---

Le DGX Spark, un an et demi après : la promesse tenue, et amplifiée

Lors de son lancement, le DGX Spark était présenté comme un « supercalculateur de bureau » taillé pour l’IA locale. Un an et demi plus tard, le bilan est sans ambiguïté : le GB10 Grace Blackwell — 128 GiB de mémoire unifiée CPU+GPU, 273 Go/s de bande passante — reste le premier appareil grand public capable d’exécuter des LLM de 70B à 120B paramètres sans swap disque. Mais l’écosystème a débordé le seul cadre du Spark.

NVIDIA a en effet discrètement lancé à l’été 2026 son Personal AI Router (PAIR), un outil open source gratuit qui découvre les appareils compatibles sur un réseau domestique et route l’inférence entre eux. Comme le résume computeleap.com (6 septembre 2026), « PAIR route l’inférence à travers votre réseau domestique. Le DGX Spark et le RTX Spark fournissent le matériel. C’est NVIDIA qui couvre son empire cloud-GPU. » L’initiative, passée relativement inaperçue, transforme des ordinateurs inactifs en un mini-datacenter IA personnel — une brique stratégique pour qui veut agréger plusieurs Sparks sans passer par Kubernetes.

En parallèle, la famille s’est élargie et complexifiée. NVIDIA propose désormais une déclinaison 64 Go à 4 999 $, arrivée en boutique le 23 octobre 2026 — soit, à sa sortie, plus cher que la version 128 Go ne l’était en 2025, dans un contexte de flambée des prix de la mémoire (generation-nt.com, 4 octobre 2026 ; kod.ru, 3 octobre 2026). Dans le même temps, le modèle 128 Go a franchi les 6 000 dollars sur certains canaux. Une vague de mini-PC « RTX Spark » portée par huit OEM (Lenovo et Acer en tête) est arrivée sur le marché à partir du 8 septembre 2026. Acer propose notamment une variante à puce GB10 avec 128 Go de mémoire unifiée, facturée 500 à 1 000 $ de moins que le DGX Spark officiel. ASUS a profité de l’IFA 2026 pour dévoiler ses ProArt GR1X, P14 et P16 — jusqu’à 1 pétaflop d’IA, 128 Go unifiés — et a depuis officialisé son Ascent GX10 64GB (press.asus.com, 5 octobre 2026), un « supercalculateur agentique compact » à 1 PFLOP taillé pour les modèles open-source de 30 à 35B. HP prépare une machine à APU AMD. Le firmware du Spark a même ajouté, début septembre, un certificat de démarrage Windows UEFI, signe que des PC « RTX Spark » sous Windows sont attendus pour octobre 2026.

Cette diversification ne change pas la donne technique : le GB10 reste le seul SoC de cette classe à offrir 128 Go cohérents avec un GPU Blackwell complet et un écosystème CUDA mature. Mais elle impose de lire attentivement les fiches techniques : la version 64 Go, comme le détaille notre dossier dédié, déplace la « falaise » du fine-tuning et complique les pipelines RAG du fait d’un stockage NVMe réduit.

Octobre 2026 : la mise à jour logicielle qui soude l’écosystème

Le 21 octobre 2026, NVIDIA a déployé sa mise à jour logicielle trimestrielle du DGX Spark (forums.developer.nvidia.com, 21 octobre 2026). Les systèmes partenaires à base de GB10 Grace Blackwell — Ascent GX10, ProArt, mini-PC Acer — reçoivent les mêmes évolutions, ce qui aligne enfin l’ensemble de la famille sur une base logicielle commune. C’est un point loin d’être anecdotique : la fragmentation des images système entre OEM était l’un des reproches récurrents adressés à la plateforme depuis sa généralisation.

Cette mise à jour s’accompagne d’un mouvement de fond côté NVIDIA : la simplification du support de l’IA locale sur les GPU embarquant 24+ Go de VRAM, avec des optimisations côté vLLM et llama.cpp — une dynamique qui profite directement au Spark. Et surtout, NVIDIA a publié fin octobre un workflow edge AI complet pour DGX Spark et TensorRT Edge-LLM (blockchain.news, 30 octobre 2026), documentant ligne de commande par ligne de commande l’exécution de Nemotron-3.5 Lightning sur un DGX Spark 64 Go, benchmarks et résultats de speculative decoding à l’appui. C’est la première fois que NVIDIA documente officiellement un modèle de bout en bout sur la configuration 64 Go — un signal fort pour les acheteurs de la version économique.

Juin 2026 : vLLM officialise son support natif du DGX Spark – une rupture confirmée

Le 1er juin 2026, la fondation vLLM publiait sur son blog officiel l’article « vLLM on the DGX Spark: Architecture, Configuration, and Local AI », marquant le premier support natif d’un moteur d’inférence open source pour le GB10 Grace Blackwell. Depuis, l’adoption a été rapide : les développeurs ont pu exploiter pleinement la mémoire unifiée de 128 GiB, le format NVFP4 et les kernels CUDA spécifiques au SM121. Les premiers retours confirment que le DGX Spark n’est plus un simple jouet de démonstration : il sert des modèles de 70B à 120B paramètres avec des débits compétitifs face au cloud, sans aucune dépendance externe.

L’importance de cette officialisation est triple. D’abord, vLLM est le moteur d’inférence open source le plus déployé en production, supportant des centaines de modèles (Llama, Mistral, DeepSeek, Nemotron). Ensuite, le DGX Spark — avec ses 128 GiB de mémoire unifiée CPU+GPU et sa bande passante de 273 Go/s — reste le premier appareil grand public capable d’exécuter des LLM de 70B à 120B paramètres sans swap disque. Enfin, cette annonce a ouvert la voie à des initiatives communautaires comme le projet mark-ramsey-ri/vllm-dgx-spark qui propose des scripts de clustering multi-nœuds.

Le blog officiel vLLM précise les réglages recommandés : --gpu-memory-utilization doit laisser de la marge dans le pool mémoire unifié (OS, runtime container, cache KV), et --max-num-seqs doit rester bas car le DGX Spark est taillé pour l’inférence en petit batch plutôt que la concurrence élevée. Les builds actuels utilisent CUDA graphs par défaut, avec des gains possibles via les kernels FP4 récents, le scheduling asynchrone et le speculative decoding MTP — mais ces choix restent spécifiques au modèle et à la version.

Nemotron 3.5 Lightning : le cheval de bataille officiel des agents longue durée

Si DeepSeek V4 Flash et MiMo-V2.6 font la une, c’est Nemotron 3.5 Lightning qui est devenu, à l’automne, le modèle que NVIDIA met en avant pour le Spark. Conçu pour l’exécution de tâches spécialisées et précises sur des agents de longue durée (developer.nvidia.com), il est le premier modèle de la gamme Nemotron à disposer d’un guide de déploiement DGX Spark complet, maintenu dans le dépôt officiel NVIDIA-NeMo/Nemotron.

La documentation NVIDIA détaille plusieurs recettes directement exploitables sur GB10 :

• un guide de déploiement sur cluster de 4× DGX Spark avec vLLM, incluant le tensor parallelism, le réseau RoCE, le speculative decoding MTP et le benchmarking via NVIDIA AIPerf ;
• un guide de déploiement sur DGX Station GB300 unique, avec offloading sélectif d’experts MoE vers la mémoire CPU cohérente et backend FlashInfer TensorRT-LLM NVFP4 ;
• des cookbooks pour les modèles Nemotron 3 Ultra (550B/55B actifs, hybride Mamba-Transformer MoE) et Nemotron 3 Super (120B/12B actifs), avec vLLM, SGLang et TensorRT-LLM ;
• un calculateur de post-training (le Nemotron Post-training Calculator) qui donne des estimations directionnelles du nombre de GPU, du temps d’entraînement et du coût de calcul pour personnaliser un checkpoint via SFT, LoRA ou GRPO.

La communauté a suivi : le dépôt sfxnz/Nemotron-3.5-Lightning-vLLM-DGX-Spark fournit des scripts prêts à l’emploi, et le blog Kubesimplify documente un déploiement pas à pas. Pour l’utilisateur du Spark, c’est un changement de nature : on passe d’un écosystème de bidouilleurs à une filière outillée, avec des recettes validées par l’éditeur du silicium.

DeepSeek V4 Flash 0731 : le géant qui tient en cluster, chiffres à l’appui

Le 31 juillet 2026, DeepSeek a publié la version officielle de son modèle V4 Flash-0731 : 284 milliards de paramètres au total, 13 milliards actifs par token, une fenêtre de contexte d’un million de tokens, et une licence open-weight. C’est un événement majeur pour l’écosystème DGX Spark : ce modèle de niveau « frontier » peut s’exécuter sur deux Spark en cluster, grâce à la quantification NVFP4.

Anatomie d’un MoE nouvelle génération

DeepSeek-V4-Flash est un MoE de 284B totaux / 13B actifs qui associe une attention hybride — Compressed Sparse Attention (CSA) + Heavily Compressed Attention (HCA) — avec des Manifold-Constrained Hyper-Connections (mHC). Cette architecture atteint seulement 27 % des FLOPs d’inférence par token de V3.2 et 10 % de son cache KV à 1M de contexte. Pré-entraîné sur plus de 32 000 milliards de tokens, le modèle a été affiné en deux étapes : cultivation d’experts spécialisés puis consolidation unifiée par distillation on-policy.

Le checkpoint officiel est en poids mixtes FP4+FP8 : les poids des experts MoE sont stockés en FP4 tandis que les paramètres restants (attention, normes, routeur) restent en FP8. Une variante NVFP4 (nvidia/DeepSeek-V4-Flash-NVFP4) est également disponible, re-quantifiée par NVIDIA modelopt, qui tourne sur les GPU Blackwell avec le cache d’index FP4.

Les chiffres de performance sur cluster

Le projet elsung/dgx-spark-deepseek-v4-flash (mis à jour en août 2026) documente des résultats précis sur deux DGX Spark reliés par un câble direct 200 G QSFP56 (RoCE/NCCL) :

Configuration	Modèle / quant	Single-stream	Agrégé
2× DGX Spark, TP=2 (vLLM)	DeepSeek-V4-Flash FP8 officiel	~41 tok/s	~350 tok/s @ c=32
1× DGX Spark (antirez ds4)	DeepSeek-V4-Flash IQ2_XXS	~14 tok/s	—
1× DGX Spark (llama.cpp GGUF suite)	9B → 172B MoE	jusqu’à 67 (35B-A3B)	—

Le tableau comparatif inter-machines est tout aussi éclairant :

Machine	Moteur / quant	Decode t/s	Prefill t/s	Concurrency
RTX PRO 6000 (96 GB GDDR7)	ds4.c	46.9	344	single-stream only
2× DGX Spark	vLLM FP8	~41	~1785	~350 agg @ c=32
Mac Studio M2 Ultra (192 GB)	ds4.c	29.7	389	single-stream only
1× DGX Spark	ds4.c IQ2_XXS	~14	410	single-stream

Seuls les Sparks exécutent la qualité FP8 complète, ont ~5× le prefill et gèrent un vrai débit multi-stream. Les machines ds4.c sont limitées au single-stream. Le cache KV est un pool partagé d’environ 1,1 million de tokens (GPU KV cache size: 1,105,096), réparti entre toutes les requêtes actives.

Le projet propose trois profils de lancement :

Lancement	Contexte	Single-stream	Pic agrégé	Meilleur pour
mytoolz dsv4-up base	1M	~41 t/s	~103 @ c6	chat interactif · longs docs / codebases entières
mytoolz dsv4-up batch	256K	~41 t/s	~350 @ c32	nombreux agents · batch · evals
mytoolz dsv4-up fast	32K	~41 t/s	~270 @ c32	débit max, contexte court

Une autre source (llmrequirements.com, 30 juin 2026) rapporte 61 tok/s en single-stream et 261 tok/s à 16 de concurrence sur deux DGX Spark — des chiffres légèrement supérieurs à ceux d’elsung, probablement dus à des configurations différentes (lien QSFP56 direct vs switch). Ces écarts soulignent l’importance de la configuration réseau et du profilage.

Sur un seul DGX Spark : 1 000 tok/s en prefill

Le 1er août 2026, un utilisateur des forums NVIDIA a publié des résultats impressionnants sur un seul DGX Spark : 1 000 tok/s en prefill et 59 tok/s en multi-agent serving avec DeepSeek-V4-Flash-0731. Ce résultat a été obtenu en forçant le moteur ds4 (développé par antirez) avec un backend CUDA maison, avant que l’upstream n’ajoute son propre support. C’est une démonstration que même en configuration mono-nœud, le GB10 peut servir des agents IA à un débit tout à fait utilisable.

Le support SGLang du drafter DSpark

Le 2 août 2026, un PR SGLang (pull request #29538) a ajouté le support du drafter DSpark pour DeepSeek-V4-Flash-DSpark et DeepSeek-V4-Pro-DSpark. DSpark est un block drafter : à chaque étape de décodage, il propose un bloc de block_size tokens (défaut 5) en un seul forward, et la cible vérifie le bloc entier en une passe. Le drafter est un empilement MTP à trois étages avec une tête de Markov (affine le bloc de manière autorégressive) et une tête de confiance (score chaque position). Il utilise les états cachés fusionnés de la cible plutôt que son propre KV token, donc pas de modèle de draft séparé à télécharger. La vérification est gloutonne et sans perte : la sortie acceptée est identique au décodage glouton de la cible.

C’est une avancée majeure pour le speculative decoding sur DGX Spark, car elle élimine le besoin de télécharger un modèle de draft séparé — un gain de mémoire et de bande passante crucial sur une machine à 128 GiB. Notre dossier dédié au speculative decoding sur GB10 détaille pourquoi cette approche « draft fusionné » est précisément celle qui convient à une architecture limitée par la bande passante mémoire.

Poids réels et configuration

Contrairement à certaines estimations initiales, les poids publiés de V4 Flash 0731 pèsent 167 Go (48 fichiers safetensors, relevé du 2 septembre 2026 sur Hugging Face), et non 83,4 Go. Le tag NGC et les débits MiaAI-Lab sont repris du playbook officiel. Pour la DGX Station GB300 (748 Go de mémoire cohérente dont 252 Go HBM3e à 7,1 To/s), le modèle se sert avec vLLM 0.25 ou plus, conteneurs NVIDIA NGC arm64.

Xiaomi MiMo-V2.6 : l’outsider chinois qui rebat les cartes

L’événement de la rentrée est sans conteste la publication, le 22 septembre 2026, de la famille MiMo-V2.6 de Xiaomi, sous licence MIT. Trois variantes sont proposées : Pro, Flash et 9B. Selon forkast.news (22 septembre 2026), le MiMo-V2.6-Pro « égale Grok 4.7 sur l’Intelligence Index et surpasse Claude Opus 5 sur plusieurs benchmarks clés » — une performance de niveau frontière pour un modèle à poids ouverts. La sortie, intervenue le même jour que la puce V900 d’Alibaba, n’est pas un hasard : elle s’inscrit dans une offensive chinoise coordonnée sur la couche logicielle open-weight.

SiliconANGLE et eWeek (23 septembre 2026) confirment l’ouverture des poids sous MIT, mais soulignent une réserve importante : les gains issus du renforcement (RL) n’ont pas encore été répliqués indépendamment et reposent sur une infrastructure d’entraînement coûteuse. Xiaomi a d’ailleurs mené cet entraînement de manière radicalement transparente — un tableau de bord RL diffusé en direct, un coût annoncé de 432 000 $/jour et un bond de 47 points sur les benchmarks, comme le rapporte forkast.news (17 septembre 2026).

Pour l’utilisateur du DGX Spark, l’intérêt est double. D’une part, winbuzzer.com (24 septembre 2026) classe MiMo-V2.6 parmi les modèles ouverts les plus économiques à déployer — « à condition d’avoir le matériel pour les faire tourner ». D’autre part, la variante 9B est taillée pour tenir confortablement sur un Spark 64 Go, tandis que les variantes Pro et Flash rejoignent DeepSeek V4 Flash dans la catégorie des modèles qui exigent un cluster à deux nœuds en NVFP4.

Qwen3.8-27B : le dense frugal qui tient sur une seule carte

Face aux MoE géants, Qwen3.8-27B reste la référence du modèle dense raisonnable sur un seul Spark. NVIDIA l’a lui-même mis en avant dans sa communication sur la version 64 Go, documentant un test jusqu’à 1,7 fois plus rapide que la génération précédente sur cette configuration (neoteo.com, 3 octobre 2026). Sur la version 128 Go, les relevés communautaires situent le débit autour de 48 tok/s en single-stream — un ordre de grandeur qui en fait le meilleur compromis qualité/latence pour un usage interactif mono-utilisateur.

L’intérêt de Qwen3.8-27B tient aussi à sa compatibilité large : vLLM, SGLang, TensorRT-LLM et llama.cpp le servent tous, ce qui en fait le « mètre étalon » idéal pour comparer les moteurs sur GB10. C’est d’ailleurs le modèle retenu par plusieurs benchmarks indépendants pour évaluer les machines de cette classe.

Laguna S 2.1 et DeepSeek V4.1 : les autres pièces du puzzle open-weight

L’écosystème ne se résume pas à trois noms. Laguna S 2.1 complète l’offre sur le créneau des modèles de taille intermédiaire, tandis que DeepSeek V4.1 — évolution de la lignée V4 — apporte des gains incrémentaux exploitables sur cluster. Ces modèles ne bouleversent pas la hiérarchie établie par V4 Flash 0731, mais ils élargissent le choix selon les contraintes de contexte, de licence et de quantification. Sur GB10, la règle reste la même : c’est la quantification (NVFP4 en priorité) et le dimensionnement du cache KV qui déterminent ce qui « tient », bien plus que le nombre brut de paramètres.

Benchmarks indépendants : AA-AgentPerf-Local, le juge de paix

Le 29 septembre 2026, Artificial Analysis a lancé AA-AgentPerf-Local, un benchmark dédié aux performances agentiques en local (artificialanalysis.ai). Quatre matériels étaient testés au lancement : DGX Spark, Ryzen AI Halo, MacBook Pro (M5 Pro) et RTX 5090, sur quatre modèles open-weight. C’est la première fois qu’un tiers indépendant mesure le Spark dans les mêmes conditions que ses concurrents directs — une avancée notable dans un écosystème où les chiffres circulaient jusqu’ici surtout via des dépôts GitHub et des forums.

Le contexte concurrentiel s’est d’ailleurs tendu : le AMD Ryzen AI Halo 192GB, lancé à 7 299,99 $ chez Micro Center, est le premier desktop compact capable de charger des modèles open-weight de 300 milliards de paramètres (techtimes.com, 14 octobre 2026). Mais les benchmarks indépendants cités par la même source sont sans ambiguïté : le DGX Spark garde l’avantage en vitesse. La leçon est claire — sur cette classe de machines, la capacité mémoire ne fait pas tout, et la bande passante plus l’écosystème logiciel (CUDA, NVFP4, vLLM/TensorRT-LLM) pèsent plus lourd que le seul volume de RAM.

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

Le fine-tuning est devenu le véritable argument différenciant du Spark face aux machines concurrentes. La stack s’est structurée autour de trois piliers :

1. Unsloth pour le LoRA/QLoRA rapide et économe en mémoire, particulièrement adapté aux modèles jusqu’à ~30B sur un seul nœud ;
2. NeMo et le Nemotron Post-training Calculator pour le SFT, le LoRA et le GRPO (reinforcement learning) sur des checkpoints plus gros, avec estimation préalable du coût GPU ;
3. TensorRT-LLM pour la compilation et le déploiement du modèle affiné en NVFP4.

La contrainte structurelle reste la mémoire. Sur un Spark 128 Go, le fine-tuning de modèles de 70B en QLoRA est réaliste ; sur la version 64 Go, la « falaise » tombe beaucoup plus bas et impose de choisir entre taille de modèle et taille de batch. C’est précisément l’arbitrage que détaille notre dossier sur le DGX Spark 64 Go. Pour les modèles géants (DeepSeek V4 Flash, Nemotron 3 Ultra), le fine-tuning complet n’est pas envisageable sur un seul nœud — mais le LoRA distribué sur cluster de 4 Sparks, désormais documenté officiellement par NVIDIA pour Nemotron 3 Ultra, ouvre la voie.

Clusters DGX Spark : de la bidouille au guide officiel

L’agrégation de Sparks est passée en quelques mois du statut d’expérimentation communautaire à celui de scénario officiellement supporté. NVIDIA documente désormais un déploiement sur 4× DGX Spark avec vLLM, tensor parallelism, réseau RoCE, speculative decoding MTP et benchmarking AIPerf. Deux Sparks suffisent pour servir des modèles jusqu’à 405 milliards de paramètres — la barre haute de la plateforme — tandis que quatre nœuds permettent d’attaquer les MoE de la classe 550B en offloading sélectif.

Les chiffres de référence restent ceux du cluster à deux nœuds sur DeepSeek V4 Flash : ~41 tok/s en single-stream, ~350 tok/s agrégés à concurrence 32, ~1 785 tok/s en prefill, avec un pool de cache KV partagé de 1 105 096 tokens. Le câblage direct QSFP56 200 G (RoCE/NCCL) reste la configuration la plus performante ; un switch introduit de la latence et explique une partie des écarts entre sources.

Ce qu’il faut retenir

Trois dynamiques structurent l’automne 2026 sur DGX Spark. La maturité logicielle : la mise à jour du 21 octobre, les guides de déploiement Nemotron et le workflow TensorRT Edge-LLM transforment une plateforme prometteuse en outil documenté de bout en bout. La diversification matérielle : 64 Go à 4 999 $, RTX Spark chez huit OEM, Ascent GX10, DGX Station GB300 — l’acheteur doit désormais arbitrer finement entre mémoire, prix et écosystème. La montée en puissance des modèles open-weight : DeepSeek V4 Flash, MiMo-V2.6, Nemotron 3.5 Lightning et Qwen3.8-27B couvrent désormais tout le spectre, du 9B mono-carte au 405B en cluster.

Reste une incertitude à ne pas masquer : les gains de MiMo-V2.6 issus du RL n’ont pas été répliqués indépendamment, et les benchmarks AA-AgentPerf-Local ne portent encore que sur quatre modèles. La prudence reste de mise face aux chiffres spectaculaires — mais la direction est claire, et elle va dans le sens du Spark.

Sources

• DGX Spark Software Updates – October 2026 Release — forums.developer.nvidia.com, 21 octobre 2026
• NVIDIA details edge AI workflow for DGX Spark and TensorRT Edge-LLM — blockchain.news, 30 octobre 2026
• NVIDIA Nemotron 3.5 Lightning Delivers Fast, Accurate Specialized Task Execution for Long-Running Agents — developer.nvidia.com
• Nemotron Deployment Guides — docs.nvidia.com
• Nemotron 3.5 Lightning · vLLM · DGX Spark (GB10) — GitHub
• Running Nemotron 3.5 Lightning on DGX Spark — blog.kubesimplify.com
• ASUS Ascent GX10 64GB: Compact Agentic AI Supercomputer — press.asus.com, 5 octobre 2026
• ASUS Ascent GX10 vs NVIDIA DGX Spark: Same GB10 Platform, Very Different Prices — techgenyz.com, 5 octobre 2026
• Nvidia DGX Spark 64 Go : moins de mémoire pour plus cher et toujours pour l’IA locale — generation-nt.com, 4 octobre 2026
• DGX Spark 64 Go : NVIDIA annonce une configuration — neoteo.com, 3 octobre 2026
• Nvidia представила ИИ-компьютер DGX Spark с 64 ГБ памяти — kod.ru, 3 octobre 2026
• AMD Ryzen AI Halo 192GB Loads Models No Rival Can: DGX Spark Still Wins on Speed — techtimes.com, 14 octobre 2026
• NVIDIA DGX Station for Windows: 748GB, 20 PFLOPs — tech-insider.org, 8 octobre 2026
• Nvidia RTX Spark face aux puces Apple, AMD, Intel et Qualcomm — lesnumeriques.com, 16 octobre 2026
• Nvidia RTX Spark : la puce qui a deux ans de retard, mais reste en avance sur son temps — lesnumeriques.com, 15 octobre 2026
• NVIDIA prépare la révolution du PC portable : ce que ses ingénieurs m’ont dévoilé — clubic.com, 15 octobre 2026
• Building Windows for hybrid intelligence — blogs.windows.com, 7 octobre 2026
• Keynote Microsoft : l’IA locale révolutionne Windows — blog-nouvelles-technologies.fr, 7 octobre 2026
• Nvidia introduces Nemotron 3 Nano Omni with vision and speech for powerful agentic AI use — siliconangle.com, 28 avril 2026
• Classement des meilleurs LLM en novembre 2026 : le top 15 — digitiz.fr
• Grand modèle de langage — Wikipédia
• Large language model — Wikipedia