NVIDIA DGX Spark · 3 November 2026

LLM open source sur NVIDIA GB10 DGX Spark : 64 Go, NVFP4, PAIR, fine-tuning et clusters — le point complet à l’automne 2026

Le 23 octobre 2026, le DGX Spark 64 Go est arrivé en boutique à 4 999 dollars, pendant que la version 128 Go franchissait les 6 000 dollars sur le marché. Trois semaines plus tôt, NVIDIA annonçait des agents locaux packagés, l’outil PAIR pour fédérer plusieurs machines et une pile logicielle enrichie. Entre-temps, la vague de « Spark PCs » a déferlé, AMD a répliqué avec son Ryzen AI Halo 192 Go, et les modèles open source — Qwen3.8-27B, DeepSeek V4 Flash 0731, MiMo-V2.6, Ant Ling-3.0-Flash, Poolside Laguna S 2.1 — ont continué de grossir. Que valent vraiment ces promesses sur le GB10 ? Entre benchmarks mesurés, fine-tuning local et clusters multi-machines, tour d’horizon complet de l’IA locale à l’automne 2026.

Où en est le DGX Spark en octobre 2026 ?

Le DGX Spark de NVIDIA a fait entrer l’inférence locale de modèles de grande taille dans une nouvelle ère. Ce mini-supercalculateur de bureau, propulsé par le chip GB10 Grace Blackwell, combine un CPU Arm à 20 cœurs et un GPU Blackwell avec jusqu’à 6 144 cœurs CUDA, le tout relié par un interconnect NVLink C2C à 273 Go/s de bande passante mémoire LPDDR5x. Avec 128 Go de mémoire unifiée, il promet d’exécuter en local des LLM de 120 milliards de paramètres — une promesse tenue, comme le montrent les benchmarks récents.

La mise à jour logicielle de juin 2026, déployée à l’occasion du GTC Taipei/Computex, a marqué un tournant. NVIDIA y annonçait un gain de performance de 2,6× grâce à trois piliers : le format de quantification propriétaire NVFP4, une pile logicielle enrichie et un support de clustering étendu. Les partenaires comme ASUS (avec l’Ascent GX10, désormais à environ 2 760 € en France contre 4 000 € au lancement) ont suivi le mouvement, même si leurs systèmes peuvent accuser un léger retard sur les mises à jour OTA.

L’expérience de première configuration a également été simplifiée : l’Out-of-Box-Experience (OOBE) permet désormais un démarrage plus rapide, et les mises à jour over-the-air ne sont plus installées par défaut lors de la configuration initiale, laissant l’utilisateur commencer à travailler immédiatement. Après le premier boot, le système dirige vers le site DGX Spark playbook, où le playbook NemoClaw est mis en avant pour un déploiement simplifié d’un agent local sandboxé. Comme le détaille le blog développeur NVIDIA, ce parcours permet de passer du déballage à un agent IA local en quelques minutes, hors téléchargement initial du modèle.

Un point crucial à comprendre : il n’existe pas de VRAM séparée sur le GB10. CPU et GPU partagent le même pool de 128 Go LPDDR5X via l’interconnect à 273 Go/s. Comme l’explique Tokios, lorsque vLLM alloue de la « mémoire GPU », il s’agit en réalité d’une portion du même pool utilisé par le système d’exploitation DGX, le runtime CUDA et vos applications. Il n’existe aucun mécanisme de sécurité type OOM killer : une fois le pool épuisé, le DGX Spark se fige au lieu de mettre fin au processus responsable. Une gestion fine de gpu_memory_utilization est donc essentielle. Un rapport GitHub du 26 septembre 2026 documente d’ailleurs un cas de gel complet de l’hôte lors d’une inférence MiniMax H3 FL2VA en 864×480 sur une Spark unique — rappel que les modèles vidéo restent les plus gourmands en mémoire unifiée.

La bascule d’octobre 2026 : 64 Go, 128 Go et une nouvelle grille tarifaire

C’est le fait marquant de la rentrée, et il change la donne pour quiconque veut s’équiper. Le 2 octobre 2026, NVIDIA a officialisé une déclinaison DGX Spark 64 Go, commercialisée à partir du 23 octobre 2026 à 4 999 dollars, comme le rapportent Frandroid, Clubic et Pause Hardware. Le même jour, la version 128 Go — celle qui était à 4 000 dollars au lancement en 2025 — franchit les 6 000 dollars sur le marché. Autrement dit : moins de mémoire, mais plus cher que le tarif d’origine. La cause est connue : l’envolée des cours de la LPDDR5, comme le souligne Hardware & Co. NVIDIA tente de rectifier le tir en réduisant de moitié la mémoire, sans pour autant casser le prix, note Generation-NT.

Le blog officiel NVIDIA présente cette version comme une nouvelle façon pour les développeurs de construire et de faire monter en charge l’IA locale : elle exécute des agents sur l’appareil avec la pile IA NVIDIA complète, et se prête au clustering à mesure que les charges de travail grandissent. Sur le papier, l’argument tient : deux Spark 64 Go coûtent à peine plus qu’une Spark 128 Go et offrent 128 Go au total, avec un pool de cache KV distribué. Dans les faits, la topologie, la latence et la bande passante du lien entre nœuds changent la donne — nous y revenons plus bas.

Côté partenaires, ASUS a officialisé le 5 octobre son Ascent GX10 64 Go, également propulsé par le GB10, présenté comme un « supercalculateur agentique compact » capable de faire tourner des modèles open source de 30 à 35 milliards de paramètres avec 1 pétaflop de calcul, selon ASUS. Techgenyz rappelle que l’Ascent GX10 et le DGX Spark partagent exactement le même matériel GB10, mais que le prix, le stockage, le refroidissement et la disponibilité diffèrent sensiblement. Acer, de son côté, livre ses mini-PC GB10 depuis le 8 septembre 2026, avec 128 Go unifiés et un positionnement 500 à 1 000 dollars sous le prix NVIDIA officiel.

La rentrée d’octobre : agents locaux, PAIR et « Spark PCs »

L’automne 2026 a déplacé le curseur : NVIDIA ne vend plus seulement du calcul, mais un écosystème d’agents. En septembre, la firme a présenté NVIDIA PAIR (Personal AI Router), un outil gratuit et open-source qui découvre les machines compatibles sur votre réseau domestique et y route l’inférence — transformant plusieurs ordinateurs inactifs en mini-datacenter IA personnel, comme l’analyse ComputeLeap. Le DGX Spark et les futurs RTX Spark fournissent le matériel ; PAIR fournit l’orchestration. C’est aussi une manière pour NVIDIA de se couvrir face à son propre empire de GPU cloud.

En parallèle, la vague de « Spark PCs » se matérialise : huit OEM livrent désormais des mini-PC RTX Spark, Lenovo et Acer en tête, selon Shattered. ASUS a présenté à l’IFA 2026 ses ProArt GR1X, P14 et P16 — jusqu’à 1 pétaflop d’IA locale, 128 Go unifiés et des agents tournant en permanence sans cloud, comme le rapporte Moon AI. AMD n’est pas en reste : le Ryzen AI Halo 192 Go est arrivé le 14 octobre 2026 chez Micro Center à 7 299,99 dollars, premier desktop compact capable de charger des modèles open weight de 300 milliards de paramètres. Mais les benchmarks indépendants cités par TechTimes sont sans appel : sur la vitesse d’inférence, le DGX Spark garde l’avantage. AMD charge plus gros, NVIDIA génère plus vite.

La concurrence ne s’arrête pas là. Le 8 octobre 2026, NVIDIA a dévoilé une DGX Station for Windows — 748 Go de mémoire cohérente, 20 pétaflops FP4, lancement au quatrième trimestre 2026 via six partenaires OEM, selon Tech-Insider. Ce n’est plus la même catégorie de machine, ni le même prix, mais cela dessine une gamme cohérente : Spark pour le bureau, Station pour l’établi lourd.

Microsoft a emboîté le pas. Le 7 octobre 2026, lors de sa keynote, la firme a présenté Windows 11 26H2 et son « Intelligence Hybride », avec des agents IA sécurisés tournant en local — dont DeepSeek V4 Flash — comme le rapportent Journal du Geek, Blog-Nouvelles-Technologies et le blog Windows. Le signal est clair : l’IA locale n’est plus un hobby de développeur, c’est un axe stratégique d’OS.

NVFP4 : le format 4 bits qui tient ses promesses — mais avec des nuances

Le cœur de la mise à jour de juin 2026 est le format de quantification NVFP4, un format 4 bits à virgule flottante propriétaire de NVIDIA. Contrairement aux quantifications INT4 classiques, NVFP4 conserve une mantisse et un exposant, offrant une meilleure préservation de la précision pour les poids et activations des LLM. Sur le DGX Spark, ce format est accéléré nativement par les Tensor Cores de 5e génération, ce qui explique le gain de performance annoncé de 2,6×.

Les benchmarks réels confirment l’intérêt du format, mais avec des nuances. Sur le modèle Qwen3.6-27B, le débit atteint 28 à 33 tokens/s en NVFP4, selon les mesures de KIE.AI. En mode multi-agent, ce chiffre grimpe jusqu’à 136 tokens/s — un résultat impressionnant qui montre que le format brille particulièrement dans les scénarios où plusieurs requêtes sont traitées en parallèle.

Il faut toutefois nuancer les chiffres annoncés par NVIDIA. Le débit de 82 739 tokens/s publié par le constructeur correspond à un débit de mise au point global (prefill + batch), et non à l’inférence pour un seul utilisateur, comme le souligne Tokios. Les valeurs réelles en mono-utilisateur sont bien plus modestes, de l’ordre de 30 à 60 tokens/s selon les modèles.

Cependant, tous les modèles ne bénéficient pas également du NVFP4. Les modèles MoE (Mixture of Experts) comme Ant Ling-3.0-Flash ou DeepSeek V4 Flash, qui n’activent qu’une fraction de leurs paramètres à chaque token, voient des gains plus modestes. Pour ces modèles, la bande passante mémoire reste le facteur limitant, et le NVFP4 n’apporte qu’un avantage marginal par rapport à une quantification INT4 bien calibrée.

Un point souvent négligé : le NVFP4 n’est pas qu’une affaire de débit. Il conditionne aussi la taille du cache KV et donc la longueur de contexte réellement exploitable. Sur deux Spark en cluster, un cache KV partagé permet de tenir 1 105 096 tokens de contexte cumulé — un chiffre qui n’a de sens que si les poids sont quantifiés assez agressivement pour laisser la place au cache.

Les LLM open-source qui tournent vraiment sur GB10

L’été et l’automne 2026 ont été particulièrement riches en sorties de modèles open-source, et le DGX Spark est devenu la plateforme de référence pour les tester. Voici les modèles qui tournent réellement sur le GB10, avec leurs performances mesurées.

Qwen3.6-27B et Qwen3.8-27B : la famille dense qui surprend

Sorti le 22 avril 2026, Qwen3.6-27B est un modèle dense de 27 milliards de paramètres, taillé pour l’inférence locale. Sur le DGX Spark, il atteint 28 à 33 tokens/s en NVFP4, et jusqu’à 136 tokens/s en mode multi-agent. Sa quantification NVFP4 officielle est disponible depuis le 26 juin 2026, avec un score MMLU de 0,8446. Ses performances en codage, MMLU et SWE-bench en font un concurrent sérieux des modèles plus gros, et sa taille le rend idéal pour le fine-tuning local.

Mais la famille a déjà évolué : Qwen3.8-27B a été testé le 20 août 2026 et atteint 34 à 38 tokens/s sur DGX Spark, soit une progression notable par rapport à la 3.6. Cette version améliore encore la génération et le raisonnement, tout en conservant une fenêtre de contexte de 256K tokens. C’est désormais le modèle dense de référence pour qui veut un bon équilibre entre qualité et vitesse sur une seule Spark. NVIDIA lui-même a publié un test de Qwen 3.8 27B sur un et deux systèmes, avec un gain jusqu’à 1,7× sur la configuration à deux nœuds, selon NeoTeo.

La famille s’étend aussi vers le bas avec Qwen3.8-Flash-Next, dont le support Multi-Token Prediction (MTP) apporte un gain de 1,67× sans perte de qualité — de 83 à 138 tokens/s selon Banandre — et vers le très léger avec Qwen 3.5 0.8B, exécutable dès 1 Go de mémoire.

Ant Ling-3.0-Flash 124B-A5B : le MoE qui tient dans une Spark

Sorti le 23 juillet 2026, Ant Ling-3.0-Flash 124B-A5B est un modèle MoE d’Ant Group avec 124 milliards de paramètres totaux mais seulement 5 milliards d’actifs par token. Son architecture hybride combine attention linéaire KDA et MLA dans un ratio 5:1, avec une fenêtre de contexte native de 256K tokens extensible à 1M. Sur une seule DGX Spark, le débit est estimé entre 15 et 20 tokens/s — des chiffres non officiels mais prometteurs pour un modèle de cette taille. Il bat son prédécesseur de 1T paramètres sur presque tous les benchmarks, comme le rapportent les forums NVIDIA.

DeepSeek V4 Flash 0731 : le nouveau champion de l’agentique

La version DeepSeek V4 Flash 0731, sortie fin juillet 2026, a rapidement fait parler d’elle. Avec 13 milliards de paramètres actifs (sur 284 milliards totaux), elle offre des performances agentiques de niveau frontier, dix fois plus compactes que Claude Opus. Sur deux DGX Spark en cluster, elle atteint des débits impressionnants : 30 tokens/s en configuration par défaut, et davantage après ajustement de configuration, comme le détaille un post des forums NVIDIA. La version Q8 (UD-Q8_K_XL) pèse 162 Go, seulement 7 Go de plus que la Q4, ce qui la rend exécutable en quasi-lossless sur une Spark de 128 Go. Des analyses approfondies, comme celle de Flowtivity, montrent que ce modèle est particulièrement adapté aux agents IA privés et on-premise. Un utilisateur des forums NVIDIA rapporte même 1 000 tok/s en prefill et 59 tok/s en multi-agent serving sur une seule Spark avec un moteur CUDA maison.

Les mesures consolidées sur deux Spark avec vLLM en tensor parallel (TP=2) et DeepSeek-V4-Flash en FP8 donnent un ordre de grandeur plus fiable : ~41 tok/s en single-stream, ~1 785 tok/s en prefill et ~350 tok/s agrégés à concurrence 32. Sur une seule Spark, en revanche, la version IQ2_XXS du même modèle (le travail d’antirez, ds4) plafonne à ~14 tok/s en single-stream, avec 410 tok/s en prefill. C’est le rappel brutal que la quantification extrême sauve la mémoire mais coûte cher en qualité et en vitesse.

MiMo-V2.6 : l’outsider chinois qui bouscule la hiérarchie

La grande actualité de la rentrée est signée Xiaomi. Le 22 septembre 2026, le constructeur a publié sous licence MIT sa famille MiMo-V2.6, déclinée en versions Pro, Flash et 9B, comme le rapportent SiliconANGLE et eWeek. Selon Forkast, le MiMo-V2.6-Pro égale Grok 4.7 sur l’Intelligence Index et surpasse Claude Opus 5 sur plusieurs benchmarks clés — le tout en open weights, et le même jour que la puce V900 d’Alibaba, ce qui n’est pas un hasard. Xiaomi a même diffusé en direct son tableau de bord d’entraînement par RL, avec un coût annoncé de 432 000 $ par jour, signe d’une transparence inédite face aux laboratoires américains à huis clos. Réserve importante : eWeek souligne que les gains de RL n’ont pas encore été répliqués indépendamment et reposent sur une infrastructure d’entraînement coûteuse. Sur DGX Spark, MiMo-V2.6 est présenté comme l’un des modèles open les plus économiques à déployer — à condition d’avoir le matériel.

Poolside Laguna S 2.1 : la réponse occidentale

Le 23 juillet 2026, Poolside a publié Laguna S 2.1, un modèle open-weight de 118 milliards de paramètres pour le codage agentique. Présenté comme la plus puissante ouverture occidentale depuis 11 mois, il bat des concurrents dix fois plus gros sur les benchmarks de codage et tient dans un seul desktop. Son architecture MoM (Mixture of Models) avec routeur token-choice, softplus-gating et 256 experts en fait un cas d’étude intéressant pour les utilisateurs de DGX Spark, même si les benchmarks sur GB10 sont encore rares.

Gemma 4 : le poids lourd de Google

Depuis avril 2026, Gemma 4 de Google fait vibrer la communauté. Ce modèle de niveau « frontier » tourne sur un seul GPU, et son alliance avec le DGX Spark a été largement documentée. L’installation se fait en 30 minutes, du téléchargement à la première inférence, et le modèle reste un excellent point de comparaison face à DeepSeek V4 Flash et MiMo-V2.6 sur les benchmarks de raisonnement.

Nemotron-3.5 Lightning : le dernier venu, côté NVIDIA

Le 30 octobre 2026, NVIDIA a publié un workflow en ligne de commande pour exécuter Nemotron-3.5 Lightning sur un DGX Spark 64 Go, avec données de benchmark et résultats de décodage spéculatif à l’appui, selon Blockchain.News. C’est le premier modèle de la maison à être explicitement documenté pour la configuration 64 Go — un signal fort : NVIDIA ne considère pas la version réduite comme un produit au rabais, mais comme une cible logicielle à part entière. Le workflow s’appuie sur TensorRT Edge-LLM, la pile d’inférence edge de NVIDIA, et confirme que le décodage spéculatif est désormais le levier de performance privilégié sur GB10.

Benchmarks réels : ce que crache vraiment une Spark

Le 29 septembre 2026, Artificial Analysis a lancé AA-AgentPerf-Local, un benchmark dédié aux performances agentiques en local. Quatre modèles open weight y sont testés au lancement sur quatre plateformes : DGX Spark, Ryzen AI Halo, MacBook Pro (M5 Pro) et RTX 5090. C’est la première fois qu’un référentiel indépendant place le Spark face à ses concurrents sur des tâches agentiques réelles, et non sur des tokens par seconde abstraits.

Les chiffres consolidés, issus de Pyshine et des mesures de la communauté, dessinent une image cohérente :

Une seule Spark : jusqu’à 67 tok/s sur un modèle MoE de 35B (35B-A3B) en llama.cpp GGUF ; ~14 tok/s sur DeepSeek-V4-Flash en IQ2_XXS ; 28-38 tok/s sur Qwen3.6/3.8-27B en NVFP4.
Deux Spark : jusqu’à 405 milliards de paramètres de modèle supporté ; ~41 tok/s single-stream et ~350 tok/s agrégés à concurrence 32 sur DeepSeek-V4-Flash FP8 ; ~1 785 tok/s en prefill.
Quatre et huit Spark : NVIDIA a discrètement ouvert la porte aux clusters de huit nœuds, faisant passer la machine d’un boîtier « bon pour du 70B » à une plateforme capable d’héberger des modèles de plusieurs centaines de milliards de paramètres, avec 1 To de mémoire cumulée.

La leçon est simple : le débit dépend moins du GPU que de la bande passante mémoire (273 Go/s) et du nombre de paramètres actifs par token. Un modèle dense de 27B sera toujours plus rapide qu’un MoE de 124B, même si ce dernier n’active que 5B de paramètres — parce que le routage, le chargement des experts et le cache KV coûtent.

Fine-tuning sur DGX Spark : ce que la stack permet vraiment

C’est la question qui revient le plus souvent, et la réponse mérite d’être nuancée. Le GB10 n’est pas une carte d’entraînement : c’est un accélérateur d’inférence avec un pool mémoire unifié. Fine-tuner un modèle de 27B en LoRA sur 128 Go est possible, mais il faut compter :

Les poids en NVFP4 ou QLoRA pour tenir dans le pool, avec une marge pour les activations et les optimiseurs.
Un batch size minuscule (1 à 4 selon la longueur de séquence), ce qui allonge considérablement le temps par epoch.
Une gestion stricte du cache : sans OOM killer, un dépassement fige la machine.

En pratique, le fine-tuning local sur Spark reste pertinent pour du LoRA sur des modèles de 7B à 27B, sur des jeux de données de quelques milliers d’exemples. Pour du full fine-tuning ou des modèles de plus de 70B, il faut passer au cluster — et même à deux nœuds, la communication entre GB10 via ConnectX-7 et RDMA devient le goulot d’étranglement. La pile logicielle (NeMo, TensorRT-LLM, vLLM) a beaucoup progressé depuis juin, mais elle ne transforme pas un boîtier d’inférence en station d’entraînement.

Clusters DGX Spark : deux, quatre, huit nœuds

NVIDIA a fait du clustering un pilier de sa communication depuis juin 2026. La réalité est plus contrastée.

Deux nœuds : c’est la configuration qui a du sens. Le pool de cache KV partagé atteint 1 105 096 tokens, la taille maximale de modèle supportée grimpe à 405 milliards de paramètres, et les débits agrégés (350 tok/s à concurrence 32 sur DeepSeek-V4-Flash FP8) justifient l’investissement. C’est aussi la configuration testée par NVIDIA pour Qwen 3.8 27B, avec un gain jusqu’à 1,7×.

Quatre nœuds : le gain devient sous-linéaire. La topologie (anneau ou étoile) et la qualité du lien RDMA décident du débit agrégé. Un cluster mal câblé peut être plus lent qu’un seul nœud sur des charges à faible concurrence.

Huit nœuds : c’est le territoire du « 1 To sous le bureau ». Impressionnant sur le papier, mais réservé à des charges de travail massivement parallèles, avec un cache KV distribué bien configuré et une latence maîtrisée. Le mythe du « pool unifié » doit être démonté : CUDA ne voit pas la mémoire des autres nœuds comme la sienne. C’est vLLM, SGLang ou llama.cpp RPC qui font le travail de distribution, avec les compromis que cela implique.

Sept solutions logicielles passées au crible

La pile logicielle du DGX Spark s’est considérablement enrichie. Voici les sept briques qui comptent réellement en octobre 2026 :

TensorRT-LLM — la pile NVIDIA de référence, optimisée NVFP4, avec support du décodage spéculatif. C’est elle qui tire le meilleur du GB10, mais elle demande un travail de conversion des modèles.
TensorRT Edge-LLM — la déclinaison edge, utilisée pour Nemotron-3.5 Lightning sur la version 64 Go. Plus légère, plus rapide à déployer.
vLLM — le standard open source pour le serving, avec support du tensor parallel (TP=2) sur cluster. C’est lui qui permet les 350 tok/s agrégés sur deux Spark.
SGLang — alternative à vLLM, souvent plus rapide sur les charges agentiques avec cache de préfixe.
llama.cpp — le couteau suisse, avec support RPC pour le clustering et un écosystème GGUF immense. C’est lui qui atteint 67 tok/s sur un 35B-A3B.
NVIDIA PAIR — le routeur d’inférence domestique, gratuit et open source, qui fédère plusieurs machines sur le réseau local.
NemoClaw et les playbooks DGX Spark — l’orchestration d’agents locaux sandboxés, mise en avant dès le premier boot.

À cela s’ajoute Windows 11 26H2 et son « Intelligence Hybride », qui intègre des agents locaux — dont DeepSeek V4 Flash — directement dans l’OS, selon Microsoft. Le DGX Spark n’est plus seul dans son écosystème logiciel.

Ce qu’il faut retenir

Trois conclusions s’imposent à l’automne 2026.

Premièrement, le DGX Spark 64 Go change l’équation, mais pas dans le sens espéré. À 4 999 dollars, il coûte plus cher que la version 128 Go au lancement, et la version 128 Go est montée à plus de 6 000 dollars. La pénurie de LPDDR5 a renversé la courbe des prix. Pour qui veut de la mémoire, deux Spark 64 Go restent une option défendable — à condition d’accepter la complexité du cluster.

Deuxièmement, le NVFP4 tient ses promesses en densité, pas en MoE. Les modèles denses de 27B (Qwen3.6/3.8) sont les grands gagnants, avec 28 à 38 tok/s sur une seule Spark. Les MoE de 124B et plus restent limités par la bande passante mémoire, et le NVFP4 ne les sauve pas.

Troisièmement, l’écosystème a basculé vers les agents. PAIR, NemoClaw, Windows 11 26H2, Nemotron-3.5 Lightning : tout converge vers des agents locaux qui tournent en permanence, sans cloud. Le DGX Spark n’est plus un banc d’essai pour LLM, c’est une brique d’infrastructure personnelle. Et face à AMD et son Ryzen AI Halo 192 Go, NVIDIA garde l’avantage sur la vitesse — mais plus nécessairement sur la capacité.

Sources

Article recherché et rédigé automatiquement · Magazine Electrosens

📬 Restez à la pointe

Recevez chaque semaine les nouveautés de ce magazine par email.

💬 Une remarque, une correction ?

Aidez-nous à améliorer cet article. Nous prenons en compte vos retours.

CUDA sur Windows Arm : le chaînon manquant enfin livré ?