NVIDIA DGX Spark: il mini-PC IA da 128 GB a confronto con le GPU

Il DGX Spark di NVIDIA è un mini-PC Linux con 128 GB di memoria unificata (273 GB/s): carica modelli da 70 a 120 miliardi di parametri che una scheda consumer da 24 o 32 GB non può contenere, ma genera più lentamente di una RTX 5090 sui modelli piccoli. Questa guida spiega nel dettaglio cosa ci sta, cosa è stato pubblicato sulla sua velocità e le macchine GB10 di altre marche, tra cui la GIGABYTE AI TOP ATOM.
Stai scegliendo un computer? Le nostre scelte per budget → · La nostra scheda NVIDIA DGX Spark →
Alternativa d'acquisto per questa guida: GMKtec EVO-X2 128 GB / 2 TB (Ryzen AI Max+ 395).
Un mini-PC è una macchina completa: verifica la memoria disponibile e la compatibilità del motore. Non sostituisce macOS/MLX o CUDA.
Perché questa scelta? La nostra scheda completa su GMKtec EVO-X2 128 GB / 2 TB (Ryzen AI Max+ 395) →
Confronta tutte le opzioni per budget, da 800 a 3 500 € →
In mobilità: quale portatile per l'IA locale →
Link affiliati — possibile commissione senza costi aggiuntivi per te. In qualità di Partner Amazon, QualeLLM realizza un profitto sugli acquisti idonei.
#Cos'è il DGX Spark
Il DGX Spark è un computer compatto costruito intorno al superchip NVIDIA GB10 Grace Blackwell. Combina sullo stesso chip una GPU Blackwell e una CPU ARM Grace (20 core), collegate a un unico pool di 128 GB di memoria LPDDR5X condivisa tra le due. È questa architettura a memoria unificata — la stessa filosofia di Apple Silicon — a rendere la macchina così interessante per l'IA locale.
Mentre una scheda grafica classica isola la propria VRAM (massimo 24 o 32 GB nei modelli di fascia consumer), il DGX Spark permette alla GPU di indirizzare direttamente i 128 GB. In pratica, il vincolo che blocca tutti quando usano una GPU — «il modello entra nella VRAM?» — scompare quasi. Il fattore limitante diventa la larghezza di banda della memoria, non la capacità.
- Chip
- NVIDIA GB10 Grace Blackwell (GPU Blackwell + CPU Arm a 20 core: 10 Cortex-X925 e 10 Cortex-A725)
- Memoria
- 128 GB LPDDR5X unificata, condivisa tra CPU e GPU (un'opzione da 64 GB esiste solo presso i partner di NVIDIA)
- Larghezza di banda
- 273 GB/s su 256 bit: il vero collo di bottiglia
- Rete
- ConnectX-7 a 200 Gb/s per collegare due macchine, più Ethernet 10 Gb e Wi-Fi 7
- Formato
- 150 × 150 × 50,5 mm, 1,2 kg, alimentatore da 240 W (140 W di TDP per il chip): molto meno ingombrante e rumoroso di un tower multi-GPU
- Sistema
- NVIDIA DGX OS, una distribuzione Linux derivata da Ubuntu
#128 GB unificati: cosa permette di fare
Per avere un'idea, ecco la VRAM approssimativa necessaria per un modello con quantizzazione Q4_K_M, la più comune per l'inferenza locale: un 7B rientra in circa 5 GB, un 14B in circa 9 GB, un 32B in circa 19 GB e un 70B in circa 40 GB. Su una RTX 5090 con i suoi 32 GB, un 70B Q4 quindi non rientra interamente nella VRAM: bisogna trasferirne una parte alla CPU tramite offload, il che fa crollare la velocità.
Con 128 GB di memoria unificata, il DGX Spark carica senza sforzo un 70B in Q4, Q5 o persino Q8, mantiene un margine per un contesto lungo (32k token e oltre) e lascia aperta la possibilità di usare modelli con oltre 100 miliardi di parametri con quantizzazione aggressiva. È la classe di modelli che, finora, richiedeva un Mac Studio di fascia alta oppure un sistema multi-GPU costoso e dai consumi elevati.
#DGX Spark 128 GB: memoria unificata, VRAM e opzione 64 GB
Il DGX Spark non ha VRAM separata: i 128 GB di LPDDR5X sono condivisi tra CPU e GPU. Non si tratta quindi di «128 GB di VRAM» nel senso di una scheda grafica GDDR7, ma la GPU può indirizzare gran parte di questa memoria (il sistema ne riserva una parte). NVIDIA dichiara inferenza fino a 200 miliardi di parametri su 128 GB (100 miliardi sulla versione da 64 GB venduta dai partner), fine-tuning fino a 70 miliardi di parametri e, con due macchine collegate, fino a 400 miliardi. Sono i dati del produttore.
- 70B Q4 (~40 GB)
- Agevole, con ampio margine per il contesto
- 70B Q8 (~75 GB)
- Possibile — qualità quasi FP16 su un modello di grandi dimensioni
- MoE tipo 120B in Q4
- Entra in memoria; la banda passante determina la velocità
- Più modelli caricati
- Un 32B + un 14B in parallelo per il routing o il multi-agent
#Quali modelli esegue
Il punto di forza del DGX Spark è la fascia da 30B a 120B, proprio dove le GPU consumer si bloccano per mancanza di VRAM. Pesi Q4 secondo il catalogo del sito.
- Qwen 3.8 27B
- Generalista dell'attuale generazione (circa 16 GB in Q4, 29 GB in Q8): sta in Q8 con un ampio margine per il contesto
- Qwen 3.6 35B-A3B e Qwen3-Coder 30B-A3B
- MoE veloci per il ragionamento e il codice, che entrano interamente in memoria anche in Q8
- gpt-oss 120B, Nemotron 3.5 Super 120B-A12B, Mistral Small 4
- Modelli da circa 120 miliardi di parametri, da 70 a 72 GB in Q4: ci stanno, è la classe di modelli a cui è destinata la macchina
- Nemotron 3.5 Bolt 74B-A9B
- Circa 43 GB in Q4, comodo con un contesto lungo
- GLM 5.x
- I GLM recenti del catalogo sono o piccoli (GLM 5.3 7B) o troppo grandi per 128 GB (GLM 5.3 Flash 320B-A18B: circa 186 GB in Q4): per l'uso come agente su GB10, preferisci i modelli qui sopra
- Modelli multimodali
- Gemma 4 e Qwen 3.8 (visione + testo) ci stanno senza compromessi
Per i modelli piccoli (da 7B a 14B), il DGX Spark funziona, ma è uno spreco: una RTX o un Mac mini li fa girare altrettanto velocemente occupando meno spazio e costando meno. La macchina si giustifica solo se punti regolarmente ai modelli grandi.
#Prestazioni reali nell'inferenza
Nell'inferenza locale contano due valori: la velocità di generazione (token al secondo, ciò che scorre sullo schermo) e il tempo di prefill (il ritardo prima del primo token, che dipende dalla lunghezza del prompt). La banda passante della memoria determina soprattutto la velocità di generazione.
NVIDIA non fornisce alcun valore di token al secondo sulla sua pagina prodotto. Il calcolo dà un limite massimo: la generazione di un modello denso da 40 GB (un 70B in Q4) non può superare 273 ÷ 40, ovvero circa 7 token al secondo. Un MoE come gpt-oss, che attiva solo una piccola parte dei suoi pesi a ogni token, è molto più veloce.
Quanto alle misurazioni pubblicate da terzi: il team LMSYS (progetto SGLang) dichiara circa 70 token al secondo su gpt-oss 20B e circa 50 su gpt-oss 120B su un DGX Spark, con SGLang; non specifica né la quantizzazione, né la lunghezza del contesto, né il metodo di misurazione dei tempi. Le misurazioni pubblicate da questo sito su macchine GB10 sono raccolte nelle guide qui sotto.
- GB10 128 GB: quali LLM funzionano davvero (misurazioni)
- GB10, Ryzen AI Max+ 395 o Mac: chi è più veloce?
#DGX Spark vs RTX 5090
È il confronto più eloquente, e contrappone due filosofie. Secondo NVIDIA, la RTX 5090 offre 32 GB di GDDR7 su un bus a 512 bit (575 W di potenza grafica totale); il DGX Spark, 128 GB di LPDDR5X su 256 bit a 273 GB/s. La scheda è quindi nettamente più veloce in larghezza di banda, e molto avanti in token al secondo su tutto ciò che sta nei suoi 32 GB.
Ma la 5090 incontra un limite netto: oltre ~32 GB deve trasferire parte del carico alla CPU e le prestazioni crollano. Un modello 70B Q4 (~40 GB) non entra interamente nella sua memoria. Il DGX Spark, invece, gestisce quello stesso 70B senza difficoltà — più lentamente, ma tenendolo tutto in memoria. La scelta si riduce a una domanda: il tuo carico di lavoro sta sotto i 32 GB?
- Resti a 32 GB o meno (fino a circa 32B in Q4)
- RTX 5090: molto più veloce e versatile (gioco, rendering, CUDA)
- Punti a 70B e oltre
- DGX Spark: il modello entra in memoria dove la 5090 non ce la fa
- Consumi e rumorosità
- DGX Spark: alimentatore da 240 W, peso di 1,2 kg; una 5090 da sola è indicata con 575 W di potenza grafica
- Ecosistema CUDA completo
- Entrambi; Spark aggiunge lo stack DGX/NVIDIA completo, da un'estremità all'altra
#DGX Spark vs Mac Studio
Il vero rivale del DGX Spark non è una scheda grafica, è il Mac Studio. I due condividono la stessa idea — una grande quantità di memoria unificata in un case compatto e sobrio — e si rivolgono allo stesso pubblico: gli sviluppatori che vogliono grandi modelli in locale senza assemblare un rig.
Il Mac Studio (chip Ultra) arriva a molta più memoria unificata di 128 GB a seconda delle configurazioni (vedi la nostra guida al Mac Studio), con macOS, Metal e un ecosistema maturo (Ollama, LM Studio, MLX). Il punto di forza del DGX Spark: CUDA nativo. Se la tua pipeline dipende da librerie CUDA, da TensorRT o da strumenti NVIDIA, lo Spark parla la stessa lingua dei tuoi server di produzione.
- Capacità massima della memoria
- Mac Studio: ben oltre 128 GB a seconda della configurazione; DGX Spark: 128 GB, fino a 256 GB con due macchine collegate
- Ecosistema software
- Mac: Metal/MLX maturi; Spark: CUDA nativo, continuità con i server NVIDIA
- Portabilità del codice IA
- Spark esegue senza difficoltà il codice scritto per GPU NVIDIA nel cloud o nei data center
- Uso da ufficio
- Il Mac Studio è una postazione di lavoro completa; lo Spark è una stazione dedicata all’IA
#Installarci Ollama
Il DGX Spark gira su una base Linux (DGX OS, derivato da Ubuntu) con lo stack CUDA preinstallato. Ollama vi funziona come su qualsiasi macchina Linux con GPU NVIDIA: il daemon rileva la GPU e serve i modelli sulla sua porta abituale.
- 01Installare OllamaScript ufficiale con un solo comando. Configura il servizio systemd e rileva automaticamente la GPU Blackwell tramite CUDA.
- 02Verificare il rilevamento della GPUVerifica che la GPU venga rilevata correttamente prima di avviare un modello di grandi dimensioni, altrimenti l'inferenza verrebbe eseguita sulla CPU.
- 03Scaricare un modello di grandi dimensioniScarica un grande MoE del 2026 alla massima qualità (un Qwen3-Coder 30B in Q8, o il modello di punta Qwen 3.8 27B e il suo contesto di 262k) per sfruttare la memoria: è esattamente il caso d'uso previsto per questa macchina.
- 04Avviare e collegare un'interfacciaIl daemon è in ascolto per impostazione predefinita su http://localhost:11434; configura Open WebUI o LM Studio in modo che si colleghino a questo indirizzo.
Il demone Ollama espone un'API compatibile sulla porta 11434. Per sfruttare la memoria, privilegia modelli che le GPU tradizionali non possono caricare da sole e aumenta la finestra di contesto, visto che hai spazio a disposizione. Nota che Qwen 3.8 27B tende a ragionare eccessivamente con l'impostazione di ragionamento predefinita: imposta il suo livello di ragionamento su basso (low) per ottenere risposte più dirette.
#Un chip, otto macchine: i cloni certificati
NVIDIA ha fatto del GB10 una piattaforma: oltre al suo DGX Spark Founders Edition, la pagina prodotto di NVIDIA cita sette partner (Acer, ASUS, Dell, Gigabyte, HP, Lenovo, MSI) che vendono un sistema GB10 con il proprio marchio. Stesso chip, memoria di base da 128 GB; le differenze riguardano lo storage, lo chassis, il software incluso, il supporto e il canale di vendita. I prezzi sono fissati da ciascun produttore.
| Macchina | Produttore | Da sapere |
|---|---|---|
| DGX Spark Founders Edition | NVIDIA | Il riferimento: 128 GB, fino a 4 TB di archiviazione |
| Ascent GX10 | Asus | Sistema GB10 di ASUS |
| Veriton GN100 | Acer | Sistema GB10 di Acer |
| AI TOP ATOM | Gigabyte | Sistema GB10 di GIGABYTE; le sue misure sono pubblicate nelle nostre guide ATOM |
| EdgeXpert MS-C931 | MSI | Sistema GB10 di MSI |
| Pro Max GB10 | Dell | Sistema GB10 di Dell |
| ThinkStation PGX | Lenovo | Sistema GB10 di Lenovo |
| ZGX Nano | HP | Sistema GB10 di HP |
La porta ConnectX-7 integrata permette, secondo NVIDIA, di collegare due unità con un cavo QSFP diretto, senza switch, e di affrontare modelli fino a 400 miliardi di parametri. Quattro macchine richiedono uno switch esterno.
#DGX Spark o GIGABYTE AI TOP ATOM: cosa guardare
La GIGABYTE AI TOP ATOM è una macchina GB10: il chip è lo stesso del DGX Spark. Il sito ha pubblicato misurazioni e confronti sull'ATOM; queste guide indicano cosa cambia davvero nell'uso. Il DGX Spark in sé non è stato oggetto di queste misurazioni sul sito.
- AI TOP ATOM vs DGX Spark: quali sono le differenze reali?
- GB10 128 GB: quali LLM funzionano davvero (misurazioni)
- LLM 70B in locale su GB10: il tutorial completo
- Fine-tuning locale su GB10: misurazioni e metodo
- Assistente IA privato per PMI su GB10: misurazioni
#DGX Spark: prezzo e disponibilità
Il prezzo pubblicato da NVIDIA riguarda il DGX Spark Founders Edition negli Stati Uniti: 3 999 dollari al lancio, portato a 4 699 dollari da NVIDIA in un annuncio del 25 febbraio 2026, a causa dei vincoli di approvvigionamento della memoria. NVIDIA precisa che questo prezzo si applica a tutte le regioni e che i sistemi dei produttori partner non sono interessati: il loro prezzo è fissato da ciascun marchio. La pagina prodotto di NVIDIA non indica alcun prezzo e rimanda al NVIDIA Marketplace; non indica né una data di spedizione né un prezzo in euro.
- Dove acquistarlo
- Sul NVIDIA Marketplace, o presso i partner di distribuzione citati da NVIDIA (Amazon, Micro Center, PNY, TD SYNNEX, Best Buy); i produttori partner vendono la propria versione.
- Prezzi in Francia
- NVIDIA non mostra prezzi in euro sulla sua pagina prodotto: consulta la scheda del rivenditore o del produttore che hai scelto.
- Versione da 64 GB
- Disponibile solo presso i partner di NVIDIA, secondo la pagina prodotto.
#Domande frequenti
Il GB10 del DGX Spark: che cos'è esattamente?+
Quanto costa il DGX Spark?+
Il DGX Spark ha 128 GB di VRAM?+
Che differenza c'è tra il DGX Spark e i suoi equivalenti Asus, Acer o Gigabyte?+
Si può far girare un modello da 400 miliardi di parametri con due macchine?+
DGX Spark o macchina Strix Halo?+
#Per chi questo formato ha senso
Il DGX Spark non è una macchina destinata al grande pubblico. È interessante soprattutto per profili specifici, per i quali il limite della VRAM è il vero problema quotidiano.
- Sviluppatori IA con CUDA
- Prototipare localmente codice destinato alle GPU NVIDIA di produzione, senza sorprese nel porting
- Ricercatori e team R&D
- Fine-tuning leggero e inferenza di modelli di grandi dimensioni senza prenotare tempo di utilizzo delle GPU nel cloud
- Utenti avanzati di modelli da 70B in su
- Chi si scontra continuamente con il limite di 24–32 GB di una scheda consumer
- Desktop sensibili al rumore/consumo
- Una workstation silenziosa e a basso consumo anziché un rig multi-GPU
Al contrario, se giochi, se esegui soprattutto modelli da 32 miliardi di parametri o meno, o se hai un budget limitato, una RTX 5090 (o una RTX 4070/4080) o un Mac mini sarà più veloce e più semplice. Il DGX Spark si giustifica quando il bisogno di una memoria enorme conta più del throughput puro.
#Fonti e verifica del 16 novembre 2026
Le caratteristiche, i partner e il prezzo statunitense provengono dalle pagine di NVIDIA ricontrollate il 16 novembre 2026. La velocità su gpt-oss proviene da LMSYS; le misurazioni del sito su macchine GB10 si trovano nelle guide dedicate.
- Fonte: NVIDIA, pagina prodotto DGX Spark
- Fonte: NVIDIA, annuncio della variazione di prezzo (febbraio 2026)
- Fonte: NVIDIA, confronto delle schede GeForce RTX 50
- Fonte: LMSYS, gpt-oss su DGX Spark
#Per approfondire
Il DGX Spark si apprezza meglio confrontandolo con le alternative già trattate sul sito. Queste guide permettono di approfondire la riflessione:
- Quale LLM usare su una RTX 5090 (32 GB)?
- Il confronto dettagliato della scheda consumer più veloce, per valutare il compromesso tra velocità di elaborazione e capacità.
- Quale LLM su Mac Studio?
- L'altra grande macchina con memoria unificata, fino a 512 GB — la vera rivale della DGX Spark.
- Scegliere la GPU per l'IA locale
- Per definire il tuo fabbisogno di VRAM prima di spendere e capire dove si colloca ogni opzione.
- PC portatile RTX Spark
- Il chip RTX Spark dei portatili Windows: situazione attuale, prezzi annunciati e modelli.
- AI TOP ATOM vs DGX Spark
- Le differenze reali tra la macchina GIGABYTE e quella di NVIDIA.
- Portatile RTX Spark: prezzo e data
- Quale LLM usare su una RTX 5090 (32 GB)?
- Quale LLM su Mac Studio?
- Quale GPU per un LLM locale?
Un feedback, un errore, una precisazione? Facci sapere, così la guida migliora per tutti.