Intermedio 14 minMini-PC

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

NVIDIA DGX Spark: il mini-PC per l'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 →

Di Samir K.·Agg. 2026-11-19·Testato su Windows, macOS e Linux
Hardware consigliato

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
i
Non è un sostituto di un datacenter
Il DGX Spark è pensato per il prototipaggio, il fine-tuning leggero e l'inferenza locale di grandi modelli — non per l'addestramento su larga scala né per l'erogazione del servizio con carichi elevati. NVIDIA lo presenta come una stazione personale per lo sviluppo di IA.

#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
→
La memoria non è la velocità
Caricare un modello e farlo funzionare velocemente sono due cose diverse. I 128 GB garantiscono che il modello trovi spazio in memoria; sono i circa 273 GB/s di larghezza di banda a determinare i token al secondo. Con i modelli molto grandi, aspettati un'inferenza fluida per la lettura, non raffiche di generazione.

#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.

i
GB10: un superchip da data center a casa
Il cuore dello Spark è il GB10 Grace Blackwell: 20 core Arm saldati a una GPU Blackwell, fino a 1 petaFLOP in FP4 (dato teorico di NVIDIA, con sparsità) e 128 GB di memoria unificata. Offre l'ecosistema CUDA completo, il che lo rende un ponte tra la sperimentazione a casa e il deployment su server NVIDIA.

#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.

!
Non confrontare i token/sec fuori contesto
Un valore in token/sec ha senso solo insieme al modello esatto, alla quantizzazione, alla dimensione del contesto e al motore di inferenza. I valori sopra sono ordini di grandezza per orientarsi, non garanzie. Misura le prestazioni sul tuo carico di lavoro prima di decidere un acquisto.

#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
i
Il criterio che spesso fa la differenza
Se stai prototipando codice destinato a essere eseguito su GPU NVIDIA in produzione, il DGX Spark elimina le sorprese nel porting. Se cerchi soprattutto un'inferenza locale comoda e una macchina versatile, il Mac Studio è più flessibile. Il resto è una questione di banda passante e budget.

#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.

  1. 01
    Installare Ollama
    Script ufficiale con un solo comando. Configura il servizio systemd e rileva automaticamente la GPU Blackwell tramite CUDA.
  2. 02
    Verificare il rilevamento della GPU
    Verifica che la GPU venga rilevata correttamente prima di avviare un modello di grandi dimensioni, altrimenti l'inferenza verrebbe eseguita sulla CPU.
  3. 03
    Scaricare un modello di grandi dimensioni
    Scarica 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.
  4. 04
    Avviare e collegare un'interfaccia
    Il 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.
Terminale — installazione
# Installer Ollama (Linux / DGX OS)
curl -fsSL https://ollama.com/install.sh | sh

# Vérifier que le GPU Blackwell est détecté
nvidia-smi

# Tirer et lancer un gros MoE 2026 en pleine qualité (exploite la mémoire unifiée)
ollama run qwen3-coder:30b-a3b-q8_0

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.

Terminale — contesto esteso
# Servir Qwen 3.8 27B avec un grand contexte depuis un Modelfile
cat > Modelfile <<'EOF'
FROM qwen3.8:27b
PARAMETER num_ctx 131072
EOF

ollama create qwen38-128k -f Modelfile
ollama run qwen38-128k
→
Collegare due Spark in cascata
La porta di rete ConnectX 200 GbE consente di collegare due DGX Spark per sommare la memoria e puntare a modelli oltre i 128 GB. È il percorso di espansione previsto da NVIDIA se un solo dispositivo non basta più.

#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.

Gli 8 sistemi GB10 (partner citati da NVIDIA, novembre 2026)
MacchinaProduttoreDa sapere
DGX Spark Founders EditionNVIDIAIl riferimento: 128 GB, fino a 4 TB di archiviazione
Ascent GX10AsusSistema GB10 di ASUS
Veriton GN100AcerSistema GB10 di Acer
AI TOP ATOMGigabyteSistema GB10 di GIGABYTE; le sue misure sono pubblicate nelle nostre guide ATOM
EdgeXpert MS-C931MSISistema GB10 di MSI
Pro Max GB10DellSistema GB10 di Dell
ThinkStation PGXLenovoSistema GB10 di Lenovo
ZGX NanoHPSistema 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.

#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?+
Un «superchip»: un processore Arm Grace a 20 core e una GPU Blackwell collegati tramite NVLink-C2C, che condividono 128 GB di memoria unificata LPDDR5X. NVIDIA dichiara fino a 1 petaFLOP in FP4, un dato teorico che tiene conto della sparsità.
Quanto costa il DGX Spark?+
Il prezzo indicato da NVIDIA per la Founders Edition è di 4.699 dollari negli Stati Uniti da febbraio 2026 (3.999 dollari al lancio). Nessun prezzo in euro è indicato sulla pagina prodotto di NVIDIA; i computer delle altre marche hanno un proprio prezzo.
Il DGX Spark ha 128 GB di VRAM?+
No: ha 128 GB di memoria unificata LPDDR5X condivisa tra CPU e GPU, a 273 GB/s. La GPU può usarne gran parte, ma non è VRAM GDDR7. Presso alcuni partner esiste una versione da 64 GB.
Che differenza c'è tra il DGX Spark e i suoi equivalenti Asus, Acer o Gigabyte?+
Nessuna a livello di chip: tutti integrano il GB10. Le differenze sono lo storage, lo chassis, il software incluso, l'assistenza e il prezzo. La GIGABYTE AI TOP ATOM è seguita dalle guide ATOM del sito, che pubblicano misurazioni.
Si può far girare un modello da 400 miliardi di parametri con due macchine?+
NVIDIA lo annuncia: due DGX Spark collegati tramite cavo QSFP (256 GB in totale) servono modelli fino a 400 miliardi di parametri, con una quantizzazione adeguata. La velocità dipende dalla larghezza di banda e dal motore; nessun throughput è garantito.
DGX Spark o macchina Strix Halo?+
Entrambi offrono 128 GB unificati. Il GB10 porta CUDA e l'ecosistema NVIDIA; Strix Halo porta Windows e la versatilità. Il nostro confronto dedicato entra nel dettaglio profilo per profilo.

#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.

!
La trappola del numero magico
«128 GB» fa impressione, ma non noleggiare questa capacità per far girare un 8B. Acquista questa macchina per ciò che ti permette davvero di fare — eseguire in locale modelli della fascia 70B–120B — oppure pagherai cara una capacità che non utilizzerai mai.

#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.

#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.
Questa guida ti è stata utile?

Un feedback, un errore, una precisazione? Facci sapere, così la guida migliora per tutti.