Nvidia випустить 64-гігабайтну версію DGX Spark за $4999

Nvidia випустить 64-гігабайтну версію DGX Spark за $4999

Nvidia готує 64-гігабайтну версію DGX Spark на GB10 зі стартовою ціною $4999 і можливістю об’єднання систем у кластер.

Nvidia готує 64-гігабайтну версію локальної ШІ-робочої станції DGX Spark. Системи на базі GB10 від Acer, Asus, Dell, Gigabyte, HP і MSI мають надійти у продаж 23 жовтня зі стартовою ціною $4999.

Як повідомляє Tom's Hardware, нова конфігурація призначена для користувачів, яким не потрібні 128 ГБ пам’яті для локального запуску моделей штучного інтелекту. За характеристиками, окрім обсягу пам’яті, вона не відрізняється від 128-гігабайтної DGX Spark та інших систем на GB10.

 

Менше пам’яті за нижчу ціну

 

Видання зазначає, що компактні моделі стали продуктивнішими: зокрема Qwen 3.8 27B може працювати у 32 ГБ пам’яті, хоча з обмеженим контекстом. На цьому тлі 128 ГБ не є обов’язковими лише для локального інференсу, а висока вартість оперативної пам’яті підвищує поріг входу для таких систем.

Наразі 128-гігабайтні системи на GB10, за даними Tom's Hardware, коштують приблизно від $7000 до $9000, якщо їх можна знайти в наявності. Водночас ціни на нові 64-гігабайтні пристрої можуть змінюватися через коливання вартості пам’яті та накопичувачів.

 

Можливість об’єднання систем

 

Версії DGX Spark із 64 ГБ збережуть мережевий адаптер ConnectX-7 RDMA, який дає змогу об’єднувати кілька систем для збільшення доступної пам’яті та продуктивності інференсу. Також без змін залишаються 20-ядерний комплекс Arm-процесора й пропускна здатність спільної пам’яті на рівні 273 ГБ/с для центрального та графічного процесорів.

Nvidia також додає до застосунку Sync інструмент Sync Cluster Assistant для автоматизації об’єднання DGX Spark у кластер. Окрема функція Model Launcher має автоматично завантажувати й запускати моделі, зокрема Qwen 3.8 27B, на одній або кількох системах та під’єднувати їх до браузерного агента програмування OpenCode.

128-гігабайтні DGX Spark залишаться у продажу для роботи з більшими моделями, масштабування кластерів і завдань на кшталт локального донавчання моделей.