

NVIDIA DGX Spark – Kompakter KI-Supercomputer für lokales Prototyping, Fine-Tuning und Inferenz

Die NVIDIA DGX Spark bringt leistungsstarkes KI-Computing in ein kompaktes Desktop-Format. Angetrieben vom NVIDIA GB10 Grace Blackwell Superchip und ausgestattet mit 128 GB einheitlichem Systemspeicher eignet sich das System für Entwickler, Data Scientists und Forschungsteams, die moderne KI-Modelle lokal entwickeln, testen, feinabstimmen und für Inferenz nutzen möchten. Der vorinstallierte NVIDIA AI Software-Stack erleichtert den Einstieg in produktive KI-Workflows und unterstützt die nahtlose Weiterführung in Rechenzentrum oder Cloud.

Bis zu 1000 AI TOPS

Die Plattform liefert hohe KI-Leistung im kompakten Desktop-Format und eignet sich für lokale Entwicklungs-, Fine-Tuning- und Inferenz-Workflows.

128 GB einheitlicher Systemspeicher

Der große gemeinsame Speicher unterstützt die Arbeit mit aktuellen KI-Modellen direkt am Schreibtisch und reduziert unnötige Hürden im Entwicklungsprozess.

NVIDIA AI Software-Stack

Frameworks, Bibliotheken, Tools und vorkonfigurierte Software-Komponenten schaffen eine praxisnahe Grundlage für moderne generative KI-Projekte.

NVIDIA DGX Spark Übersicht und Systemdetails

Technologieüberblick

Kompakte KI-Plattform für moderne Entwicklungs- und Inferenz-Workflows

Die NVIDIA DGX Spark wurde für lokale KI-Arbeit am Desktop entwickelt. Sie verbindet Rechenleistung, Systemspeicher, Netzwerkfunktionen und Software in einer Plattform, die sich besonders für Entwicklung, Tests und produktionsnahe Vorarbeit eignet.

NVIDIA GB10 Superchip

Die Grace Blackwell Architektur liefert hohe KI-Leistung bei FP4-Präzision und bildet die Grundlage für kompakte, energieeffiziente AI-Workstations.

128 GB Unified Memory

Der einheitliche Systemspeicher schafft eine leistungsfähige Basis für große Modelle und datenintensive lokale KI-Workflows.

ConnectX Netzwerk

Die Netzwerkanbindung unterstützt die Verbindung mehrerer Systeme und erweitert die Plattform für größere Modellgrößen und verteilte Szenarien.

Vollständiger AI-Stack

Von Frameworks über Bibliotheken bis zu vortrainierten Modellen steht eine umfassende Softwarebasis für generative KI und Data-Science-Projekte bereit.

Workloads der NVIDIA DGX Spark

Die DGX Spark vereint die Eigenschaften eines kompakten KI-Systems mit der Flexibilität einer lokalen Entwicklungsplattform. Damit eignet sie sich für verschiedene Phasen moderner KI-Projekte – vom ersten Prototyp bis zur validierten Inferenz-Pipeline.

NVIDIA DGX Spark für Prototyping von KI-Anwendungen

Prototyping

Entwickeln, testen und validieren Sie KI-Modelle sowie KI-gestützte Anwendungen lokal auf der DGX Spark. Für erweitertes Fine-Tuning oder produktionsnahe Rollouts lassen sich Projekte auf größere NVIDIA Infrastrukturen, DGX Umgebungen oder Cloud-Ressourcen übertragen.

NVIDIA DGX Spark für Fine-Tuning großer KI-Modelle

Fine-Tuning

Vortrainierte KI-Modelle lassen sich für individuelle Anforderungen anpassen und verfeinern. Die Plattform stellt dafür ausreichend Systemspeicher und lokale Rechenleistung bereit, um anspruchsvolle Entwicklungs- und Anpassungsprozesse effizient am Desktop durchzuführen.

NVIDIA DGX Spark für lokale Inferenz

Inferenz

Die DGX Spark eignet sich für das lokale Testen, Validieren und Ausführen moderner KI-Modelle. Tensor Cores der fünften Generation mit FP4-Unterstützung schaffen eine leistungsfähige Grundlage für schnelle Inferenz in kompakten Entwicklungsumgebungen.

NVIDIA DGX Spark für Data-Science-Workflows

Data Science

Mit NVIDIA RAPIDS und beschleunigten Bibliotheken können Data-Science-Workflows von der Datenvorbereitung bis zur Modellbereitstellung effizienter ausgeführt werden. Dadurch eignet sich das System auch für analytische und explorative Workloads jenseits klassischer LLM-Szenarien.

NVIDIA DGX Spark für Edge-Anwendungen

Edge-Anwendungen

Mit NVIDIA Frameworks wie Isaac, Metropolis oder Holoscan kann die DGX Spark auch für Robotik, Smart Cities, Computer Vision und andere Edge-nahe Entwicklungsprojekte genutzt werden. Das macht die Plattform besonders vielseitig für Teams, die KI nicht nur trainieren, sondern auch praktisch in reale Umgebungen bringen möchten.

Typische Einsatzbereiche

  • Lokales Prototyping generativer KI- und LLM-Workflows
  • Fine-Tuning vortrainierter Modelle für eigene Daten und Anwendungen
  • Inferenz und Validierung moderner KI-Modelle am Desktop
  • GPU-beschleunigte Data-Science- und Analytics-Projekte
  • Entwicklung von Edge-, Robotik- und Computer-Vision-Anwendungen

Technische Daten

NVIDIA DGX Spark Spezifikationen

Die folgende Übersicht fasst die im Ausgangsmaterial genannten technischen Eckdaten der NVIDIA DGX Spark zusammen.

Architektur

NVIDIA Grace Blackwell

GPU

Blackwell Architektur

CPU

20 Kerne Arm, 10 Cortex-X925 + 10 Cortex-A725

CUDA Cores

Blackwell Generation

Tensor Cores

5. Generation

RT Cores

4. Generation

Tensor Performance

1000 AI TOPS

Systemspeicher

128 GB LPDDR5x, vereinheitlichter Systemspeicher

Speicherinterface

256-bit

Speicherbandbreite

273 GB/s

Speicher

1 oder 4 TB NVMe M.2 mit Selbstverschlüsselung

USB

4x USB 4 Type-C, bis zu 40 Gbit/s

Ethernet

1x RJ-45, 10 GbE

NIC

ConnectX-7 Smart NIC

Wi-Fi

Wi-Fi 7

Bluetooth

Bluetooth 5.3

Audio-Ausgang

HDMI Multichannel Audio-Ausgang

Stromverbrauch

170 W

Display-Anschlüsse

1x HDMI 2.1a

NVENC | NVDEC

1x | 1x

Betriebssystem

NVIDIA DGX OS

Systemmaße

150 mm x 150 mm x 50,5 mm

Systemgewicht

1,2 kg

Beratung zur NVIDIA DGX Spark anfragen

Sie möchten lokale KI-Entwicklung, Fine-Tuning oder Inferenz auf einer kompakten Desktop-Plattform aufbauen? Wir unterstützen Sie bei der Auswahl, Einordnung und Integration passender NVIDIA KI-Systeme für Ihr Team und Ihre Workflows.

Escape Technology auf LinkedIn folgen


Weitere Fragen? Wir liefern die Antwort.

Invalid Input
Invalid Input
Invalid Input
Invalid Input
Invalid Input