NVIDIA DGX Spark kaufen — der KI-Supercomputer für den Schreibtisch
128 GB Unified Memory, GB10 Grace Blackwell Superchip und der komplette NVIDIA-AI-Stack in einem 1,2-kg-Gehäuse: lokale LLMs bis 200 Mrd. Parameter, Fine-Tuning bis 70 Mrd. — flüsterleise bei 240 W. Sofort lieferbar über Nelpx.
IT-Systemhaus für HPC & AI-Infrastruktur · DACH-Region · Herstellerunabhängige Beratung
Was ist der NVIDIA DGX Spark?
Der NVIDIA DGX Spark ist ein Desktop-KI-Computer mit dem GB10 Grace Blackwell Superchip: 20 Arm-Kerne und eine Blackwell-GPU mit 6.144 CUDA-Cores teilen sich 128 GB Unified Memory. Damit laufen KI-Modelle bis 200 Milliarden Parameter lokal auf dem Schreibtisch — mit demselben NVIDIA-Software-Stack wie im Rechenzentrum, bei 240 W Leistungsaufnahme und flüsterleisem Betrieb. Bei Nelpx ist der DGX Spark ab Lager lieferbar: 5.180 € zzgl. MwSt.
- Sofort startklar
- DGX OS mit vorinstalliertem NVIDIA-AI-Stack und fertigen Playbooks — Ollama, ComfyUI, vLLM & Co. per Klick.
- Einzigartig
- 128 GB CUDA-fähiger Speicher — Workloads, die auf 24–32-GB-Grafikkarten schlicht nicht passen.
- Skalierbar
- Zwei Sparks per 200-GbE-Kabel koppeln: 256 GB Verbund für Modelle bis 405 Mrd. Parameter (FP4).
Stand: 27. Juli 2026 · Quellen: NVIDIA-Produktseite/Datenblatt, LMSYS/SGLang-Benchmarks, ServeTheHome, StorageReview, ComputerBase, heise — Herstellerclaims sind gekennzeichnet.
Was kostet der NVIDIA DGX Spark?
6.164,20 € inkl. 19 % MwSt. · zzgl. Versand
Lieferbar ab Lager- KonfigurationGB10 · 128 GB · 4 TB NVMe (verschlüsselt)
- Lieferzeiti. d. R. wenige Werktage (DACH)
- ZahlungKauf auf Rechnung für Firmenkunden
- MengenStaffelkonditionen auf Anfrage
Preisangabe Stand 27.07.2026 — der Speichermarkt ist derzeit volatil (NVIDIA hat die Listenpreise im Februar 2026 angehoben); tagesaktuelle Konditionen bestätigen wir im Angebot.
Der DGX Spark ist der günstigste Weg zu 128 GB CUDA-fähigem KI-Speicher — eine Workstation-GPU mit vergleichbarem Speicherausbau existiert schlicht nicht, und der Einstieg in die DGX-Station-Klasse beginnt im hohen fünfstelligen Bereich.
- Komplett einsatzbereit: DGX OS, CUDA-Stack, NIM-Microservices und die laufend erweiterten DGX-Spark-Playbooks sind vorinstalliert — auspacken, anschließen, loslegen.
- Beratung inklusive: Nelpx unterstützt bei Einsatzplanung, Modellauswahl und Einrichtung — vom ersten Ollama-Setup bis zum Zwei-Geräte-Cluster.
- Ehrliche Empfehlung: Wenn Ihr Workload besser auf eine RTX-PRO-Workstation oder einen GPU-Server passt, sagen wir das — und liefern die Alternative gleich mit.
- Software wird besser: NVIDIA liefert monatliche Updates — das CES-2026-Update brachte bis zu 2,5× mehr Leistung auf Schlüssel-Workloads, rein per Software.
DGX Spark: die Specs im Detail
Was läuft wie schnell? Ehrliche Zahlen.
| Workload | Gemessene Leistung | Quelle |
|---|---|---|
| GPT-OSS-120B (MoE, MXFP4) | ~40–60 Token/s (je nach Kontexttiefe) — großes Modell, flüssig nutzbar | llama.cpp-Community / agorum |
| GPT-OSS-20B | 2.053 Token/s Prefill · ~50 Token/s Decode | LMSYS (SGLang) |
| Llama 3.1 8B | 7.991 Token/s Prefill · 368 Token/s im Batch-Betrieb | LMSYS (SGLang) |
| Llama 3.1 70B dense (FP8) | ~3 Token/s — dichte 70B-Modelle sind nicht interaktiv | LMSYS (SGLang) |
| FLUX.1 DreamBooth-LoRA (Fine-Tuning) | ~4 h Laufzeit bei >90 GB Speicherbelegung | NVIDIA-Playbook |
| 2× Spark gekoppelt (Llama 3.1 8B FP4) | ~924 Token/s bei 128 parallelen Anfragen | StorageReview (Cluster-Test) |
Messwerte: LMSYS/SGLang-Review (Okt. 2025), llama.cpp-Community, StorageReview-Cluster-Test, ComputerBase (Verbrauch/Lautstärke, ASUS-GX10-Variante). Modellgrößen-Angaben: NVIDIA. Stand 27.07.2026.
Wofür lohnt sich der DGX Spark?
Die CUDA-Devbox unterm Schreibtisch: identischer Software-Stack wie DGX-Server und Cloud — lokal prototypen, im Rechenzentrum deployen. Ollama, vLLM, SGLang & Co. als fertige Playbooks.
LoRA/QLoRA bis 70 Mrd. Parameter, FLUX.1-DreamBooth in ~4 Stunden bei >90 GB Speicherbelegung — auf 24-GB-Consumer-GPUs unmöglich. ComfyUI läuft offiziell.
Kein Prompt verlässt das Haus: On-Premise-Inferenz für Kanzleien, Steuerberater, Verwaltung und alle mit sensiblen Daten — deutsche Praxisberichte bestätigen genau dieses Szenario.
Isaac Sim und Isaac Lab laufen als offizielle Playbooks auf dem Spark, Isaac ROS unterstützt ihn als Plattform — trainieren auf dem Schreibtisch, deployen auf Jetson. Der Standard-Workflow der Robotik-Entwicklung.
Ein Gerät pro Arbeitsplatz statt geteilter Cluster-Queue: volle 128 GB pro Person, planbare Kosten statt Cloud-Abrechnung — ideal für Hochschul-Labore und Kurse.
Über die 200-Gb/s-Direktverbindung werden aus zwei Sparks 256 GB Verbundspeicher — genug für Llama 405B in FP4. Mit fertigem Multi-Node-Playbook und Cluster-Assistant.
DGX Spark, Mac Studio oder RTX-Workstation?
Kurzfassung: Den Spark kauft man für 128 GB CUDA-Speicher, den kompletten NVIDIA-Stack und die 200-GbE-Kopplung — nicht für maximale Token-Geschwindigkeit. Die ehrliche Entscheidungshilfe:
Darum der DGX Spark
- CUDA entscheidet: PyTorch, TensorRT, NIM und praktisch das gesamte KI-Ökosystem laufen nativ — was auf dem Spark läuft, läuft auch auf DGX-Servern und in der Cloud.
- 128 GB Unified Memory: Fine-Tuning und Workloads jenseits von 90 GB Speicherbelegung, die auf jeder Consumer-GPU scheitern.
- Skalierungspfad: zwei Geräte koppeln (405B), später derselbe Stack auf GB300- oder Rubin-Systemen — plus offizielle Spark-Roadmap bis 2029.
- Büro-tauglich: 240 W, ~32 dB(A), 1,2 kg — kein Serverraum nötig.
Wann etwas anderes besser passt
- Mac Studio (Ultra-Chips): ~3× mehr Speicherbandbreite — schnelleres Single-Stream-Chatten mit großen Modellen, aber ohne CUDA-Ökosystem und ohne Fine-Tuning-Stärke.
- AMD Strix Halo (128 GB): etwa halber Preis und x86/Windows — aber ähnliche Bandbreite und ROCm statt CUDA; für reine Quantisierungs-Inferenz eine Budget-Option.
- RTX PRO 6000 Blackwell (96 GB): um ein Mehrfaches schnellere Inferenz (1,8 TB/s) für Produktions-Workloads — bei deutlich höherem Preis und ~600 W. Nelpx konfiguriert passende Workstations.
- DGX Station (GB300): die große Schwester mit 748 GB kohärentem Speicher und bis 20 PFLOPS FP4 — für Teams, die mehr als Prototyping brauchen (Preisklasse hoch fünfstellig, auf Anfrage).
Vergleichsbasis: LMSYS-Benchmarks, heise-Duell Spark vs. Strix Halo, Notebookcheck, Community-Benchmarks RTX PRO 6000 vs. Spark — Stand 27.07.2026. Nelpx berät herstellerunabhängig und liefert alle genannten Alternativen.
Häufige Fragen zum NVIDIA DGX Spark
Was kostet der NVIDIA DGX Spark?
Bei Nelpx kostet der DGX Spark (Founders Edition, 4 TB NVMe) 5.180 € zzgl. MwSt. (6.164,20 € inkl. 19 % MwSt.) — lieferbar ab Lager. Zur Einordnung: NVIDIA hat die Listenpreise im Februar 2026 wegen stark gestiegener Speicherpreise angehoben; die Marktpreise sind seitdem volatil. Im Preis enthalten: Beratung zur Einsatzplanung und Versand in der DACH-Region. Zur Preisübersicht.
Ist der DGX Spark lieferbar?
Ja — ab Lager, Lieferzeit in der DACH-Region in der Regel wenige Werktage. Bei größeren Stückzahlen (Teams, Hochschulen, Schulungsräume) stimmen wir Liefertermine projektbezogen ab: sales@nelpx.de.
Für wen lohnt sich der DGX Spark?
Für Entwickler und Data-Science-Teams (CUDA-Devbox mit Rechenzentrums-Stack), Unternehmen mit Datenschutz-Anforderungen (On-Premise-Inferenz), Forschung/Lehre und Robotik-Entwicklung (Isaac). Der Kaufgrund ist die Kombination aus 128 GB CUDA-Speicher, komplettem NVIDIA-Stack und 200-GbE-Kopplung — nicht die maximale Token-Geschwindigkeit.
Kann der DGX Spark große Modelle wie Llama 70B ausführen?
Ja — 128 GB fassen Modelle bis ~200 Mrd. Parameter. Praxis: Dichte 70B-Modelle laufen wegen der Bandbreite (273 GB/s) langsam; der Sweet Spot sind MoE-Modelle — GPT-OSS-120B erreicht ~40–50 Token/s, Llama 3.1 8B im Batch mehrere hundert Token/s (LMSYS/llama.cpp-Messungen). Das CES-2026-Update brachte zusätzlich bis zu 2,5× Leistung.
DGX Spark oder Mac Studio — was ist besser für lokale KI?
Der Mac hat mehr Bandbreite und chattet mit großen Modellen schneller. Der Spark gewinnt überall, wo CUDA vorausgesetzt wird: PyTorch/TensorRT/NIM nativ, Fine-Tuning (FLUX.1-LoRA), Batch-Inferenz, 200-GbE-Kopplung — und der identische Stack für spätere Server-Deployments.
Ersetzt der DGX Spark eine RTX-Workstation?
Nein — eine RTX PRO 6000 Blackwell (96 GB, 1,8 TB/s) ist bei der Inferenz um ein Mehrfaches schneller, kostet aber deutlich mehr und zieht ~600 W. Faustregel: Spark = Entwickeln, Prototyping, speicherhungrige Workloads; RTX-PRO-Workstation = maximale Produktionsgeschwindigkeit. Nelpx liefert beide.
Kann man zwei DGX Spark koppeln?
Ja — über die QSFP-Ports der ConnectX-7 (200 Gb/s) direkt per Kabel: zusammen 256 GB Unified Memory für Modelle bis 405 Mrd. Parameter (FP4, NVIDIA-Angabe). NVIDIA liefert Multi-Node-Playbooks und den Cluster-Assistant in NVIDIA Sync gleich mit.
Welches Betriebssystem läuft — geht Windows?
DGX OS (Ubuntu-Basis) mit vorinstalliertem NVIDIA-AI-Stack; Windows läuft nicht (Arm-Plattform). Über NVIDIA Sync bedienen Sie den Spark bequem vom Mac oder Windows-PC — inklusive 1-Klick-Deployment von Ollama, ComfyUI & Co.
Wie laut ist der DGX Spark und wie viel Strom verbraucht er?
Rund 32 dB(A) unter Volllast — flüsterleise und büro-tauglich. Maximal ~217 W (240-W-Netzteil), im Leerlauf ~28 W nach den aktuellen Firmware-Updates (ComputerBase-Messungen). Zum Vergleich: eine einzelne High-End-Workstation-GPU zieht allein ~600 W.
Kann man mit dem DGX Spark Modelle trainieren oder fine-tunen?
Ja — LoRA/QLoRA bis ~70 Mrd. Parameter, Full-Fine-Tuning bis ~8 Mrd. NVIDIA liefert fertige Playbooks: FLUX.1-DreamBooth-LoRA (~4 h, >90 GB Speicherbelegung), Unsloth, LLaMA-Factory, NeMo. Genau hier spielt der 128-GB-Speicher seinen Vorteil gegenüber jeder Consumer-GPU aus.
Ist der DGX Spark DSGVO-konform einsetzbar?
Ja — reines On-Premise-Gerät: Modelle und Daten bleiben im Haus, kein Prompt verlässt das Netz. Interessant für Kanzleien, Steuerberater, Verwaltungen und alle mit sensiblen Daten; deutsche Praxisberichte (z. B. agorum) bestätigen das Szenario.
NVIDIA DGX Spark kaufen — der KI-Supercomputer für den Schreibtisch
128 GB Unified Memory, GB10 Grace Blackwell Superchip und der komplette NVIDIA-AI-Stack in einem 1,2-kg-Gehäuse: lokale LLMs bis 200 Mrd. Parameter, Fine-Tuning bis 70 Mrd. — flüsterleise bei 240 W. Sofort lieferbar über Nelpx.
IT-Systemhaus für HPC & AI-Infrastruktur · DACH-Region · Herstellerunabhängige Beratung
Was ist der NVIDIA DGX Spark?
Der NVIDIA DGX Spark ist ein Desktop-KI-Computer mit dem GB10 Grace Blackwell Superchip: 20 Arm-Kerne und eine Blackwell-GPU mit 6.144 CUDA-Cores teilen sich 128 GB Unified Memory. Damit laufen KI-Modelle bis 200 Milliarden Parameter lokal auf dem Schreibtisch — mit demselben NVIDIA-Software-Stack wie im Rechenzentrum, bei 240 W Leistungsaufnahme und flüsterleisem Betrieb. Bei Nelpx ist der DGX Spark ab Lager lieferbar: 5.180 € zzgl. MwSt.
- Sofort startklar
- DGX OS mit vorinstalliertem NVIDIA-AI-Stack und fertigen Playbooks — Ollama, ComfyUI, vLLM & Co. per Klick.
- Einzigartig
- 128 GB CUDA-fähiger Speicher — Workloads, die auf 24–32-GB-Grafikkarten schlicht nicht passen.
- Skalierbar
- Zwei Sparks per 200-GbE-Kabel koppeln: 256 GB Verbund für Modelle bis 405 Mrd. Parameter (FP4).
Stand: 27. Juli 2026 · Quellen: NVIDIA-Produktseite/Datenblatt, LMSYS/SGLang-Benchmarks, ServeTheHome, StorageReview, ComputerBase, heise — Herstellerclaims sind gekennzeichnet.
Was kostet der NVIDIA DGX Spark?
6.164,20 € inkl. 19 % MwSt. · zzgl. Versand
Lieferbar ab Lager- KonfigurationGB10 · 128 GB · 4 TB NVMe (verschlüsselt)
- Lieferzeiti. d. R. wenige Werktage (DACH)
- ZahlungKauf auf Rechnung für Firmenkunden
- MengenStaffelkonditionen auf Anfrage
Preisangabe Stand 27.07.2026 — der Speichermarkt ist derzeit volatil (NVIDIA hat die Listenpreise im Februar 2026 angehoben); tagesaktuelle Konditionen bestätigen wir im Angebot.
Der DGX Spark ist der günstigste Weg zu 128 GB CUDA-fähigem KI-Speicher — eine Workstation-GPU mit vergleichbarem Speicherausbau existiert schlicht nicht, und der Einstieg in die DGX-Station-Klasse beginnt im hohen fünfstelligen Bereich.
- Komplett einsatzbereit: DGX OS, CUDA-Stack, NIM-Microservices und die laufend erweiterten DGX-Spark-Playbooks sind vorinstalliert — auspacken, anschließen, loslegen.
- Beratung inklusive: Nelpx unterstützt bei Einsatzplanung, Modellauswahl und Einrichtung — vom ersten Ollama-Setup bis zum Zwei-Geräte-Cluster.
- Ehrliche Empfehlung: Wenn Ihr Workload besser auf eine RTX-PRO-Workstation oder einen GPU-Server passt, sagen wir das — und liefern die Alternative gleich mit.
- Software wird besser: NVIDIA liefert monatliche Updates — das CES-2026-Update brachte bis zu 2,5× mehr Leistung auf Schlüssel-Workloads, rein per Software.
DGX Spark: die Specs im Detail
Was läuft wie schnell? Ehrliche Zahlen.
| Workload | Gemessene Leistung | Quelle |
|---|---|---|
| GPT-OSS-120B (MoE, MXFP4) | ~40–60 Token/s (je nach Kontexttiefe) — großes Modell, flüssig nutzbar | llama.cpp-Community / agorum |
| GPT-OSS-20B | 2.053 Token/s Prefill · ~50 Token/s Decode | LMSYS (SGLang) |
| Llama 3.1 8B | 7.991 Token/s Prefill · 368 Token/s im Batch-Betrieb | LMSYS (SGLang) |
| Llama 3.1 70B dense (FP8) | ~3 Token/s — dichte 70B-Modelle sind nicht interaktiv | LMSYS (SGLang) |
| FLUX.1 DreamBooth-LoRA (Fine-Tuning) | ~4 h Laufzeit bei >90 GB Speicherbelegung | NVIDIA-Playbook |
| 2× Spark gekoppelt (Llama 3.1 8B FP4) | ~924 Token/s bei 128 parallelen Anfragen | StorageReview (Cluster-Test) |
Messwerte: LMSYS/SGLang-Review (Okt. 2025), llama.cpp-Community, StorageReview-Cluster-Test, ComputerBase (Verbrauch/Lautstärke, ASUS-GX10-Variante). Modellgrößen-Angaben: NVIDIA. Stand 27.07.2026.
Wofür lohnt sich der DGX Spark?
Die CUDA-Devbox unterm Schreibtisch: identischer Software-Stack wie DGX-Server und Cloud — lokal prototypen, im Rechenzentrum deployen. Ollama, vLLM, SGLang & Co. als fertige Playbooks.
LoRA/QLoRA bis 70 Mrd. Parameter, FLUX.1-DreamBooth in ~4 Stunden bei >90 GB Speicherbelegung — auf 24-GB-Consumer-GPUs unmöglich. ComfyUI läuft offiziell.
Kein Prompt verlässt das Haus: On-Premise-Inferenz für Kanzleien, Steuerberater, Verwaltung und alle mit sensiblen Daten — deutsche Praxisberichte bestätigen genau dieses Szenario.
Isaac Sim und Isaac Lab laufen als offizielle Playbooks auf dem Spark, Isaac ROS unterstützt ihn als Plattform — trainieren auf dem Schreibtisch, deployen auf Jetson. Der Standard-Workflow der Robotik-Entwicklung.
Ein Gerät pro Arbeitsplatz statt geteilter Cluster-Queue: volle 128 GB pro Person, planbare Kosten statt Cloud-Abrechnung — ideal für Hochschul-Labore und Kurse.
Über die 200-Gb/s-Direktverbindung werden aus zwei Sparks 256 GB Verbundspeicher — genug für Llama 405B in FP4. Mit fertigem Multi-Node-Playbook und Cluster-Assistant.
DGX Spark, Mac Studio oder RTX-Workstation?
Kurzfassung: Den Spark kauft man für 128 GB CUDA-Speicher, den kompletten NVIDIA-Stack und die 200-GbE-Kopplung — nicht für maximale Token-Geschwindigkeit. Die ehrliche Entscheidungshilfe:
Darum der DGX Spark
- CUDA entscheidet: PyTorch, TensorRT, NIM und praktisch das gesamte KI-Ökosystem laufen nativ — was auf dem Spark läuft, läuft auch auf DGX-Servern und in der Cloud.
- 128 GB Unified Memory: Fine-Tuning und Workloads jenseits von 90 GB Speicherbelegung, die auf jeder Consumer-GPU scheitern.
- Skalierungspfad: zwei Geräte koppeln (405B), später derselbe Stack auf GB300- oder Rubin-Systemen — plus offizielle Spark-Roadmap bis 2029.
- Büro-tauglich: 240 W, ~32 dB(A), 1,2 kg — kein Serverraum nötig.
Wann etwas anderes besser passt
- Mac Studio (Ultra-Chips): ~3× mehr Speicherbandbreite — schnelleres Single-Stream-Chatten mit großen Modellen, aber ohne CUDA-Ökosystem und ohne Fine-Tuning-Stärke.
- AMD Strix Halo (128 GB): etwa halber Preis und x86/Windows — aber ähnliche Bandbreite und ROCm statt CUDA; für reine Quantisierungs-Inferenz eine Budget-Option.
- RTX PRO 6000 Blackwell (96 GB): um ein Mehrfaches schnellere Inferenz (1,8 TB/s) für Produktions-Workloads — bei deutlich höherem Preis und ~600 W. Nelpx konfiguriert passende Workstations.
- DGX Station (GB300): die große Schwester mit 748 GB kohärentem Speicher und bis 20 PFLOPS FP4 — für Teams, die mehr als Prototyping brauchen (Preisklasse hoch fünfstellig, auf Anfrage).
Vergleichsbasis: LMSYS-Benchmarks, heise-Duell Spark vs. Strix Halo, Notebookcheck, Community-Benchmarks RTX PRO 6000 vs. Spark — Stand 27.07.2026. Nelpx berät herstellerunabhängig und liefert alle genannten Alternativen.
Häufige Fragen zum NVIDIA DGX Spark
Was kostet der NVIDIA DGX Spark?
Bei Nelpx kostet der DGX Spark (Founders Edition, 4 TB NVMe) 5.180 € zzgl. MwSt. (6.164,20 € inkl. 19 % MwSt.) — lieferbar ab Lager. Zur Einordnung: NVIDIA hat die Listenpreise im Februar 2026 wegen stark gestiegener Speicherpreise angehoben; die Marktpreise sind seitdem volatil. Im Preis enthalten: Beratung zur Einsatzplanung und Versand in der DACH-Region. Zur Preisübersicht.
Ist der DGX Spark lieferbar?
Ja — ab Lager, Lieferzeit in der DACH-Region in der Regel wenige Werktage. Bei größeren Stückzahlen (Teams, Hochschulen, Schulungsräume) stimmen wir Liefertermine projektbezogen ab: sales@nelpx.de.
Für wen lohnt sich der DGX Spark?
Für Entwickler und Data-Science-Teams (CUDA-Devbox mit Rechenzentrums-Stack), Unternehmen mit Datenschutz-Anforderungen (On-Premise-Inferenz), Forschung/Lehre und Robotik-Entwicklung (Isaac). Der Kaufgrund ist die Kombination aus 128 GB CUDA-Speicher, komplettem NVIDIA-Stack und 200-GbE-Kopplung — nicht die maximale Token-Geschwindigkeit.
Kann der DGX Spark große Modelle wie Llama 70B ausführen?
Ja — 128 GB fassen Modelle bis ~200 Mrd. Parameter. Praxis: Dichte 70B-Modelle laufen wegen der Bandbreite (273 GB/s) langsam; der Sweet Spot sind MoE-Modelle — GPT-OSS-120B erreicht ~40–50 Token/s, Llama 3.1 8B im Batch mehrere hundert Token/s (LMSYS/llama.cpp-Messungen). Das CES-2026-Update brachte zusätzlich bis zu 2,5× Leistung.
DGX Spark oder Mac Studio — was ist besser für lokale KI?
Der Mac hat mehr Bandbreite und chattet mit großen Modellen schneller. Der Spark gewinnt überall, wo CUDA vorausgesetzt wird: PyTorch/TensorRT/NIM nativ, Fine-Tuning (FLUX.1-LoRA), Batch-Inferenz, 200-GbE-Kopplung — und der identische Stack für spätere Server-Deployments.
Ersetzt der DGX Spark eine RTX-Workstation?
Nein — eine RTX PRO 6000 Blackwell (96 GB, 1,8 TB/s) ist bei der Inferenz um ein Mehrfaches schneller, kostet aber deutlich mehr und zieht ~600 W. Faustregel: Spark = Entwickeln, Prototyping, speicherhungrige Workloads; RTX-PRO-Workstation = maximale Produktionsgeschwindigkeit. Nelpx liefert beide.
Kann man zwei DGX Spark koppeln?
Ja — über die QSFP-Ports der ConnectX-7 (200 Gb/s) direkt per Kabel: zusammen 256 GB Unified Memory für Modelle bis 405 Mrd. Parameter (FP4, NVIDIA-Angabe). NVIDIA liefert Multi-Node-Playbooks und den Cluster-Assistant in NVIDIA Sync gleich mit.
Welches Betriebssystem läuft — geht Windows?
DGX OS (Ubuntu-Basis) mit vorinstalliertem NVIDIA-AI-Stack; Windows läuft nicht (Arm-Plattform). Über NVIDIA Sync bedienen Sie den Spark bequem vom Mac oder Windows-PC — inklusive 1-Klick-Deployment von Ollama, ComfyUI & Co.
Wie laut ist der DGX Spark und wie viel Strom verbraucht er?
Rund 32 dB(A) unter Volllast — flüsterleise und büro-tauglich. Maximal ~217 W (240-W-Netzteil), im Leerlauf ~28 W nach den aktuellen Firmware-Updates (ComputerBase-Messungen). Zum Vergleich: eine einzelne High-End-Workstation-GPU zieht allein ~600 W.
Kann man mit dem DGX Spark Modelle trainieren oder fine-tunen?
Ja — LoRA/QLoRA bis ~70 Mrd. Parameter, Full-Fine-Tuning bis ~8 Mrd. NVIDIA liefert fertige Playbooks: FLUX.1-DreamBooth-LoRA (~4 h, >90 GB Speicherbelegung), Unsloth, LLaMA-Factory, NeMo. Genau hier spielt der 128-GB-Speicher seinen Vorteil gegenüber jeder Consumer-GPU aus.
Ist der DGX Spark DSGVO-konform einsetzbar?
Ja — reines On-Premise-Gerät: Modelle und Daten bleiben im Haus, kein Prompt verlässt das Netz. Interessant für Kanzleien, Steuerberater, Verwaltungen und alle mit sensiblen Daten; deutsche Praxisberichte (z. B. agorum) bestätigen das Szenario.