NVIDIA DGX Spark: una supercomputadora personal de IA, a su precio

Hace un año, la DGX Spark era el argumento más fácil de la IA local. Una caja dorada pequeña, 128 GB de memoria que la CPU y la GPU comparten y modelos en tu escritorio que antes necesitaban una sala de servidores. Luego el precio empezó a moverse. La máquina que se lanzó a $3,999 en octubre de 2025 subió a $4,699 en febrero de 2026 y, en octubre de 2026, ServeTheHome reportó el modelo de 128 GB moviéndose a un nivel de unos $6,950. Esta reseña trata de la brecha entre lo que la Spark hace de forma única y lo que NVIDIA cobra ahora por ello.

Qué es

La DGX Spark es una computadora de escritorio de IA construida alrededor del Superchip GB10 Grace Blackwell, un paquete de dos chips que NVIDIA desarrolló con MediaTek. Un chip lleva una CPU Arm de 20 núcleos. El otro lleva una GPU Blackwell y ambos comparten un solo conjunto de memoria LPDDR5x mediante la interconexión NVLink-C2C. NVIDIA la vende como una supercomputadora personal de IA y la traducción honesta es más estrecha: es un aparato de desarrollo y prototipado para personas que trabajan en modelos grandes y quieren ese trabajo local, privado y siempre activo.

No es una PC de juegos y no es una estación de trabajo en el sentido usual. Corre DGX OS, una versión de Linux basada en Ubuntu, y nada más. Se envía con la pila de software de IA de NVIDIA instalada, incluidas las herramientas CUDA, contenedores, microservicios NIM y una biblioteca de manuales para trabajos comunes como servir modelos con vLLM y ajustar con marcos estándar. NVIDIA declara que una unidad ejecuta inferencia en modelos de hasta 200 mil millones de parámetros y ajusta modelos de hasta 70 mil millones de parámetros. Esas son cifras de la empresa sobre capacidad y las pruebas publicadas respaldan la afirmación de capacidad mientras discuten con fuerza la velocidad que viene con ella.

Funciones y especificaciones

Dos cifras de esa hoja hacen todo el trabajo. La primera es 128 GB, el conjunto de memoria que decide qué modelos caben. La segunda es 273 GB/s, el ancho de banda que decide lo rápido que salen los tokens una vez que un modelo está cargado. Para dar escala, una H100 de centro de datos mueve datos a unos 3.35 TB/s, más de doce veces la tasa. Cada fortaleza y cada queja de esta reseña se remonta a esa pareja de un conjunto enorme y un tubo estrecho.

La red merece su propia línea. El puerto ConnectX-7 es hardware que la mayoría de los escritorios nunca lleva y existe para que dos Sparks puedan enlazarse directamente y juntar 256 GB de memoria para modelos de hasta 405 mil millones de parámetros, según NVIDIA. En octubre de 2026 NVIDIA añadió herramientas de clúster y una configuración de 64 GB, vendida solo mediante Acer, ASUS, Dell, Gigabyte, HP y MSI desde el 23 de octubre, desde $4,999. NVIDIA dice que una unidad de 64 GB soporta modelos de hasta 100 mil millones de parámetros y que dos unidades en clúster entregaron hasta 1.7 veces el rendimiento de una unidad en su propia prueba Qwen 3.8 27B. Ese resultado de prueba es una afirmación de la empresa, no una medición independiente.

Experiencia en el mundo real

Esta es una reseña de investigación, construida a partir de pruebas publicadas por LMSYS, Ollama, ServeTheHome y otros, y no de tiempo práctico en nuestro laboratorio. El panorama que esas fuentes dibujan es consistente y se divide con limpieza por tipo de modelo.

En modelos dispersos, la Spark se ve fuerte. Ollama midió su propia versión de lanzamiento en la Spark y registró el modelo gpt-oss de 120 mil millones de parámetros, un diseño de mezcla de expertos que lee solo parte de sus pesos por token, a unos 41 tokens por segundo de generación con procesamiento de prompts por encima de 1,100 tokens por segundo. LMSYS, el grupo detrás de la clasificación Chatbot Arena, llevó el soporte de SGLang para gpt-oss a la Spark y reportó unos 50 tokens por segundo en el modelo de 120B y unos 70 en el modelo de 20B. Para un agente local de código o un asistente privado, esa es una velocidad totalmente usable en modelos que simplemente no pueden cargarse en una GPU normal.

En modelos densos, llega la factura del ancho de banda. LMSYS midió el modelo gpt-oss de 20B bajo Ollama en 2,053 tokens por segundo de procesamiento de prompts y 49.7 tokens por segundo de generación. La misma suite puso el modelo denso Llama 3.1 70B en 2.7 tokens por segundo, más lento de lo que la mayoría de la gente lee. Los resultados publicados para modelos densos de clase 32B se sitúan cerca de 10 tokens por segundo. El patrón nunca cambia: el procesamiento de prompts es rápido, el rendimiento por lotes es respetable y una persona esperando a un modelo denso siente cada uno de esos 273 gigabytes por segundo.

La historia del software es el contrapeso. Los reseñadores y los equipos de benchmarks siguen llegando al mismo punto: la pila funciona. DGX OS llega con controladores, contenedores y marcos en su sitio, las herramientas estándar de Linux para Ollama y llama.cpp se instalan de la manera ordinaria y NVIDIA mantiene manuales para los trabajos que los compradores ejecutan en realidad. La fricción que queda es real pero específica. La GPU del GB10 usa una variante de arquitectura de clase consumo que carece de algunas funciones de tensor cores de las tarjetas Blackwell de centro de datos y los primeros marcos y núcleos mostraron un soporte irregular que las actualizaciones de firmware y software han cerrado en parte durante 2026. Reserva tiempo para esa clase de sorpresa si tu flujo de trabajo se apoya en lanzamientos recientes.

Lo que funciona

La capacidad es el titular y se sostiene. Una sola Spark carga y ejecuta un modelo de clase 120B o 200B localmente, sin cuenta en la nube, sin factura por token y sin datos saliendo de la habitación. Para trabajo regulado, código privado e investigación sin publicar, esa propiedad sola justifica un hardware que parece sobrevalorado en una hoja de especificaciones.

El factor de forma es la segunda victoria genuina. Esto es herramienta de linaje de centro de datos en una caja de 1.2 kilogramos que consume unos 240 vatios y se sienta en un escritorio sin drama. Un clúster de dos unidades cabe en una caja de zapatos y junta 256 GB. Nada en el mercado de PC iguala esa densidad de memoria de IA usable por litro.

La tercera victoria es la rampa de entrada. Como la Spark corre la misma pila centrada en CUDA que los grandes sistemas DGX, el trabajo prototipado en un escritorio se mueve a hardware de centro de datos alquilado o propio sin reescribirlo. Equipos de lugares como Stanford han usado Sparks exactamente así, prototipando flujos completos localmente antes de escalarlos a clústeres. Ese camino, del escritorio al centro de datos en una sola pila, es el producto que NVIDIA vende en realidad.

Lo que no funciona

La velocidad por dólar es pobre y empeoró a medida que el precio subió. Una RTX 5090 genera tokens unas cuatro veces más rápido que una Spark en el modelo de 20B que ambas pueden ejecutar y una PC basada en una 5090 cuesta menos de lo que una Spark cuesta ahora. La Spark gana solo donde la 5090 no puede competir en absoluto, que es más allá de 32 GB de modelo. Los compradores cuyos modelos caben en una GPU de consumo obtienen mucha más velocidad por mucho menos dinero en otro lugar.

El camino del precio es la parte más difícil de defender de esta reseña. Un aumento de cerca del 74 por ciento en un año, atribuido a los costos de memoria, convirtió una compra estirada en una decisión de adquisición. El nuevo modelo de 64 GB empeora el encuadre: a $4,999 cuesta $1,000 más de lo que costó el modelo de 128 GB en el lanzamiento ofreciendo la mitad de la memoria que es todo el sentido de la plataforma. ServeTheHome llamó $4,999 por una máquina de 64 GB bastante alto y $6,950 por la máquina de 128 GB elevado. Ese es un resumen justo de la reacción del mercado.

Por último, la plataforma pide compromiso. Es solo Linux y basada en Arm, así que el software de Windows y los hábitos x86 se quedan atrás. El almacenamiento y la memoria son fijos en la compra. Y la lógica de reventa y actualización de una PC normal no aplica: cuando una Spark te queda pequeña, compras una segunda Spark o dejas la plataforma.

Competencia

La tabla muestra a la Spark apretada por ambos lados. Debajo de ella, los sistemas Strix Halo y la Framework Desktop ofrecen 128 GB de memoria unificada por miles menos y siguen mejorando. Encima de ella, las GPU en la nube ofrecen un orden de magnitud más de ancho de banda sin costo de capital. La Spark sostiene el medio con dos activos que ningún lado iguala hoy: la pila madura de software CUDA y DGX en una caja así de pequeña y el clúster de 200 Gb/s integrado de fábrica.

Veredicto final

Compra la DGX Spark si tu trabajo necesita modelos entre unos 70B y 200B de parámetros corriendo localmente, en privado y a diario y si tu camino lleva después hacia hardware de centro de datos de NVIDIA. Para ese comprador, la capacidad y la pila valen dinero, los límites de velocidad son cantidades conocidas y las alternativas renuncian cada una a algo que importa. Cómprala al nivel de socio si puedes encontrar precios por debajo del nivel superior y prefiere el modelo de 128 GB, porque la memoria es todo el argumento de esta máquina.

Sáltatela si tus modelos caben en 32 GB, si sirves a muchos usuarios a la vez o si el precio importa más que la procedencia. Un sistema RTX 5090 es más rápido en todo lo que puede cargar. Una caja Strix Halo contiene casi lo mismo por mucho menos. La nube te alquila doce veces el ancho de banda por hora. Hace un año, a $3,999, la Spark era una recomendación fácil para los constructores locales de IA. A unos $6,950, es una herramienta de especialista con precio de especialista, excelente en exactamente un trabajo y honesta sobre ninguno de sus límites en el folleto. El trabajo es real. La factura también.

Esta es una reseña de investigación. Se basa en la documentación de producto de NVIDIA y su anuncio de la DGX Spark de 64 GB de octubre de 2026, las suites de benchmarks publicadas por LMSYS y Ollama y el reportaje de precios de ServeTheHome, verificados en octubre de 2026. No se realizaron pruebas prácticas.

Fuentes

• NVIDIA: DGX Spark product page
• NVIDIA vía ServeTheHome: DGX Spark 64GB launched and big 128GB GB10 price increases
• LMSYS: Optimizing GPT-OSS on NVIDIA DGX Spark
• Ollama: NVIDIA DGX Spark performance
• GPU Smith: NVIDIA DGX Spark review, price, specs and performance
• Imágenes de producto: NVIDIA