NVIDIA DGX Spark: lokalne modele LLM i realna cena
Osobista maszyna z 128 GB pamięci, która uruchamia modele do 200 mld parametrów u Ciebie na biurku. Sprawdzamy cenę, pomiary i haczyki.
Redakcja Neurise
6 min czytania
17 czerwca 2026
NVIDIA DGX Spark to komputer wielkości grubej książki, który uruchamia u Ciebie na biurku modele do 200 miliardów parametrów. Ma 128 GB pamięci zunifikowanej, a od tygodnia 23 lutego 2026 kosztuje 4 699 $ zamiast wcześniejszych 3 999 $. Największym ograniczeniem nie jest jednak pojemność pamięci, tylko jej przepustowość: 273 GB/s decyduje o tym, jak szybko duży model odpowiada.
W skrócie
- Cena katalogowa 4 699 $ od tygodnia 23 lutego 2026, wcześniej 3 999 $. Podwyżka o 700 $ wynikała z braków pamięci, sprzęt się nie zmienił.
- 128 GB pamięci zunifikowanej LPDDR5x, modele do 200 mld parametrów na jednej maszynie i do 700 mld po spięciu czterech.
- Przepustowość 273 GB/s jest realnym sufitem: w pomiarach LMSYS Llama 3.1 70B generowała 2,7 tokena na sekundę.
- Mniejsze modele działają sprawnie: GPT-OSS 20B osiągnął 49,7 tokena na sekundę, a Llama 3.1 8B przy 32 równoległych zapytaniach 368.
- Zasilacz 240 W, dysk 4 TB NVMe i układ GB10 Grace Blackwell o mocy do 1 PFLOP w precyzji FP4.
Co dokładnie kupujesz
DGX Spark to gotowa stacja z układem GB10 Grace Blackwell, dwudziestordzeniowym procesorem Arm i systemem NVIDIA DGX OS. Kluczowy jest sposób, w jaki zorganizowano pamięć: jest wspólna dla procesora i układu graficznego, więc model nie musi być w kółko przerzucany między dwoma pulami. To właśnie ta architektura pozwala mieścić modele, które na kartę konsumencką po prostu nie wchodzą.
- 128 GB pamięci zunifikowanej i deklarowana obsługa modeli do 200 mld parametrów w inferencji.
- 273 GB/s przepustowości pamięci, według specyfikacji producenta.
- Do 1 PFLOP w precyzji FP4 oraz pełny ekosystem CUDA, czyli zgodność z narzędziami, które już znasz.
- 4 TB dysku NVMe z szyfrowaniem i karta sieciowa ConnectX-7 200 Gbps do spinania maszyn.
- Do czterech maszyn w klastrze, co producent wiąże z modelami do 700 mld parametrów.
Skąd wzięła się podwyżka o 700 dolarów
Na premierze DGX Spark kosztował 3 999 $. W komunikacie z tygodnia 23 lutego 2026 NVIDIA podniosła cenę katalogową do 4 699 $ i wprost napisała, że to skutek ogólnobranżowych ograniczeń w dostawach pamięci. Producent zaznaczył dwie rzeczy, które warto zapamiętać: sprzęt się nie zmienił, a złożone wcześniej zamówienia realizowane są po starej cenie. Podwyżka objęła wszystkie rynki.
To nie jest odosobniony przypadek, tylko objaw szerszego zjawiska. Pisaliśmy o tym, jak pamięci drożeją przez supercykl napędzany przez AI oraz o tym, że głód pamięci podnosi cenę zwykłego komputera. Jeśli planujesz zakup, traktuj cenę katalogową jako zdjęcie stanu na dziś, a nie jako stałą.
Pojemność pamięci mówi, jak duży model wejdzie na maszynę. Przepustowość mówi, jak szybko ten model odpowie. To dwie zupełnie różne obietnice.
Pojemność to nie prędkość
Przy generowaniu odpowiedzi model musi przeczytać swoje wagi z pamięci dla każdego kolejnego tokenu. Prędkość pisania zależy więc nie od tego, ile pamięci masz, tylko jak szybko da się z niej czytać. Przy takiej przepustowości duży model odpowiada wolno, bo na jeden token przypada odczyt kilkudziesięciu gigabajtów.
Widać to w pomiarach zespołu LMSYS, który przetestował DGX Spark na kilku modelach. Llama 3.1 70B w FP8 osiągnęła 803 tokeny na sekundę w fazie wczytywania promptu, ale tylko 2,7 tokena na sekundę przy generowaniu odpowiedzi. Mniejsze modele wypadają zupełnie inaczej: GPT-OSS 20B uruchomiony przez Ollamę dał 49,7 tokena na sekundę, a Llama 3.1 8B w SGLang 20,5 tokena przy pojedynczym zapytaniu i 368 przy 32 zapytaniach naraz. Ta sama maszyna, różne modele i różne frameworki, a wyniki dzieli rząd wielkości.
Dla porównania autorzy zmierzyli też karty graficzne. Na GPT-OSS 20B konsumencka RTX 5090 okazała się około czterokrotnie szybsza. Wniosek zespołu LMSYS jest spójny z tym, co obiecuje sam producent: to maszyna do prototypowania, eksperymentów i lokalnej inferencji, a nie zamiennik pełnowymiarowych kart w serwerowni.
Po co w ogóle uruchamiać model lokalnie
Trzy powody trzymają się mocno. Prywatność: dane nie opuszczają maszyny, co ma znaczenie przy dokumentach klientów, danych kadrowych i wszystkim, co podpada pod RODO. Przewidywalność kosztu: płacisz raz za sprzęt i potem za prąd, zamiast rozliczać się za każdy token. Kontrola: nikt nie wycofa modelu, nie zmieni limitów ani nie przepisze regulaminu w środku Twojego wdrożenia.
Warto zestawić to z drugą stroną. Lokalna maszyna to Twoja odpowiedzialność: aktualizacje, kopie zapasowe, dostęp zdalny i ktoś, kto to ogarnia. Jeśli szukasz najtańszej drogi do działającego asystenta, przeczytaj najpierw, czy w Twoim przypadku lepszy jest gotowy chatbot, czy dedykowany agent AI.
Co to znaczy dla małej firmy w Polsce
Cena katalogowa producenta to nie jest kwota, którą zapłacisz w Polsce. Do rachunku dojdzie VAT i marża sprzedawcy, więc zanim uznasz zakup za przesądzony, poproś o konkretną ofertę w złotówkach. Druga rzecz to prąd: zasilacz ma 240 W, czyli maszyna pracująca na pełnych obrotach zużywa mniej więcej tyle, co mocny komputer stacjonarny, a nie tyle, co szafa serwerowa.
Najuczciwszy sposób policzenia opłacalności jest nudny: wyciągnij faktury za ostatnie trzy miesiące i zsumuj, ile naprawdę wydajesz na API i abonamenty AI. Jeśli wychodzi kwota rzędu kilkudziesięciu złotych, sprzęt za kilkanaście tysięcy nie zwróci się nigdy. Jeśli rachunki rosną co miesiąc, warto najpierw sprawdzić, czy problemem nie jest sposób korzystania z modeli, o czym pisaliśmy przy okazji przepalania budżetów na AI. Zakup sprzętu naprawia koszt tylko wtedy, gdy zużycie jest realnie duże i stałe.
Druga strona medalu
- Cena już raz się zmieniła w ciągu roku, i to bez zmian w sprzęcie. Nikt dziś nie zagwarantuje, że zostanie na obecnym poziomie.
- Nie znamy stabilnej ceny detalicznej w Polsce. Podajemy katalog producenta, bo tylko on jest potwierdzony.
- Wyniki wydajności pochodzą z jednego zespołu i jednej konfiguracji. Inny framework, inna kwantyzacja i inna długość kontekstu dają inne liczby, co widać nawet w obrębie samego zestawu testów.
- 200 mld parametrów to obietnica pojemności, nie komfortu pracy. Model tej wielkości zmieści się w pamięci, ale przy tej przepustowości nie będzie odpowiadał tak, jak przywykłeś w przeglądarce.
- Konkurencja nie stoi w miejscu. Opisaliśmy otwarte RISC-V i przejęcie Tenstorrent przez Qualcomm oraz chip Jalapeño budowany z Broadcomem. Obie ścieżki mogą w ciągu roku zmienić rachunek za lokalne LLM.
Jak sprawdzić, czy potrzebujesz takiej maszyny
Zanim wydasz pieniądze, przejdź te cztery kroki.
- Policz wydatki z faktur, nie z pamięci. Trzy ostatnie miesiące, wszystkie narzędzia AI razem.
- Sprawdź, jak duży model naprawdę Ci wystarczy. Zadania w rodzaju streszczania, klasyfikacji i wyciągania danych z dokumentów często dobrze obsługuje model kilkumiliardowy, a małe modele coraz częściej dorównują gigantom w wąskich zastosowaniach.
- Zmierz, ilu tokenów na sekundę potrzebujesz. Asystent piszący w tle może pracować wolno. Chatbot rozmawiający z klientem nie może.
- Ustal, czy prawdziwym powodem jest prywatność. Jeśli tak, rachunek wygląda inaczej, bo część danych po prostu nie może trafić do cudzej chmury i wtedy porównanie samych kosztów jest bez sensu.
DGX Spark ma sens dla zespołu, który pracuje z modelami codziennie, potrzebuje dużej pamięci i chce trzymać dane u siebie. Dla wszystkich pozostałych to bardzo drogi sposób na zrobienie czegoś, co da się kupić na godziny.
Najczęstsze pytania
Cena katalogowa to 4 699 $ od tygodnia 23 lutego 2026. Wcześniej maszyna kosztowała 3 999 $. NVIDIA podniosła cenę o 700 $, tłumacząc to ogólnobranżowymi ograniczeniami w dostawach pamięci, i nie zmieniła przy tym sprzętu.
Producent podaje modele do 200 miliardów parametrów na jednej maszynie dzięki 128 GB pamięci zunifikowanej i do 700 miliardów po spięciu czterech sztuk. Pojemność nie oznacza jednak wysokiej prędkości: w pomiarach LMSYS Llama 3.1 70B generowała 2,7 tokena na sekundę.
W generowaniu tekstu nie. W testach LMSYS na modelu GPT-OSS 20B konsumencka RTX 5090 była około czterokrotnie szybsza. Przewagą DGX Spark jest 128 GB pamięci zunifikowanej, czyli modele, które na kartę graficzną po prostu się nie mieszczą.
Dla firm, które sięgają po modele sporadycznie i nie mają wymogu trzymania danych na miejscu. Przy okazjonalnym użyciu rozliczana za zużycie chmura zwykle wypada taniej, a maszyny nie trzeba administrować.
Źródła: NVIDIA, oficjalna specyfikacja DGX Spark (128 GB, 273 GB/s, 200 mld parametrów), NVIDIA Developer Forums, komunikat o zmianie ceny z 23 lutego 2026, Tom's Hardware, podwyżka o 700 $ z 3 999 $ do 4 699 $, LMSYS Org, pomiary wydajności DGX Spark w SGLang i Ollamie.
Powiązane artykuły
Sprawdź, czy AI poleca Twoją firmę.
Zacznij od bezpłatnego audytu SEO i GEO. Sprawdzimy, jak modele AI opisują Twoją markę, i wskażemy priorytety zwiększające szanse na cytowanie.