PNY DGX Spark NVDGXSPARK-PB 2025, ARM, 128GB, 4TB SSD, Gold

128 GB einheitlicher Speicher und eine 4-TB-SSD in einem 1,2-kg-Gehäuse, mit bis zu 1 PetaFLOP FP4-KI-Leistung. Es ist ein RAM-Monster im 99. Perzentil, das speziell für lokale KI-Arbeit gebaut wurde. Wisse nur, dass der Zuverlässigkeitswert ein raues 11. Perzentil ist, und bei 5.300 $ ist es eine Spezialistenmaschine, kein allgemeiner Desktop.

Der DGX Spark basiert auf dem GB10 Grace Blackwell Superchip, der eine 20-Kern-ARM-CPU (10 Cortex-X925 und 10 Cortex-A725-Kerne bei 3,2 GHz) mit einer Blackwell-GPU mit 128 GB VRAM kombiniert. Das ist kein Tippfehler. 128 GB VRAM in einem Mini-PC. NVIDIA behauptet bis zu 1 PetaFLOP KI-Leistung bei FP4-Präzision, eine Zahl, die Datenwissenschaftler stutzen lässt. Die einheitliche Speicherarchitektur bedeutet, dass CPU und GPU diesen 128-GB-Pool teilen, sodass du nicht durch PCIe-Transfers ausgebremst wirst, wenn du große Modellgewichte bewegst.

Für echte KI-Arbeit ist der 128-GB-Speicher der Star. Er reicht aus, um ein 70B-Parametermodell mit Platz zu laden, und die 4-TB-NVMe-SSD gibt dir Raum, mehrere quantisierte Modelle lokal zu behalten. Der ConnectX-7 Smart NIC mit 10GbE bedeutet, dass das Ziehen von Datensätzen von einem NAS oder das Pushen von Checkpoints an einen Server sich nicht anfühlt, als würde man beim Trocknen von Farbe zusehen. Unsere Benchmarks setzen die GPU ins 85. Perzentil, was stark ist, aber nicht an der Spitze. Die CPU im 93. Perzentil übertrifft die GPU relativ gesehen sogar. Für eine Maschine dieser Größe ist die Leistungsdichte wirklich beeindruckend. Erwarte nur nicht, dass sie einen Multi-GPU-Server für Trainingsläufe ersetzt.

Gegen das Apple Mac Studio M3 Ultra hält der DGX Spark bei Speicherkapazität und KI-spezifischer Hardware mit, aber Apples Ökosystem ist für kreative Arbeit weitaus ausgereifter. Das Mac Studio schneidet insgesamt besser für Kreative ab, während die 82,6-KI-Punktzahl des Spark zeigt, worauf er abzielt. Der Lenovo Legion 90YA003GUS und der HP OMEN GT16-0364 sind in erster Linie Gaming-Desktops mit diskreten GPUs, die traditionelle Gaming-Benchmarks zermalmen, aber nicht an 128 GB einheitlichen Speicher für Modellinferenz herankommen. Der Dell Aurora ACT1250 und der MSI Aegis ZS2 sind ähnliche Geschichten, starke Allzweckmaschinen, die bei der Ausführung eines 200B-Parametermodells überfordert wären. Die Portauswahl des Spark im 94. Perzentil schlägt auch die meisten dieser Konkurrenten, mit Thunderbolt, DisplayPort, HDMI 2.1 und vier USB-C-Anschlüssen. Aber jeder dieser Konkurrenten schlägt wahrscheinlich das 11. Perzentil bei der Zuverlässigkeit des Spark, und das sollte man sorgfältig abwägen.

Bei 5.300 $ ist der DGX Spark nicht billig. Aber der Kontext zählt. Eine traditionelle Workstation mit 128 GB VRAM würde dich ein Vielfaches kosten, vorausgesetzt, du findest überhaupt eine einzelne GPU mit so viel Speicher. Das Mac Studio M3 Ultra mit vergleichbarem einheitlichem Speicher liegt deutlich höher. Für KI-Entwickler, die große Modelle lokal ausführen müssen, ohne Cloud-GPUs stundenweise zu mieten, kann die Rechnung aufgehen. Die 4 TB Speicher und 128 GB RAM bedeuten, dass du nicht sofort mehr für Upgrades ausgibst. Aber wenn du nicht aktiv mit LLMs arbeitest oder Modelle trainierst, ist das viel Geld für eine Maschine, die bei Business-Nutzung 61,7 erreicht. Das Preis-Leistungs-Verhältnis ist messerscharf: Es ist ein Schnäppchen für KI-Arbeit und ein Luxus für alles andere.

Die Top-Zahlen hier sind für ein Gerät dieser Größe verrückt. Du bekommst 128 GB einheitlichen LPDDR5x-Speicher und eine 4-TB-NVMe-SSD in einem 1,2 kg schweren Gehäuse, das im Vergleich zu einer vollwertigen Workstation wenig Strom verbraucht. Unsere Datenbank setzt den RAM ins 99. Perzentil und den Speicher ins 98. Perzentil, was bedeutet, dass diese kleine Maschine fast jeden Mini-PC, den wir je getrackt haben, in der Ausstattung übertrifft. Die 20-Kern-ARM-CPU landet ebenfalls im 93. Perzentil, also ist es kein One-Trick-Pony nur für die GPU. Aber der Zuverlässigkeitswert ist rau, er liegt im 11. Perzentil, und das ist ein echtes Gesprächsthema für eine Maschine für 5.300 $.

PNY liefert dieses Gerät mit vorinstalliertem NVIDIA DGX OS aus, einer entwicklerorientierten Linux-Umgebung, keinem gewöhnlichen Windows-Rechner. Der Pitch ist einfach: Führe KI-Modelle mit bis zu 200 Milliarden Parametern lokal aus, feintune sie und pushe sie dann in die Cloud, wenn du bereit bist. Für KI- und LLM-Arbeit erreicht es in unserem System 82,6 von 100 Punkten, mit Entwicklernutzung bei 81,5. Es ist klar für eine Zielgruppe gebaut, und es trifft diese Zielgruppe genau. Alle anderen sollten wahrscheinlich weiterscrollen.

Wenn du nicht aktiv mit KI-Modellen arbeitest, überspringe das. Die 61,7-Business-Punktzahl und die ARM-Architektur bedeuten, dass alltägliche Produktivitätssoftware möglicherweise nicht einmal nativ läuft. Gamer sollten auch woanders hinschauen, die GPU-Rangliste im 85. Perzentil ist gegen Mini-PCs, nicht gegen Gaming-Rigs, und DGX OS ist nicht für Steam gebaut. Der Zuverlässigkeitswert im 11. Perzentil ist auch eine rote Flagge, wenn du eine Maschine brauchst, die einfach funktioniert, ohne Herumbasteln. Und wenn deine KI-Workloads klein genug sind, um auf einem Standard-Desktop mit 32 GB oder 64 GB RAM zu laufen, sind 5.300 $ für 128 GB einheitlichen Speicher übertrieben. Dies ist eine Maschine für Leute, die genau wissen, warum sie sie brauchen.

Der DGX Spark ist ein spezialisiertes Werkzeug, das zufällig wie ein Mini-PC aussieht. Wenn du ein KI-Entwickler, Forscher oder ernsthafter Hobbyist bist, der große Modelle lokal ausführen möchte, machen der 128-GB-einheitliche Speicher und die PetaFLOP-Klasse-FP4-Leistung dies trotz des Preises von 5.300 $ zu einem überzeugenden Kauf. Die 99. Perzentil-RAM- und 98. Perzentil-Speicherrankings untermauern das. Aber der Zuverlässigkeitswert im 11. Perzentil ist eine echte Sorge, und die 61,7-Business-Punktzahl sagt dir, dass dies keine Allzweckmaschine ist. Kaufe es für KI-Arbeit und du wirst es wahrscheinlich lieben. Kaufe es als coolen Desktop und du fragst dich, wohin dein Geld gegangen ist.