Análisis en profundidad · Unos 5 min de lectura
NVIDIA amplía el despliegue local de IA: capacidad DGX Spark, servicios de equipo y software por etapas
DGX Spark 64GB llegará desde el 23 de octubre, Model Launcher más adelante este mes y DGX Station para Windows en diciembre.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
La actualización de NVIDIA del 21 de octubre añade capacidad, administración y planes de servicio de modelos DGX al lanzamiento de portátiles RTX Spark de la semana anterior. No hay una cifra de rendimiento universal: un usuario, un equipo Linux compartido y los futuros sistemas Windows tienen condiciones distintas.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- DGX Spark 64GB comienza a distribuirse el 23 de octubre. Los clústeres manuales admiten hasta ocho unidades; Sync Model Launcher está previsto para más adelante en octubre.
- DGX Station para Windows se espera en diciembre. Cloud Functions llegará primero en acceso anticipado a Station Linux; no es un derecho de suscripción cloud ya disponible de forma general.
Capacidad actual e instalación sencilla futura son hitos distintos
NVIDIA anuncia distribución de DGX Spark 64GB de sus socios desde el 23 de octubre. ConnectX-7 permite conectar máquinas y la configuración manual ya admite hasta ocho. El clúster con 1TB de memoria unificada descrito no significa que ocho equipos nuevos de 64GB sumen 1TB. Model Launcher, previsto para más adelante este mes, seleccionará modelo y contenedor adecuados, los descargará y conectará la configuración a OpenCode. La actualización de octubre añade Wi-Fi Assistant para cambiar redes en modo appliance y orientación de mantenimiento mediante Spark Skills. Nuestra lectura separa capacidad y comodidad: que funcione un clúster manual no prueba que el futuro lanzador esté disponible. Tampoco una memoria mayor demuestra latencia, contexto o concurrencia para cualquier modelo.
Station incorpora operación de equipos con funciones aún futuras
Station se describe con 748GB de memoria coherente y hasta 20 petaflops, junto con la afirmación del proveedor de atender a más de 30 usuarios a velocidades comparables a la nube. Faltan configuraciones de carga y servicio para generalizarlo. Sync conecta ahora dos Station Linux. Las siete integraciones de gestión incluyen Absolute Security, Splunk, Fleet, Intune, Puppet, Chef y Tanium. Los sistemas Windows se esperan de socios en diciembre, con aplicaciones industriales y marcos de agentes para ese entorno futuro. Cloud Functions llegará en acceso anticipado a Station Linux: permitiría registrar endpoints locales en un catálogo compartido mediante una entrada compatible con OpenAI. Esa compatibilidad es una interfaz, no acceso a modelos OpenAI. El equipo debe definir quién invoca modelos o herramientas y quién mantiene el sistema.
Las cifras de eficiencia pertenecen a una configuración concreta
Recursive Flint es un modelo de código de mezcla de expertos con 40B de parámetros y 2,5B activos. NVIDIA informa de más de 220 tokens por segundo en RTX Spark de 64GB, producto distinto de DGX Spark 64GB. Atribuye un aumento del 55% en velocidad de generación a kernels especializados sin cambiar pesos, no una mejora del 55% en corrección. El artículo dice Apache 2.0 para los pesos; no inspeccionamos descarga ni licencia. Otras pruebas miden cosas distintas: llama.cpp declara un factor de aceleración de tareas de hasta 1,4× para Qwen 3.8 Flash Next en RTX PRO 6000 Blackwell; vLLM, hasta 1,3× para Qwen3.8 27B en DGX Spark, y un throughput de GLM 5.3 Flash en Station de hasta 1,2 veces el nivel de comparación. No se combinan en una aceleración total. Los checkpoints FP4 reservan margen para KV cache; acercarse a precisión completa no demuestra respuestas idénticas.
Un endpoint local sigue siendo un servicio que hay que operar
Proponemos fijar máquina, pesos, precisión, contexto, permisos y sesiones simultáneas, y medir resultados aceptados, espera, memoria y fallos. Así se distingue alojar el modelo de prestar un servicio útil. Añadir energía y mantenimiento a hardware y software antes de afirmar un ahorro. Revisar llamadas de red y aprobaciones humanas del agente, sin deducir privacidad completa de tokens generados localmente. Los flujos robóticos de referencia y el software futuro tampoco acreditan la aceptación de seguridad o calidad de una fábrica. RTX Spark y Nemotron previamente anunciados siguen siendo contexto; esta actualización no reinicia sus fechas. La ruta de despliegue es más concreta, pero capacidad manual, gestión, configuración y automatización futura requieren verificaciones separadas.
Por qué importa
Análisis AISubHub: operar cerca del equipo puede dar control, pero caber en memoria, atender usuarios concurrentes y exponer herramientas con permisos son pruebas diferentes. Hay que evaluar el flujo real y su coste de operación.
Límites y disponibilidad
Leímos el artículo completo sin descargar modelos, revisar licencias enlazadas, instalar ni reproducir pruebas. Las fechas son planes al 21 de octubre. No se establecen precios, existencias por país o compatibilidad completa. Inferencia local no garantiza que las herramientas conectadas nunca envíen datos fuera.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.