Nvidia monta un minicl��ster de 512 GB con cuatro DGX Spark para modelos de hasta 700 mil millones de parámetros
Al ejecutar modelos grandes en el escritorio, el cuello de botella no es la velocidad, sino la memoria: los pesos simplemente no caben. En SC26, Nvidia presentó el DGX Spark HPC Developer Kit, formado por cuatro minicomputadoras de 128 GB cada una, con 512 GB de memoria en conjunto. La compañía afirma que es suficiente para ejecutar en local modelos de hasta 700 mil millones de parámetros, sin recurrir a la nube. No ha revelado el precio, pero cuatro DGX Spark por separado cuestan casi 28 mil dólares.
Procesado por IA desde Habr AI; editado por Hamidun News
El principal problema de ejecutar grandes modelos de lenguaje en local no es la velocidad de cálculo, sino la memoria: si los pesos no caben, el modelo simplemente no arranca. En la conferencia SC26, celebrada en Chicago, Nvidia presentó el DGX Spark HPC Developer Kit, un clúster de cuatro compactos DGX Spark. Cada uno tiene 128 GB de memoria, lo que suma 512 GB.
Según la compañía, es suficiente para ejecutar en local modelos de hasta 700 mil millones de parámetros. Un cálculo sencillo lo ilustra: un modelo de 700 mil millones de parámetros en formato de 4 bits ocupa en torno a 350 GB (es una estimación nuestra, no una cifra de Nvidia). En una sola máquina de 128 GB no cabe, pero en cuatro unidas sí.
Para un desarrollador, esto significa que puede trabajar con código o datos confidenciales en sus propias instalaciones, sin alquilar GPU en la nube.
Qué hay dentro
Cada nodo se basa en el superchip GB10 Grace Blackwell: un procesador Arm de 20 núcleos y un acelerador gráfico Blackwell. La memoria del nodo es de 128 GB LPDDR5X, compartida entre CPU y GPU, así que no hace falta copiar datos entre la memoria RAM y la de vídeo. El rendimiento máximo de un nodo es de 1 petaflop en operaciones FP4. Un petaflop equivale a un cuatrillón de operaciones por segundo, y FP4 es un formato numérico de 4 bits con el que a menudo se ejecutan modelos comprimidos. Los cuatro nodos suman en torno a 4 petaflops según la misma métrica. El almacenamiento NVMe total es de 16 TB.
Los nodos se conectan en anillo mediante tarjetas de red Nvidia ConnectX-7: cada DGX Spark se enlaza con dos vecinos. Por eso no se necesita un switch de red independiente, lo que simplifica el montaje en un escritorio o en un laboratorio pequeño. El anuncio no ofrece detalles sobre la velocidad de intercambio entre nodos.
Para quién es y qué hay en el software
El kit está pensado para investigadores y desarrolladores que necesitan ejecutar modelos de AI en local, depurar aplicaciones distribuidas y realizar cálculos que consumen muchos recursos. Imagine un equipo que escribe un programa científico para un gran superordenador. Primero puede probar el código en cuatro nodos propios y después enviarlo a la cola de un sistema caro.
Para estas tareas, Nvidia prepara una guía de despliegue del HPC SDK. El paquete incluye compiladores de C, C++ y Fortran con aceleración por GPU, bibliotecas y herramientas de paso de mensajes MPI para aplicaciones científicas.
Precio y qué tener en cuenta
El kit ya se puede reservar, pero Nvidia no indica el precio en su web: para conocer los detalles hay que dejar una solicitud. Una referencia la dan los precios de venta al público: cuatro DGX Spark sueltos, con 128 GB de memoria y SSD de 4 TB, cuestan casi 28 mil dólares. Esa cifra no incluye conmutación ni equipamiento adicional. Cuánto costará el conjunto ya montado, se desconoce.
La conclusión práctica es esta. Si la carga es constante y los datos son sensibles (código interno, documentos médicos o jurídicos), un clúster local puede ser una alternativa razonable a la nube. Si el modelo se necesita solo de forma esporádica, lo más probable es que el alquiler siga saliendo más barato, aunque para una conclusión precisa conviene calcular su carga de trabajo.
Hay además una salvedad. La cifra de 700 mil millones de parámetros es una declaración del fabricante, y por ahora no existen mediciones independientes de la velocidad de generación con modelos de ese tamaño. La memoria LPDDR5X suele ser más lenta que la de los aceleradores de servidor, por lo que con los modelos más grandes la velocidad de respuesta puede ser modesta. Antes de comprar, tiene sentido esperar a las primeras pruebas independientes y compararlas con sus requisitos.
- 19 nov 2026Nodul ejecuta DeepSeek V4.1 Flash en 2 H200 en lugar de 8 y acelera la generación hasta 36,4 tokens/s
- 19 nov 2026Rubin ofrece 50 PFLOPS por chip y TPU 8t, 12,6, pero Google gana por escala
- 18 nov 2026AWS integra Dynamo en HyperPod: Qwen3-235B pasa de 101 a 207 tokens/s por GPU
- 18 nov 2026Huang deja el cargo de CEO de NVIDIA y la compañía pierde más de $1 billón en capitalización
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hay dentro?
Cada nodo se basa en el superchip GB10 Grace Blackwell: un procesador Arm de 20 núcleos y un acelerador gráfico Blackwell. La memoria del nodo es de 128 GB LPDDR5X, compartida entre CPU y GPU, así que no hace falta copiar datos entre la memoria RAM y la de vídeo. El rendimiento máximo de un nodo es de 1 petaflop en operaciones FP4. Un petaflop equivale a un cuatrillón de operaciones por segundo, y FP4 es un formato numérico de 4 bits con el que a menudo se ejecutan modelos comprimidos.
¿Qué se sabe sobre Para quién es y qué hay en el software?
El kit está pensado para investigadores y desarrolladores que necesitan ejecutar modelos de AI en local, depurar aplicaciones distribuidas y realizar cálculos que consumen muchos recursos. Imagine un equipo que escribe un programa científico para un gran superordenador. Primero puede probar el código en cuatro nodos propios y después enviarlo a la cola de un sistema caro. Para estas tareas, Nvidia prepara una guía de despliegue del HPC SDK.
¿Qué se sabe sobre Precio y qué tener en cuenta?
El kit ya se puede reservar, pero Nvidia no indica el precio en su web: para conocer los detalles hay que dejar una solicitud. Una referencia la dan los precios de venta al público: cuatro DGX Spark sueltos, con 128 GB de memoria y SSD de 4 TB, cuestan casi 28 mil dólares. Esa cifra no incluye conmutación ni equipamiento adicional. Cuánto costará el conjunto ya montado, se desconoce. La conclusión práctica es esta.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.