Nvidia monta minicluster de quatro DGX Spark com 512 GB para modelos de até 700 bilhões de parâmetros
Rodar modelos grandes na própria mesa esbarra na memória, não na velocidade: os pesos simplesmente não cabem. Na SC26, a Nvidia apresentou o DGX Spark HPC Developer Kit, formado por quatro minicomputadores de 128 GB cada, somando 512 GB de memória. A empresa afirma que isso basta para executar localmente modelos de até 700 bilhões de parâmetros, sem recorrer à nuvem. O preço não foi informado, mas quatro DGX Spark comprados separadamente custam quase 28 mil dólares.
Processado por IA de Habr AI; editado por Hamidun News
O principal obstáculo para rodar grandes modelos de linguagem localmente não é a velocidade de processamento, e sim a memória: se os pesos não cabem, o modelo simplesmente não inicia. Na conferência SC26, em Chicago, a Nvidia apresentou o DGX Spark HPC Developer Kit, um cluster de quatro computadores compactos DGX Spark. Cada um tem 128 GB de memória, o que soma 512 GB.
Segundo a empresa, isso é suficiente para executar localmente modelos de até 700 bilhões de parâmetros. A conta mais simples é a seguinte: um modelo de 700 bilhões de parâmetros em formato de 4 bits ocupa cerca de 350 GB (estimativa nossa, não um número da Nvidia). Em uma única máquina com 128 GB ele não cabe; nas quatro unidas, cabe.
Para o desenvolvedor, isso significa poder trabalhar com código ou dados confidenciais na própria infraestrutura, sem alugar GPUs na nuvem.
Que há por dentro
Cada nó é construído em torno do superchip GB10 Grace Blackwell, que combina um processador Arm de 20 núcleos e uma GPU Blackwell. A memória do nó é de 128 GB LPDDR5X, compartilhada entre CPU e GPU, de modo que os dados não precisam ser copiados entre a memória RAM e a memória de vídeo. O desempenho de pico de um nó é de 1 petaflop em operações FP4. Um petaflop equivale a um quatrilhão de operações por segundo, e FP4 é um formato numérico de 4 bits, muito usado para rodar modelos comprimidos. Os quatro nós somam cerca de 4 petaflops pela mesma métrica. O armazenamento NVMe total é de 16 TB.
Os nós são ligados em anel por placas de rede Nvidia ConnectX-7: cada DGX Spark se conecta a dois vizinhos. Por isso, não é preciso um switch de rede separado, o que simplifica a montagem em uma mesa de trabalho ou em um laboratório pequeno. O anúncio não traz detalhes sobre a velocidade de troca de dados entre os nós.
Para quem é e como fica o software
O kit se destina a pesquisadores e desenvolvedores que precisam rodar modelos de AI localmente, depurar aplicações distribuídas e executar cálculos que consomem muitos recursos. Pense em uma equipe que escreve um programa científico para um grande supercomputador. Primeiro, o código pode ser testado nos quatro nós, na própria bancada; depois, é enviado para a fila de um sistema caro.
Para essas tarefas, a Nvidia prepara um guia de implantação do HPC SDK. O pacote inclui compiladores C, C++ e Fortran acelerados por GPU, bibliotecas e ferramentas de troca de mensagens MPI para aplicações científicas.
Preço e pontos de atenção
É possível encomendar o kit desde já, mas a Nvidia não informa o preço em seu site: para saber mais, é preciso enviar uma solicitação. Uma referência vem do varejo: quatro DGX Spark avulsos, com 128 GB de memória e SSD de 4 TB, custam quase 28 mil dólares. Esse valor não inclui a interconexão nem equipamentos adicionais. Quanto custará o conjunto pronto, não se sabe.
A conclusão prática é esta. Se a carga de trabalho é constante e os dados são sensíveis (código interno, documentos médicos ou jurídicos), um cluster local pode ser uma alternativa razoável à nuvem. Se o modelo é necessário apenas de vez em quando, o aluguel provavelmente continuará mais barato, mas, para chegar a uma conclusão precisa, vale calcular a sua carga.
Há ainda uma ressalva. A afirmação sobre os 700 bilhões de parâmetros vem do fabricante, e ainda não existem medições independentes da velocidade de geração com modelos desse porte. A memória LPDDR5X costuma ser mais lenta do que a usada em aceleradores para servidores, então, nos maiores modelos, a velocidade de resposta pode ser modesta. Antes de comprar, faz sentido esperar os primeiros testes independentes e compará-los com os seus requisitos.
- 19 de nov. de 2026Nodul roda DeepSeek V4.1 Flash em 2 H200 em vez de 8 e acelera a geração para 36,4 tokens/s
- 19 de nov. de 2026Rubin entrega 50 PFLOPS por chip e o TPU 8t, 12,6, mas o Google compensa na escala
- 18 de nov. de 2026AWS integra o Dynamo ao HyperPod: Qwen3-235B entrega 207 tokens/s por GPU, em vez de 101
- 18 de nov. de 2026Jensen Huang deixa o cargo de CEO da NVIDIA, e a empresa perde mais de US$1 trilhão em valor de mercado
Perguntas frequentes sobre a notícia
O que se sabe sobre Que há por dentro?
Cada nó é construído em torno do superchip GB10 Grace Blackwell, que combina um processador Arm de 20 núcleos e uma GPU Blackwell. A memória do nó é de 128 GB LPDDR5X, compartilhada entre CPU e GPU, de modo que os dados não precisam ser copiados entre a memória RAM e a memória de vídeo. O desempenho de pico de um nó é de 1 petaflop em operações FP4. Um petaflop equivale a um quatrilhão de operações por segundo, e FP4 é um formato numérico de 4 bits, muito usado para rodar modelos comprimidos.
O que se sabe sobre Para quem é e como fica o software?
O kit se destina a pesquisadores e desenvolvedores que precisam rodar modelos de AI localmente, depurar aplicações distribuídas e executar cálculos que consomem muitos recursos. Pense em uma equipe que escreve um programa científico para um grande supercomputador. Primeiro, o código pode ser testado nos quatro nós, na própria bancada; depois, é enviado para a fila de um sistema caro. Para essas tarefas, a Nvidia prepara um guia de implantação do HPC SDK.
O que se sabe sobre Preço e pontos de atenção?
É possível encomendar o kit desde já, mas a Nvidia não informa o preço em seu site: para saber mais, é preciso enviar uma solicitação. Uma referência vem do varejo: quatro DGX Spark avulsos, com 128 GB de memória e SSD de 4 TB, custam quase 28 mil dólares. Esse valor não inclui a interconexão nem equipamentos adicionais. Quanto custará o conjunto pronto, não se sabe. A conclusão prática é 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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.