Nvidia décline le DGX Spark en version 64 Go

SSacha

Nvidia annonce cette nouvelle version du DGX Spark à partir de 4 999 dollars, avec une disponibilité prévue le 23 octobre chez Acer, ASUS, Dell, Gigabyte, HP et MSI, d’après Clubic. Le changement le plus visible, c’est la capacité mémoire : cette configuration offre 64 Go de mémoire unifiée, contre 128 Go pour l’autre modèle. Elle conserve toutefois la puce GB10 Grace Blackwell et l’environnement logiciel de la gamme. L’idée est de proposer une machine destinée au développement et à l’exécution de modèles d’intelligence artificielle en local, sans devoir envoyer chaque requête vers un service distant. Cela peut permettre d’expérimenter avec ses propres modèles et ses propres données sur un appareil installé au bureau, mais le prix d’achat est déjà conséquent. Et la capacité mémoire ne dit pas à elle seule quels modèles fonctionneront confortablement : les besoins varient selon le modèle, les réglages et la tâche. MarkTechPost décrit le système comme adapté aux modèles ouverts de 30 à 35 milliards de paramètres, tandis que Clubic indique que Nvidia annonce l’exécution locale de modèles allant jusqu’à 80 milliards de paramètres. MarkTechPost mentionne aussi un maximum de 100 milliards, sans que ces seuils décrivent nécessairement les mêmes conditions d’usage. Il faut donc les comprendre comme des capacités rapportées, et non comme une promesse de performances identiques pour chaque modèle.

SSacha

Le DGX Spark 64 Go conserve la puce GB10 Grace Blackwell et le réseau ConnectX-7, selon MarkTechPost. La mémoire unifiée est de type LPDDR5x, et sa bande passante annoncée atteint 273 gigaoctets par seconde. Les spécifications rapportées par le média mentionnent aussi jusqu’à 1 pétaflop de calcul d’intelligence artificielle en FP4 avec sparsité, ainsi que la prise en charge de disques SSD NVMe de 1, 2 ou 4 téraoctets. Ce sont des caractéristiques techniques, pas une mesure qui permettrait de prédire directement le temps nécessaire pour chaque tâche. La mémoire unifiée signifie que le processeur et la partie graphique utilisent un même espace mémoire, ce qui est adapté au fonctionnement de modèles d’intelligence artificielle ; cela ne supprime pas pour autant les limites de capacité. Côté logiciel, le système DGX OS comprend notamment PyTorch, Jupyter et Ollama. MarkTechPost indique que NemoClaw peut s’installer en une commande et qu’il ajoute des contrôles de confidentialité et de sécurité aux agents OpenClaw. L’intérêt pratique, c’est de réunir dans un même appareil des outils pour développer, tester et exécuter des modèles, plutôt que de devoir assembler soi-même chaque élément logiciel. Mais la présence de ces outils ne signifie pas que toute configuration ou tout modèle sera immédiatement adapté à chaque projet.

SSacha

Deux DGX Spark peuvent être reliés directement avec un câble QSFP, puis configurés avec NVIDIA Sync Cluster Assistant. L’outil repère les deux appareils, vérifie leur configuration et prépare le réseau ConnectX-7, explique Clubic. Nvidia annonce que ce cluster met en commun 128 Go de mémoire et peut prendre en charge des modèles allant jusqu’à 200 milliards de paramètres. En clair, l’utilisateur peut commencer avec une machine et relier une seconde unité lorsque le travail demande davantage de ressources ; le logiciel est présenté comme un moyen de simplifier la mise en place du cluster. Cela ne transforme pas automatiquement les deux ordinateurs en une machine identique à un modèle 128 Go pour toutes les applications, car le partage des calculs dépend du modèle et de la tâche. Nvidia affirme que deux unités ont obtenu jusqu’à 70 % de performances supplémentaires par rapport à une seule dans un test avec Qwen 3.8 27B. Le constructeur précise que le résultat varie selon le modèle et la répartition de la charge. Il faut donc le lire comme le résultat maximal d’un test précis, pas comme une accélération garantie dans les usages quotidiens. Pour certains travaux parallélisables, le regroupement peut apporter un gain ; pour d’autres, l’amélioration pourrait être différente.

SSacha

Nvidia présente le DGX Spark comme une machine destinée au développement et à l’exécution de modèles d’intelligence artificielle en local. Elle peut intéresser des développeurs qui veulent tester des modèles ouverts ou des agents sur leur propre matériel, ainsi que des équipes qui travaillent sur des données qu’elles souhaitent traiter localement. MarkTechPost situe les modèles ouverts de 30 à 35 milliards de paramètres parmi les usages visés pour la version 64 Go. Ce repère aide à comprendre l’échelle envisagée, mais ne permet pas de conclure qu’un modèle de cette taille répondra vite dans tous les cas : les performances dépendent notamment de la charge et des réglages. Le prix de départ annoncé pour le modèle 64 Go est de 4 999 dollars, tandis que Frandroid indique que le DGX Spark 128 Go passe à 6 950 dollars à partir du 23 octobre. Deux modèles 64 Go coûteraient donc près de 10 000 dollars au prix de départ, avant les autres dépenses, même si leur mémoire pourrait être partagée en cluster. La comparaison entre deux appareils et une seule machine dépend alors des besoins : capacité mémoire, tâches exécutées et intérêt d’avoir plusieurs unités. Ces prix ne disent pas, à eux seuls, quelle configuration est la plus avantageuse pour un acheteur donné. Il faut aussi distinguer le coût d’acquisition de la capacité technique annoncée, et vérifier si les applications prévues tirent réellement parti du regroupement.

SSacha

MarkTechPost affirme que la consommation de jetons des agents aurait été multipliée par 14 depuis le début de 2026, sans préciser la méthode de calcul ni la source de cette estimation. Il faut donc traiter ce chiffre comme une affirmation du média, et non comme une mesure dont on pourrait vérifier ici le périmètre. L’article présente aussi l’exécution sur du matériel acheté comme un moyen d’éviter des frais facturés par jeton, mais il ne chiffre ni l’achat, ni l’électricité, ni les coûts d’exploitation. On ne peut donc pas déduire de cette présentation qu’une machine locale reviendrait moins cher qu’un service en ligne. Le calcul dépendrait du nombre d’heures d’utilisation, des tâches réalisées, des frais de service évités et des dépenses liées au matériel. Une machine qui exécute des agents localement peut donner davantage de contrôle sur les données et l’environnement de travail, mais les informations disponibles ne permettent pas de quantifier cet avantage ni son coût total. Bref, l’absence de facturation par jeton n’équivaut pas à une utilisation gratuite. Pour comparer les solutions, chaque équipe devrait examiner ses propres volumes et coûts, plutôt que s’appuyer sur une estimation générale non documentée.

SSacha

Nvidia ajoute donc une version 64 Go à la gamme DGX Spark, proposée à partir de 4 999 dollars, et prévoit de la distribuer par l’intermédiaire de plusieurs constructeurs. La machine vise le développement et l’exécution de modèles en local, avec des modèles ouverts de 30 à 35 milliards de paramètres présentés comme une cible adaptée par MarkTechPost. Deux appareils peuvent être reliés pour partager, selon Nvidia, 128 Go de mémoire et prendre en charge des modèles allant jusqu’à 200 milliards de paramètres. Le constructeur annonce aussi un gain de performances pouvant atteindre 70 % dans un test particulier, mais ce résultat dépend du modèle et de la répartition de la charge. En face, le tarif indiqué par Frandroid pour la version 128 Go atteint 6 950 dollars à partir du 23 octobre. La comparaison ne se résume pas à choisir entre 64 et 128 Go : il faut examiner les modèles utilisés, les tâches prévues et la capacité à répartir le travail sur deux machines. Les chiffres de mémoire et de paramètres donnent des repères, mais ne garantissent pas le même confort ou la même vitesse dans tous les scénarios. Et le coût d’achat n’est qu’une partie du calcul, puisque les dépenses d’utilisation ne sont pas chiffrées dans les éléments disponibles. La proposition de Nvidia est donc celle d’un poste de travail local modulable, dont l’intérêt dépendra des besoins concrets et du budget de chaque utilisateur.