NVIDIA DGX Spark to komputer AI o wymiarach 15 × 15 × 5 cm z układem GB10 Grace Blackwell i 128 GB pamięci zunifikowanej, czyli dość, by uruchomić model językowy do 200 mld parametrów albo dostroić model 70B. Tak działa DGX Spark jako usługa w Zdalny Admin: urządzenie pracuje w naszej serwerowni Tier III w Polsce, a Ty korzystasz z niego zdalnie, bez zakupu sprzętu i bez stawiania go pod biurkiem.
NVIDIA przedstawia DGX Spark jako osobisty superkomputer AI na biurko. Możliwości się zgadzają, ale biurko to słabe miejsce dla maszyny, z której korzysta cały zespół, na której leżą firmowe dane i która ma działać także wtedy, gdy ktoś wyłączy prąd w biurze na weekend. Poniżej opisujemy, co DGX Spark realnie potrafi, gdzie kończą się jego możliwości i jak wygląda usługa, w której zasilanie, sieć, kopie zapasowe i monitoring są po naszej stronie.
Parametry NVIDIA DGX Spark
Dane według specyfikacji NVIDIA, stan na listopad 2026:
| Parametr | Wartość |
|---|---|
| Układ | NVIDIA GB10 Grace Blackwell Superchip |
| Procesor | 20 rdzeni Arm: 10× Cortex-X925 + 10× Cortex-A725 |
| GPU | Blackwell, zintegrowane w układzie GB10 |
| Pamięć | 128 GB LPDDR5X, zunifikowana (wspólna dla CPU i GPU), magistrala 256-bit, 273 GB/s |
| Moc obliczeniowa AI | do 1 PFLOP w FP4 (wartość teoretyczna, z rzadkością – sparsity) |
| Dysk | do 4 TB NVMe, samoszyfrujący |
| Sieć | ConnectX-7 200 Gb/s (2× QSFP), 10 GbE, Wi-Fi 7 |
| Zasilanie | zasilacz 240 W, TDP układu GB10 140 W |
| Wymiary i masa | 150 × 150 × 50,5 mm, 1,2 kg |
| System i oprogramowanie | DGX OS (oparty na Ubuntu), stos NVIDIA AI: NeMo, RAPIDS, mikroserwisy NIM, Blueprints, PyTorch |
| Rozmiar modeli (1 urządzenie) | inferencja do 200B parametrów, fine-tuning do 70B |
| Klaster | 2 urządzenia (bezpośredni kabel QSFP): 256 GB, modele do ok. 400B; 4 urządzenia (przełącznik 200 GbE): 512 GB, modele do ok. 700B |
Dwie pozycje z tej tabeli decydują o tym, do czego DGX Spark się nadaje. Pierwsza to 128 GB pamięci wspólnej dla procesora i GPU. W klasycznym serwerze model musi zmieścić się w pamięci karty graficznej, a karty z 24 lub 48 GB szybko okazują się za małe. W DGX Spark GPU korzysta z jednej dużej puli (pomniejszonej o to, czego potrzebuje system operacyjny), więc model, który wymagałby kilku kart, mieści się w jednym urządzeniu. Druga to karta ConnectX-7 200 Gb/s – sieć klasy serwerowej, dzięki której dwa lub cztery urządzenia mogą pracować jako jeden klaster.
Czy konkretny model się zmieści, policzysz prostą regułą: wagi to liczba parametrów razy bajty na parametr (BF16 = 2 B, FP8 = 1 B, 4 bity ≈ 0,5 B), do tego pamięć na kontekst (KV cache) i 10–20% zapasu. Model 200B w 4 bitach to ok. 100 GB samych wag. Mieści się, ale zostaje niewiele miejsca na długi kontekst. Szczegóły i przykłady znajdziesz w artykule Ile VRAM potrzebuje model językowy.
Do czego nadaje się DGX Spark
DGX Spark to maszyna do pracy nad modelami, a nie do obsługi dużego ruchu produkcyjnego. W tej pierwszej roli sprawdza się bardzo dobrze.
Prototypowanie aplikacji AI
Asystent wiedzy na firmowych dokumentach (RAG), analiza umów, agent w n8n, chatbot – każdy taki projekt zaczyna się od sprawdzenia, czy wybrany model radzi sobie z Twoimi danymi. Na DGX Spark możesz w ciągu kilku dni porównać modele różnej wielkości: od małych, jak Bielik-11B czy Gemma 4 12B, po duże, jak gpt-oss-120b, Mistral Small 4 (119B) albo Mistral Medium 3.5 (128B) w kwantyzacji 4-bitowej. Dane przez cały czas zostają w naszej serwerowni.
Fine-tuning modeli do 70B
Dostrajanie modelu na własnych danych (słownictwo branżowe, format odpowiedzi, styl) to zadanie, do którego zwykle wynajmuje się drogie GPU na godziny. DGX Spark pozwala dostrajać modele do 70B parametrów, w praktyce metodami oszczędzającymi pamięć, takimi jak LoRA i QLoRA. Pełny fine-tuning wszystkich wag modelu 70B wymaga wielokrotnie więcej pamięci – to zadanie dla serwerów HGX.
Prywatna inferencja modeli do 200B
Dla małego zespołu, który potrzebuje dużego modelu do pracy z poufnymi danymi, DGX Spark może być docelowym środowiskiem. Kilka osób korzystających z modelu na zmianę, zadania wsadowe uruchamiane w nocy, przetwarzanie dokumentów w tle – w takich scenariuszach ograniczenia opisane niżej nie przeszkadzają.
Zespoły R&D i testy stosu NVIDIA
DGX OS ma ten sam stos oprogramowania co duże systemy NVIDIA: NeMo do trenowania i dostrajania, RAPIDS do analizy danych na GPU, PyTorch, a także mikroserwisy NIM i Blueprints, czyli gotowe kontenery z modelami i referencyjne architektury aplikacji, np. agentów AI. To dobre miejsce, żeby przetestować NIM, zbudować pierwszego agenta i sprawdzić cały łańcuch, zanim przeniesiesz go na większy sprzęt. O tym, jak zorganizować takie środowisko dla działu badawczego, piszemy w poradniku o prywatnej chmurze AI na serwerach GPU w Polsce.
Ograniczenia: przepustowość pamięci 273 GB/s
Najważniejsze ograniczenie DGX Spark to przepustowość pamięci. LPDDR5X daje 273 GB/s. Karta RTX PRO 6000 Blackwell Server Edition ma ok. 1,6 TB/s, czyli blisko sześć razy więcej, a GPU z pamięcią HBM w systemach HGX jeszcze więcej. Przy generowaniu tekstu przekłada się to wprost na szybkość odpowiedzi.
Dlaczego? Generując każdy kolejny token, model gęsty odczytuje z pamięci wszystkie swoje wagi. Teoretyczny sufit szybkości dla pojedynczego zapytania to więc przepustowość pamięci podzielona przez rozmiar wag. Dla gęstego modelu 70B w 4 bitach (ok. 35 GB) wychodzi poniżej 8 tokenów na sekundę – to górna granica z rachunku, a nie wynik pomiaru, realnie będzie mniej. Modele MoE, które przy każdym tokenie liczą tylko część parametrów („aktywne”), wypadają pod tym względem znacznie lepiej, choć w pamięci i tak muszą zmieścić się wszystkie ich parametry.
Praktyczne wnioski:
- To nie jest serwer do produkcji z dużą współbieżnością. Chatbot dla klientów albo asystent dla setek pracowników jednocześnie potrzebuje GPU z pamięcią HBM lub GDDR7 i serwera inferencji z ciągłym batchowaniem (vLLM, SGLang).
- Jedno urządzenie to jeden punkt awarii. Przy prototypie to nie problem, ale usługa, od której zależą procesy firmy, potrzebuje redundancji.
- Architektura Arm. Stos NVIDIA jest gotowy, ale własne obrazy kontenerów trzeba budować dla arm64. Popularne narzędzia AI to obsługują, starsze lub niszowe komponenty warto sprawdzić przed startem projektu.
- 1 PFLOP to wartość teoretyczna dla FP4 z rzadkością. Nie porównuj jej wprost z liczbami podawanymi dla GPU serwerowych w innych precyzjach.
Uczciwie: jeśli od pierwszego dnia wiesz, że musisz obsłużyć duży ruch, DGX Spark nie jest właściwym wyborem. Jeśli dopiero sprawdzasz, który model i jaka architektura mają sens, to rozsądny sposób na pracę z dużymi modelami bez wysyłania danych do publicznych API.
Dlaczego DGX Spark jako usługa, a nie zakup na biurko
DGX Spark można kupić. Pytanie brzmi, co dzieje się dalej. Urządzenie postawione w biurze wymaga stabilnego zasilania, bezpiecznego dostępu zdalnego dla zespołu, kopii zapasowych, aktualizacji i kogoś, kto zareaguje, gdy przestanie odpowiadać. W modelu DGX Spark jako usługa te elementy są po naszej stronie.
| Kwestia | Zakup i urządzenie w biurze | DGX Spark jako usługa |
|---|---|---|
| Koszt na start | zakup sprzętu z góry (capex) | bez zakupu, opłata za okres korzystania |
| Zasilanie | gniazdko w biurze, zwykle bez UPS | redundantne zasilanie serwerowni Tier III |
| Dostęp zespołu | VPN do biura albo wystawienie urządzenia do internetu | VPN, SSH i API przygotowane przez nas |
| Bezpieczeństwo fizyczne | biuro | serwerownia z ISO 27001 i kontrolą dostępu |
| Kopie zapasowe | do zorganizowania samodzielnie | kopie danych, checkpointów i konfiguracji poza urządzeniem |
| Monitoring i reakcja na awarie | brak albo własny | monitoring, opcjonalnie administracja 24/7 |
| Rozbudowa | kolejne urządzenia, kable i przełącznik po Twojej stronie | klaster 2 lub 4 urządzeń, który budujemy i utrzymujemy |
| Zmiana sprzętu | urządzenie zostaje u Ciebie | przejście na serwery GPU w tej samej serwerowni |
Jest jeszcze argument mniej oczywisty. Kolejne generacje GPU pojawiają się często, a wymagania modeli rosną. Kupując urządzenie, wiążesz się z nim na lata. W usłudze po zakończeniu prototypu możesz przejść na klaster albo na serwer z GPU o większej przepustowości pamięci, bez odsprzedawania używanego sprzętu.
Dane zostają w Polsce, w serwerowni Tier III z certyfikatem ISO 27001, a dysk NVMe w DGX Spark jest samoszyfrujący. Dla firm z sektorów regulowanych (finanse, medycyna, sektor publiczny) to często warunek, żeby w ogóle zacząć projekt AI.
Jak działa usługa DGX Spark krok po kroku
- Konsultacja. Rozmawiamy o tym, co chcesz zbudować: jaki model lub rodzina modeli, ile osób będzie pracować na urządzeniu, jakie dane i z jakimi wymaganiami (RODO, NIS2, DORA). Na tej podstawie mówimy wprost, czy wystarczy jedno urządzenie, czy potrzebny jest klaster, czy lepiej od razu sięgnąć po serwer GPU.
- Konfiguracja. Przygotowujemy urządzenie: aktualny DGX OS, wybrany stos (np. NIM, vLLM, Ollama, PyTorch, NeMo), pobrane modele, przestrzeń na dane, kopie zapasowe i monitoring. Jeśli chcesz, wystawiamy model przez API zgodne z OpenAI, żeby Twoja aplikacja mogła z niego korzystać bez zmian w kodzie.
- Dostęp zdalny. Dostajesz dostęp przez VPN (dla pojedynczych osób albo tunel site-to-site z siecią firmy) i SSH na kluczach. Urządzenie nie jest wystawione do internetu, a dostęp ograniczamy do Twoich użytkowników i adresów.
- Wsparcie i utrzymanie. Wybierasz model pracy: pełny dostęp root i samodzielne zarządzanie albo administracja 24/7 po naszej stronie – aktualizacje, reakcja na awarie, pomoc przy wdrażaniu kolejnych modeli. Kopie zapasowe danych i checkpointów trzymamy poza urządzeniem.
Wycenę przygotowujemy indywidualnie. Zależy od okresu umowy, liczby urządzeń (jedno, klaster 2 lub 4) i zakresu administracji.
Od jednego urządzenia do klastra i serwera GPU
DGX Spark ma dwa porty QSFP 200 Gb/s nie bez powodu. Dwa urządzenia połączone bezpośrednio kablem dają 256 GB pamięci i pozwalają uruchomić modele do ok. 400B parametrów. Cztery urządzenia połączone przez przełącznik 200 GbE to 512 GB i modele do ok. 700B. Budujemy i utrzymujemy takie klastry. Jak model dzieli się między urządzenia i które modele realnie się mieszczą, opisujemy w artykule Klaster DGX Spark: modele 400B–700B na 2 lub 4 urządzeniach.
Gdy prototyp staje się produkcją, kolejnym krokiem jest zwykle serwer z kartami RTX PRO 6000 albo system HGX B200. Jeśli od początku wystawiasz model przez API zgodne z OpenAI i pakujesz aplikację w kontenery, przejście sprowadza się w dużej mierze do zmiany adresu endpointu i przebudowania obrazów pod x86. Serwery inferencji, które to umożliwiają, porównujemy w tekście Ollama, vLLM, SGLang czy NVIDIA NIM, a pełną drabinę wyboru sprzętu opisujemy w artykule DGX Spark, RTX PRO 6000 czy HGX B200. Wszystkie te etapy możesz przejść w jednej serwerowni, z tym samym zespołem i bez przenoszenia danych do innego dostawcy. Jako partner Supermicro i NVIDIA dostarczamy też sprzęt na kolejne szczeble.
FAQ: najczęściej zadawane pytania
Ile kosztuje DGX Spark jako usługa?
Cenę ustalamy indywidualnie. Zależy od okresu umowy, liczby urządzeń (jedno, klaster 2 lub 4) i tego, czy administrację prowadzimy my, czy Twój zespół. Nie płacisz za sprzęt z góry – płacisz za okres korzystania z usługi.
Jakie modele uruchomię na jednym DGX Spark?
Według NVIDIA jedno urządzenie obsługuje inferencję modeli do 200B parametrów i fine-tuning do 70B. W kwantyzacji 4-bitowej to m.in. gpt-oss-120b, Mistral Small 4, Mistral Medium 3.5, Devstral 2 czy Qwen3.8-Flash-Next (180B, na granicy możliwości). Mniejsze modele, np. Qwen3.8-27B, Gemma 4 31B, Bielik-11B czy PLLuM-12B, zmieszczą się nawet w pełnej precyzji BF16.
Czy DGX Spark nadaje się do produkcji?
Do produkcji w małej skali – tak: kilka osób, zadania wsadowe, przetwarzanie dokumentów w tle. Do obsługi wielu równoczesnych użytkowników – nie. Przepustowość pamięci 273 GB/s ogranicza szybkość generowania, a pojedyncze urządzenie nie daje redundancji. Do takich zastosowań lepszy jest serwer z GPU z pamięcią HBM lub GDDR7.
Gdzie fizycznie stoi DGX Spark i gdzie są moje dane?
W naszej serwerowni Tier III w Polsce, z certyfikatem ISO 27001. Dane nie opuszczają Polski, dysk urządzenia jest samoszyfrujący, a dostęp odbywa się przez VPN.
Czy można połączyć kilka DGX Spark w klaster?
Tak. Dwa urządzenia łączymy bezpośrednio kablem QSFP 200 Gb/s (256 GB pamięci, modele do ok. 400B), cztery – przez przełącznik 200 GbE (512 GB, modele do ok. 700B). Klaster budujemy i utrzymujemy w ramach usługi.
DGX Spark czy wynajem serwera GPU?
DGX Spark wybierz do prototypów, fine-tuningu i pracy małego zespołu na dużym modelu. Serwer GPU – gdy liczy się liczba równoczesnych użytkowników i szybkość odpowiedzi. Wiele projektów naturalnie zaczyna od DGX Spark i przechodzi na serwer GPU, gdy aplikacja trafia do produkcji.
Chcesz sprawdzić, czy DGX Spark wystarczy do Twojego projektu? Opisz nam model, dane i liczbę użytkowników, a przygotujemy konfigurację i wycenę. Szczegóły usługi znajdziesz na stronie DGX Spark jako usługa, a zapytanie wyślesz przez formularz kontaktowy.