英伟达DGX Spark AI超级计算机体验

AI领域的加速浪潮，在PC市场引发了一场变革。主流芯片厂商纷纷踏上AI PC之路——在客户端设计中把Windows应用与专用的本地AI子系统结合起来；与此同时，还出现了专门为AI打造的盒子，主要用于本地加速模型与智能体。

去年，英伟达推出了DGX Spark，这是同类产品中第一台以“AI超级计算机”之名应对大语言模型（LLM）与智能体的PC。发布后不久，其他厂商也开始把自家迷你PC标注为专用AI盒子，不同阵营的竞争随之升温。本文将介绍DGX Spark的使用体验。

DGX Spark是首款搭载GB10超级芯片的系统。同样的芯片也将用于即将推出的RTX Spark平台。英伟达将GB10称为超级芯片，它把Grace Blackwell架构缩小到了迷你开发者PC与工作站上。

DGX Spark的设计理念，是用Blackwell GPU架构打造一台迷你AI超级计算机。为此英伟达开发了GB10超级芯片，把数据中心里的一系列创新：NVFP4、CUDA、SLANG、TensorRT、vLLM、CX-7网卡、NVLINK C2C、TMEM等下沉到迷你PC平台。这一切得以在小体积内实现，靠的是多芯粒封装技术、超低功耗的C2C互连以及统一内存架构（UMA）。

DGX Spark工作站具备以下关键特性：

• GB10 Grace Blackwell超级芯片：加速AI、数据科学、通用计算、渲染与可视化

• 128GB一致性统一系统内存：可运行最高2000亿参数的大型AI模型，可微调最高700亿参数的模型

• ConnectX-7网络：连接两台DGX Spark即可应对最高4050亿参数的模型

• DGX Base OS与英伟达 AI软件栈：工作负载可在DGX Spark与DGX Cloud或任何加速数据中心／云基础设施之间无缝迁移

• 灵活的部署配置：可配置为AI工作站，或联网的个人AI云

• 出色的桌面体验：支持多屏显示与灵活连接

• 紧凑省电的设计：轻松摆上任何桌面，标准墙面插座即可供电

关于GB10超级芯片的具体规格。首先是SoC构成：芯片由两个小芯粒（dielet）组成——S-Dielet承载CPU、内存子系统等，G-Dielet承载GPU核心。两个小芯粒通过先进2.5D封装整合在一起，采用台积电3nm工艺制造。

CPU基于ARM Armv9.2架构，共20个核心，分为两个集群、每集群10核；每个核心有私有L2缓存，每个集群配16MB L3缓存，合计32MB。第一个集群基于Cortex-X925设计，第二个集群基于Cortex-A725设计。

GPU基于GB100 Blackwell架构，由于与CPU在同一封装、同一硅片上，属于核显（iGPU）。它配备第五代Tensor Core，支持DLSS 4与RTX光线追踪核心；FP32算力最高31 TFLOPS，AI工作负载的NVFP4（FP4）算力达1000 TOPS。GPU另有24MB L2缓存。

内存系统方面，GB10超级芯片SoC支持256位LPDDR5x（UMA），速率最高9400 MT/s，原始带宽最高301 GB/s，最大容量128GB。系统织构（fabric）是高性能一致性织构，支持CHI-E一致性协议；GPU通过C2X接口可访问整个系统600 GB/s的聚合带宽。

此外还有16MB系统级缓存，作为CPU的L4，让SoC上多个引擎之间能以低功耗共享数据。C2C接口同样高带宽、低功耗，基于英伟达的NVLink架构实现。

连接性方面，GB10超级芯片SoC提供PCIe、USB、基于PCIe的以太网，最多驱动4台显示器同时输出（3个DP＋1个HDMI）：DP Alt模式下最高4K@120Hz，HDMI 2.1a下最高8K@120Hz。安全特性包括双安全根（Dual Secure Root）支持、SROOT处理器、OSROOT处理器，以及对fTPM和独立TPM的支持。整颗芯片TDP为140W。

扩展性是GB10超级芯片的另一个有趣之处。可以通过英伟达 ConnectX技术连接多颗GB10芯片，扩展吞吐、带宽与DRAM容量，以支撑更大的AI模型。ConnectX网卡通过PCIe Gen5 x8接口连接GB10 SoC，多台设备之间用以太网通信。

英伟达称GB10超级芯片SoC是其与联发科成功合作的成果：CPU IP来自联发科。针对GPU内存流量进入联发科内存子系统，双方做了大量性能建模工作。

DGX Spark配备4TB NVMe存储，速度很快，运行在Gen5 x4规格上。

对新手来说，设置DGX Spark可能有些棘手，不过英伟达为大部分基础功能提供了设置指南。棘手之处在于：如果你来自Windows平台，适应基于Ubuntu 24.04.4（LTS）的英伟达 DGX OS需要一段时间。

DGX Spark首发时缺少大多数基础应用，需要另行安装；但最新批次的机器已经预装配置好了DGX Dashboard和英伟达 Sync，这两个是监控Spark状态的必备应用。如果需要自行安装，通过机载终端设置DGX Dashboard和英伟达 Sync也就15到30分钟，复制粘贴、照着操作手册（playbook）走即可。

开箱即预装Firefox、固件更新器以及其他Linux发行版上常见的基础应用，界面做了DGX Spark主题适配。首次开机时Spark会下载更新，需要一些时间（本测试用了约45分钟）。

设置菜单里可以配置分辨率等各项参数，驱动4K显示器跑240Hz毫无压力；完整的更新菜单也在这里，确保软件与应用运行在最新版本。

DGX Spark上的大部分操作要么在终端应用里完成，要么在JupyterLab里完成。JupyterLab界面可以直接从DGX Dashboard启动，Dashboard还提供单独的本地应用更新菜单，并能很直观地可视化系统内存与GPU利用率。

本测评可以用ConnectX-7线缆把两台DGX Spark堆叠成一个集群。这既可以通过终端手动完成，也可以交给英伟达 Sync应用（后者效果更好）。操作手册简单明了，我们很快就让两台DGX Spark通过200 Gbps网络跑在同一个IP下。Sync应用还会通过一个短测试评估网络速度（实测185.75 Gbps，高于预期的180 Gbps门槛），之后就可以在双机集群配置下运行本地模型，可用内存达到256GB。

你可以堆叠任意多台DGX Spark——我们听说过最多18台的例子，而英伟达表示还能更多。考虑到模型规模持续扩大、速度持续提升，对本地AI开发者来说，两台或四台应该是最佳规模。

进入基准测试环节。DGX Spark不会堆叠CPU核心或GPU核心，所以基础基准测试只能以单台Spark为限。本文在系统上跑了Geekbench 7。

单核测试中，DGX Spark得分2568；多核测试得分23656。

这颗20核Arm CPU的单核表现不错，竟然快于最高5.1GHz的锐龙AI MAX+ 395——要知道DGX Spark的频率低得多。多核成绩则更亮眼，接近线程数更多的x86桌面产品，领先于移动端SoC。即将推出的RTX Spark PC所用芯片CPU规格相近，但频率经过优化，预计成绩会更好——DGX Spark本身面向7×24小时工作站与开发者使用场景调校。

游戏方面，我们通过Steam运行《赛博朋克2077》，使用Proton 11.0“Experimental”版本与Steam Linux Runtime 4.0。照着几个月前Reddit上已有的指南操作，游戏完美运行，全部RTX特性均可开启。

首先想介绍GB10超级芯片的原生GPU能力。它的核心数量与RTX 5070相同，但受140W TDP限制——而且功耗预算要与内存、CPU共享——GPU实际可用功耗大约在90到100W。

1440p分辨率、RT Ultra预设下，帧率为28.70 FPS；1080p下为59.34 FPS。1080p、高画质、不开光追，DGX Spark能超过100 FPS，AMD锐龙AI MAX+只能跑到80到90 FPS左右。

此外还有一些与RTX 50系列家族相同的好东西：DLSS多帧生成（MFG）、DLSS 4.5 Transformer以及DLSS 4.5光线重建。开启这些特性后，1440p RT Ultra预设下可达95.15 FPS，1080p下可达140 FPS。

再次强调，这只是RTX Spark PC的预演——后者将在Windows系统上提供更好的优化与支持。

本测试挑选了Hugging Face上广受欢迎且相对较新的模型，在llama.cpp中运行。英伟达提供了配置各种推理引擎的操作手册，包括llama.cpp、vLLM、LM Studio等。不同推理引擎各有优势，具体选择取决于你需要的输出类型。

DGX Spark在各种量化权重下都给出了扎实的成绩。单节点测试覆盖从4B到120B（GPT-OSS）的模型。DGX Spark的token生成速度很快，而以它的小体积而言，提示处理（prompt processing）能力更是凶猛。

我们还测试了几款MoE（混合专家）模型——这类模型本质上是用小模型的快速处理速度，提供大模型的海量知识容量。测试包括单节点与多节点（2×DGX Spark）两种配置。其中，最新的DeepSeek V4 Flash（NVFP4，transformers加载）单节点给出21.3 TPS，双集群节点给出59.13 TPS——这款2840亿参数的模型借助256GB可用显存，速度提升超过2倍。

MiniMax-M2.5（4-bit）无法塞进单台Spark，但双Spark集群给出了40.12 TPS的生成速度。其他模型，如英伟达开源的1200亿参数Nemotron 3 Super，在集群配置下也运行良好。

模型背后有合适的软件与支持非常重要，这就涉及调优。英伟达一直在持续打磨DGX/RTX平台的LLM性能与智能体能力。公司最近推送了最新更新（本月可用），在主流推理平台上带来更快性能，并为OpenClaw等Agentic AI平台提供一键安装选项。

本测试通过ComfyUI尝试了一些生成式AI，用了Flux.2、SDXL Turbo等模型，英伟达同样提供了本地配置ComfyUI的完整指南，设置很简单。图像处理速度不错，一分钟可生成6到7张1024×1024图片。

温度方面，DGX Spark确实会发热，但你几乎听不到风扇声。只有在真正把设备推到极限时，才会明显感觉到排出的热气。我们测得空载温度48°C，峰值温度81°C。

功耗方面，虽然DGX Spark额定最高140W，但即便是在Prefill Heavy（预填充密集）场景下，我们也几乎没见过它超过100W。单台Spark的平均功耗接近80W；双机配对时，第二台通常比主机低5到10W。

DGX Spark不只是又一台紧凑工作站，它是定义了一个品类的机器。一台安静、用普通墙面插座供电的系统，把700亿参数微调、2000亿参数推理当作日常工作，而不是需要向数据中心预约的资源。

GB10本身才是真正的主角：两颗紧耦合的小芯粒、128GB一致性统一内存、NVLink-C2C、第五代Tensor Core，以及ConnectX-7网络织构：让两台机器在几分钟内组成256GB集群。正因如此，2840亿参数的DeepSeek V4 Flash才能从单台21 TPS跃升到双台59 TPS，单节点根本装不下的模型突然变得可用。

英伟达的指南与各类操作手册帮了大忙，不过一些内容有些过时。多数并不像宣传的那样简单复制粘贴即可，不得不翻遍各类代码仓库与论坛，才能确保运行的模型最适合Spark。

软件栈：DGX OS、Dashboard、英伟达 Sync以及不断扩充的一键操作手册库，把一个原本可能只是Linux爱好者科学项目的东西，变成了开发者在首次开机更新之后真正能日常使用的工具。

DGX Spark并非为游戏设计，但硬件表现暗示了RTX Spark平台未来的交付能力。《赛博朋克2077》在1440p、全光追、DLSS 4多帧生成下达到95 FPS，而GPU功耗不到100W，这是一个体面的预览。

不过，主角始终是本地智能体、长上下文RAG与不离桌面的多节点实验。温度保持得体，风扇保持安静，实际功耗很少超过80到100W。这些数字很重要：意味着你可以让一对Spark跑一整夜，而不必担心电费或噪音。

一年过去，DGX Spark依然像是所有人对照衡量的参考设计，初代Spark是一台证明了个人AI超级计算机真的可以摆在桌面上干活的产品。