NVIDIA DGX Spark · 23 October 2026

Un seul silicium, trois étiquettes : démêler le bazar RTX Spark / N1X / DGX Spark à l’automne 2026

Le même silicium vendu sous trois étiquettes : voilà de quoi transformer une simple décision d’achat en parcours du combattant. Entre la RTX Spark grand public, le DGX Spark professionnel et le nom de code N1X, NVIDIA a réussi à créer une confusion qui empoisonne la rentrée 2026. Mais depuis les annonces du Computex, les benchmarks indépendants publiés cet été et surtout la bascule tarifaire du 23 octobre, le paysage s’est éclairci — et compliqué à la fois : les clusters RDMA fonctionnent, les modèles MoE de 284 milliards de paramètres tournent sur un seul boîtier, le fine-tuning BF16 d’un 35B est devenu une réalité, mais la version 64 Go arrive plus cher que l’ancien 128 Go. Ce décryptage remonte à la source du malentendu et explique ce que cela change concrètement pour les développeurs, les créateurs et les entreprises qui veulent faire tourner des LLM open-source sur leur bureau.

Trois noms, un seul die : le casse-tête qui empoisonne la rentrée 2026

Il y a des années, on savait exactement ce qu’on achetait. Une carte graphique portait un nom, une puce, un prix. Puis NVIDIA a décidé de compliquer la donne. En cette rentrée 2026, la même puce physique — le GB10, architecture Grace Blackwell — se retrouve commercialisée sous trois identités distinctes : la RTX Spark pour le grand public et les créateurs, le DGX Spark pour les développeurs et l’IA professionnelle, et le N1X comme nom de code technique. Trois étiquettes, un seul silicium. Le résultat ? Une confusion généralisée sur les forums, des comparatifs erronés, et des acheteurs qui se demandent s’ils ont payé le bon prix pour la bonne machine.

Cette confusion n’est pas accidentelle. Elle découle d’une stratégie de segmentation agressive de la part de NVIDIA, qui cherche à occuper tous les segments du marché de l’IA locale : le gaming et la création de contenu avec la RTX Spark, le développement et le déploiement professionnel avec le DGX Spark, et l’edge computing avec des partenaires comme Asus, MSI et Acer. Le problème, c’est que le silicium est identique. Les différences se jouent ailleurs : dans le logiciel, le réseau, le refroidissement et le support.

Pour tout possesseur de DGX Spark — ou pour tout acheteur potentiel — comprendre cette architecture est crucial. Parce qu’optimiser une machine sans savoir exactement ce qu’elle contient, c’est comme régler un moteur sans connaître sa cylindrée. Et payer le prix d’un DGX Spark pour une RTX Spark, ou vice-versa, peut coûter cher. Ce décryptage va donc démêler le bazar, couche par couche, du silicium brut jusqu’aux implications logicielles et pratiques, en s’appuyant sur les benchmarks et les retours terrain publiés entre août et octobre 2026.

Le GB10 sous le scalpel : 70 milliards de transistors, deux variantes, une promesse

Commençons par le cœur du sujet : le silicium. Le GB10, officiellement nommé par NVIDIA, est un SoC (System-on-Chip) qui regroupe un CPU Grace et un GPU Blackwell sur une même puce, reliés par une interconnexion NVLink-C2C. Selon les annonces du Computex 2026, la RTX Spark Superchip — le nom complet de la puce — regroupe plus de 70 milliards de transistors répartis sur deux chiplets distincts, interconnectés par NVLink-C2C.

Mais attention : ce silicium n’est pas monolithique dans sa déclinaison. Les premières images du die, repérées sur les stands des partenaires NVIDIA au Computex et relayées par VideoCardz puis FrAndroid, confirment l’existence de deux variantes du N1X, marquées GSE1-675 et GSE1-650 :

Variante	Cœurs CUDA	Cœurs CPU	Mémoire unifiée
N1X 675 (GSE1-675)	6 144	20 (10 Cortex-X925 + 10 Cortex-A725)	128 Go LPDDR5X
N1X 650 (GSE1-650)	5 120	18	128 Go LPDDR5X

La variante N1X 675 a été officialisée par NVIDIA le 31 mai 2026, tandis que la RTX Spark Superchip a été annoncée le 1er juin 2026 au Computex. Le DGX Spark embarque exclusivement le N1X 675, avec ses 6 144 cœurs CUDA, 192 cœurs Tensor de 5e génération et 48 cœurs RT de 4e génération — configuration confirmée par la documentation matérielle officielle NVIDIA. Les deux variantes partagent la même mémoire unifiée LPDDR5X, avec une capacité maximale de 128 Go. C’est le point central de la promesse : un modèle de grande taille peut tenir entièrement en mémoire, sans offloading vers le stockage.

Un détail relevé sur les photos du silicium mérite d’être souligné : la mention « QUAL SAMPLE » (échantillon de qualification) gravée sur certaines puces. Autrement dit, les images qui circulent montrent des prototypes avancés, pas la production de masse — ce qui cadre avec une commercialisation à l’automne 2026, mais rappelle que les premiers exemplaires livrés ne seront pas forcément identiques au silicium de validation.

La question de la bande passante mémoire, longtemps source de confusion, est désormais tranchée par la documentation officielle NVIDIA : le DGX Spark offre 273 Go/s de bande passante mémoire (LPDDR5X, interface 256 bits, 4266 MHz). Les chiffres de 300 ou 600 Go/s qui circulaient au printemps provenaient de lectures erronées des spécifications NVLink-C2C (qui interconnecte le CPU et le GPU en interne) ou de prototypes non finalisés. Cette valeur de 273 Go/s place le GB10 dans la moyenne des laptops haut de gamme, mais en dessous des 672 Go/s d’une RTX 5070 de bureau. C’est un point crucial : en inférence, la bande passante mémoire est le facteur limitant principal pour la génération de tokens.

Les enveloppes thermiques varient également : 80 W pour les laptops équipés de N1X, 140 W pour les MiniPC Asus ProArt. Cette différence de TDP aura un impact direct sur les performances soutenues : un laptop qui chauffe va throttler plus vite qu’un MiniPC avec un meilleur refroidissement. C’est un point crucial pour ceux qui veulent faire tourner des LLM en continu.

RTX Spark, N1X, DGX Spark : le grand écart des identités et des prix

Maintenant, la question qui fâche : pourquoi trois noms pour un même die ? La réponse tient en trois mots : segmentation, logiciel, réseau.

La RTX Spark est la déclinaison grand public et prosumer. Elle est destinée aux créateurs de contenu, aux gamers exigeants et aux utilisateurs qui veulent de l’IA locale sans se plonger dans l’administration système. Elle est équipée d’un refroidissement actif (ventilateur), d’un contrôleur Ethernet standard (1 GbE ou 10 GbE), et fonctionne sous Windows 11 ARM avec les pilotes GeForce classiques. Son prix est calibré pour le marché grand public.

Le DGX Spark est la version professionnelle. Il embarque la même puce GB10 (N1X 675), mais ajoute une carte réseau ConnectX-7 Smart NIC avec deux ports QSFP supportant jusqu’à 200 Gb/s (2×100 GbE), le système d’exploitation DGX OS, et le support NVIDIA AI Enterprise. Il dispose également du Wi-Fi 7 et du Bluetooth 5.4, ainsi que d’un port RJ-45 10 GbE pour les usages standards. C’est cette couche logicielle et réseau qui justifie l’écart de prix, pas le silicium. Pour un développeur qui veut déployer des modèles en production ou monter un cluster, le ConnectX-7 et le support entreprise sont des arguments décisifs. Pour un créateur qui veut faire tourner Stable Diffusion ou un LLM local, c’est du superflu payé au prix fort.

Le N1X n’est pas un produit. C’est le nom de code du die, utilisé en interne par NVIDIA et dans les pilotes. Il n’apparaît jamais sur une boîte, mais il apparaît dans les fichiers de configuration et les outils de diagnostic. C’est lui qu’on retrouve dans les laptops Asus et MSI, ainsi que dans les mini-PC Acer livrés depuis le 8 septembre 2026 — des machines à 128 Go de mémoire unifiée positionnées 500 à 1 000 $ sous le prix officiel NVIDIA.

Le tableau comparatif ci-dessous résume les différences clés :

Caractéristique	RTX Spark	DGX Spark
Silicium	GB10 (N1X 675 ou 650)	GB10 (N1X 675)
Mémoire	128 Go LPDDR5X	128 Go LPDDR5X (273 Go/s) — ou 64 Go depuis le 23/10
Réseau	Contrôleur Ethernet standard	ConnectX-7 200 Gb/s (2×QSFP), 10 GbE, Wi-Fi 7
OS	Windows 11 ARM / Linux	DGX OS (Linux)
Support	Pilotes GeForce	NVIDIA AI Enterprise
Cible	Créateurs, prosumers	Développeurs, entreprises

Le piège d’achat est évident : payer le prix d’un DGX Spark pour une RTX Spark, ou acheter une RTX Spark en pensant obtenir le support entreprise et le réseau 200 Gb/s. Avant de sortir la carte bleue, vérifiez ce que vous achetez réellement.

La bascule du 23 octobre 2026 : le 64 Go qui change toute l’équation

C’est le twist de cet automne, et il contredit frontalement l’accroche « 128 Go pour tous » qui prévalait encore en septembre. Le 2 octobre 2026, NVIDIA a officialisé une nouvelle déclinaison de son mini-supercalculateur : un DGX Spark à 64 Go de mémoire unifiée, commercialisé à partir du 23 octobre 2026 — soit aujourd’hui même — au prix de 4 999 dollars. La nouvelle a été relayée par Clubic, Frandroid, Pause Hardware et le blog officiel NVIDIA.

Le problème, c’est que ce prix de 4 999 $ n’est pas une bonne affaire en valeur absolue : c’est 1 000 dollars de plus que le tarif de lancement du modèle 128 Go en 2025. Et dans le même temps, la version 128 Go voit son prix grimper au-delà des 6 000 dollars sur le marché, conséquence directe de l’envolée des cours de la mémoire LPDDR5X. Autrement dit : moins de mémoire, plus cher. La presse russe comme la presse française insistent sur ce paradoxe, qui s’explique par la flambée du coût des composants mémoire et non par une quelconque amélioration du produit.

Mais NVIDIA a une astuce, et elle est intéressante pour qui monte un cluster : deux Sparks 64 Go peuvent, via le cluster, dépasser ce qu’un seul 128 Go peut charger. C’est le sens du titre de Clubic — « une drôle d’astuce pour dépasser le modèle 128 Go ». Concrètement, la version 64 Go est pensée comme une brique de base pour la mise à l’échelle horizontale : on achète petit, on ajoute un second nœud quand le besoin grandit, et on bénéficie du pool de mémoire agrégé via RDMA. La documentation NVIDIA précise d’ailleurs que le 64 Go « exécute des agents IA locaux avec la pile NVIDIA AI complète — et des clusters pour plus de performances à mesure que les charges augmentent ».

Pour les développeurs, la conséquence est double. D’un côté, le ticket d’entrée baisse en apparence (4 999 $), ce qui rend le Spark plus accessible. De l’autre, quiconque veut faire tourner un modèle de 100B+ en FP8 sur un seul nœud doit désormais viser le 128 Go à plus de 6 000 $, ou accepter de répartir sur deux nœuds 64 Go — avec la latence réseau que cela implique. Le calcul coût/performance par token s’en trouve bouleversé, et c’est précisément ce que les benchmarks de cet automne permettent de mesurer.

ARM sous CUDA : la pile logicielle qui change tout pour les développeurs

Le GB10 est basé sur une architecture ARM, pas x86. C’est une rupture majeure pour l’écosystème. CUDA, le langage de programmation parallèle de NVIDIA, est-il totalement compatible ? La réponse est nuancée, mais les choses ont bien évolué depuis les premiers balbutiements.

NVIDIA a fait un travail considérable pour porter CUDA sur ARM. Le CUDA Toolkit 13.4 est sorti en developer preview pour Windows on Arm le 22 juillet 2026, avec un support natif Arm64 et des chemins de compilation croisée. C’est une première officielle. Mais la réalité terrain est plus complexe.

Les frameworks d’inférence comme vLLM et TensorRT-LLM sont désormais optimisés pour l’architecture ARM64 du GB10. Les recettes officielles de vLLM incluent des configurations spécifiques pour le DGX Spark (GB10), notamment pour des modèles comme Qwen3.8-27B avec son attention hybride et son contexte natif de 262K tokens. Les images Docker ARM64 natives se sont multipliées, même si certaines restent en x86 et nécessitent une émulation (QEMU) qui dégrade les performances.

Côté outils, llama.cpp et Ollama supportent nativement l’ARM64, et les optimisations speculative decoding (MTP) commencent à arriver. Le 2 septembre 2026, le support Multi-Token Prediction pour Qwen3.8-Flash-Next GGUF a été publié, offrant un speedup de 1,67× (de 83 à 138 tok/s) sans perte de qualité. C’est un signe clair de la maturité croissante de l’écosystème.

La grande nouveauté de l’été 2026 est l’arrivée de Perplexity Portable Computer, annoncée le 26 août. Cette plateforme « local-first » transforme le DGX Spark en agent IA prêt à l’emploi, sans coût de tokens cloud. Elle exige 24 Go de mémoire vidéo minimum, ce que le GB10 dépasse largement avec ses 128 Go unifiés — et même avec les 64 Go de la nouvelle mouture. C’est une validation importante : les grands acteurs du logiciel commencent à cibler spécifiquement le DGX Spark comme plateforme d’exécution locale.

Un autre signal fort : le 7 octobre 2026, Microsoft a présenté sa vision « Windows for Hybrid Intelligence », avec des agents IA locaux s’appuyant notamment sur des modèles comme DeepSeek V4 Flash. La keynote confirme que l’IA locale n’est plus un hobby de développeur mais un axe stratégique pour l’OS. Pour les utilisateurs de DGX Spark sous Linux, cela n’a pas d’impact direct — mais cela signifie que l’écosystème logiciel autour de l’inférence locale se densifie, et que les modèles open-weight ciblés par ces agents seront de plus en plus testés et optimisés pour du matériel comme le GB10.

Pour les développeurs, cela signifie une courbe d’apprentissage qui s’aplatit : les dépendances se compilent en ARM64, les kernels sont optimisés, et les frameworks majeurs sont testés sur cette plateforme. Ce n’est plus le far west de 2025.

Chiffres à l’appui : ce que le GB10 délivre vraiment en inférence

Passons aux choses sérieuses : les performances. Les benchmarks indépendants sur le GB10 se sont multipliés cet été et cet automne, et ils sont désormais solides — au point que Artificial Analysis a lancé le 29 septembre 2026 son outil AA-AgentPerf-Local, qui mesure la vitesse réelle des agents IA sur laptops et workstations, avec le DGX Spark, le Ryzen AI Halo, le MacBook Pro M5 Pro et la RTX 5090 parmi les premiers matériels testés sur quatre modèles open-weight.

Le cas le plus documenté est celui de DeepSeek V4 Flash 0731, un modèle open-weight de 284 milliards de paramètres avec 13 milliards de paramètres actifs (architecture MoE). Sur un seul DGX Spark, les forums développeurs NVIDIA rapportent des chiffres impressionnants : 1 000 tokens/s en prefill et 59 tokens/s en serving multi-agents. Sur deux DGX Spark en cluster RDMA, avec une configuration ajustée, on atteint 30 tokens/s par défaut, et plus avec des ajustements de configuration. Une reproduction indépendante sur un seul Spark a été documentée sur DeepWiki, confirmant la faisabilité.

Les mesures canoniques de l’été 2026 permettent de préciser le tableau, avec des chiffres qui varient selon la quantification et le moteur d’inférence :

1× DGX Spark (ds4.c, DeepSeek-V4-Flash IQ2_XXS) : ~14 tok/s en single-stream, 410 tok/s en prefill (août 2026).
1× DGX Spark (llama.cpp, GGUF, modèle 35B-A3B) : jusqu’à 67 tok/s (août 2026).
2× DGX Spark (TP=2, vLLM, DeepSeek-V4-Flash FP8) : ~41 tok/s en single-stream, ~1 785 tok/s en prefill, et ~350 tok/s agrégés à concurrence 32 (août 2026).
2× DGX Spark (cache KV partagé) : un pool de 1 105 096 tokens (août 2026), et une taille maximale de modèle supportée de 405 milliards de paramètres.

Pour les modèles plus récents, les chiffres sont tout aussi encourageants :

Qwen3.8-27B (Alibaba, août 2026) : 48 tokens/s sur un seul DGX Spark selon un benchmark publié le 26 août 2026, mais les mesures plus prudentes du 20 août tablent sur 34-38 tokens/s. Ce modèle de 27 milliards de paramètres, avec attention hybride (48 couches sur 64 en attention linéaire), vision tower et tête de draft MTP intégrée, obtient un score de 52 sur l’Artificial Analysis Intelligence Index, le meilleur de sa classe parmi les modèles open-weight. NVIDIA revendique d’ailleurs un test Qwen 3.8 27B jusqu’à 1,7 fois plus rapide grâce au MTP.
Qwen 3.5 122B en Int4 : une configuration publiée par un développeur fait passer ce modèle de 122 milliards de paramètres de 30 à plus de 100 tokens/s sur un DGX Spark. La recette implique une quantification Int4 soignée et des réglages précis de vLLM.
Ant Ling-3.0-Flash (Ant Group, 23 juillet 2026) : ce modèle de 124B-A5B (124 milliards de paramètres, 5 actifs) est estimé à 15-20 tokens/s sur un seul DGX Spark, avec un contexte natif de 256K tokens extensible à 1M.
Xiaomi MiMo V2.6 (Pro et Flash, 24 septembre 2026) : présentés comme l’un des modèles open les plus économes à déployer — à condition d’avoir le matériel, ce que le GB10 permet justement.

Ces chiffres sont à comparer avec ce qu’on obtient sur d’autres matériels. Pour un modèle de 120B, un AMD Ryzen AI Max+ 395 (Strix Halo) avec 128 Go LPDDR5X atteint environ 34-39 tokens/s — le GB10 fait mieux grâce à son intégration logicielle et à CUDA. Mais la donne change avec le Ryzen AI Halo 192 Go, lancé le 14 octobre 2026 à 7 299,99 $ chez Micro Center : c’est le premier desktop compact capable de charger des modèles de 300 milliards de paramètres, là où le Spark plafonne à 200B sur un nœud et 405B sur deux. Les benchmarks indépendants cités par TechTimes sont cependant clairs : « DGX Spark Still Wins on Speed ». Le Halo charge plus gros, le Spark génère plus vite. C’est le vrai arbitrage de cet automne.

Clusters : ce que deux, quatre et huit Sparks changent vraiment

La promesse du cluster est celle qui a le plus mûri. NVIDIA a officialisé le support multi-nœuds, et les retours terrain confirment que le ConnectX-7 en 200 Gb/s (2×100 GbE QSFP) tient ses promesses — à condition d’utiliser des câbles approuvés et une topologie adaptée. Le full-mesh convient à deux ou trois nœuds, l’étoile devient nécessaire au-delà.

Les chiffres parlent d’eux-mêmes : deux Sparks supportent des modèles jusqu’à 405 milliards de paramètres, avec un pool de cache KV partagé dépassant le million de tokens. C’est ce qui permet à DeepSeek V4 Flash FP8 de tourner en TP=2 avec un débit agrégé de ~350 tok/s à concurrence 32. Le cluster QDNA, trois Sparks en production depuis février 2026, illustre le passage du labo à la production réelle.

Mais il faut être lucide : il n’y a pas de NVLink entre les nœuds. Le réseau inter-nœuds, c’est de l’Ethernet 200 Gb/s, pas de l’interconnexion cohérente. La latence de communication reste le talon d’Achille dès qu’on monte en parallélisme tensoriel. C’est pourquoi la désagrégation matérielle — séparer les nœuds de prefill et de decode — devient une stratégie pertinente : on spécialise chaque nœud plutôt que de répartir uniformément. Les travaux d’Exo Labs sur l’architecture du Spark documentent cette approche, qui exploite mieux le matériel qu’un TP naïf sur quatre nœuds.

Avec la nouvelle donne du 64 Go, le calcul change encore : deux Sparks 64 Go coûtent 9 998 $, soit plus qu’un 128 Go à 6 000 $, mais offrent un pool agrégé de 128 Go réparti et la possibilité de monter à quatre nœuds pour 256 Go. La question « faut-il acheter deux petits plutôt qu’un gros ? » posée par Frandroid n’a pas de réponse universelle : elle dépend de si votre charge est memory-bound (un seul gros nœud suffit) ou scale-out (deux petits nœuds, voire plus, prennent l’avantage).

Fine-tuning : ce qui est réellement possible sur un Spark

Le fine-tuning est longtemps resté le parent pauvre du discours DGX Spark. C’est en train de changer. Le fine-tuning LoRA en BF16 d’un modèle 35B est désormais une réalité documentée sur un seul boîtier, grâce aux 128 Go de mémoire unifiée et aux optimisations de la pile NVIDIA. Pour les modèles plus gros, il faut passer par la quantification ou le cluster.

La comparaison avec le Ryzen AI Halo est instructive : sur le fine-tuning LoRA, le GPU CUDA du Spark garde une longueur d’Avance face au Halo, dont l’écosystème logiciel (ROCm) reste moins mature pour l’entraînement. C’est un des rares domaines où l’écart entre les deux machines ne se joue pas sur la capacité mémoire mais sur la maturité de la pile logicielle.

Reste un point de vigilance : la stabilité. Un rapport GitHub du 26 septembre 2026 documente un cas de perte totale de l’hôte lors d’une inférence MiniMax H3 FL2VA en 864×480 sur un seul DGX Spark (GB10/aarch64), après des exécutions antérieures réussies. Ce n’est pas un défaut rédhibitoire — c’est un cas isolé sur une charge vidéo lourde — mais cela rappelle que le Spark reste une plateforme jeune, où les charges extrêmes peuvent révéler des fragilités. Pour de la production, la surveillance et les sauvegardes ne sont pas optionnelles.

Ce qu’il faut retenir avant d’acheter

Trois conclusions se dégagent de cet automne 2026.

Premièrement, le silicium est le même partout : GB10, N1X 675 ou 650, RTX Spark ou DGX Spark. La différence se joue sur le réseau (ConnectX-7), l’OS (DGX OS), le support (AI Enterprise) et le refroidissement (80 W vs 140 W). Si vous ne montez pas de cluster et ne déployez pas en production, une RTX Spark ou un mini-PC Acer à 500-1 000 $ de moins fera le même travail.

Deuxièmement, la bascule du 23 octobre 2026 rebat les cartes tarifaires : le 64 Go à 4 999 $ est plus cher que l’ancien 128 Go au lancement, et le 128 Go dépasse désormais 6 000 $. La mémoire est devenue le poste de coût dominant, et la stratégie « deux petits plutôt qu’un gros » devient pertinente pour les charges scale-out — mais pas pour les charges memory-bound.

Troisièmement, l’écosystème logiciel a rattrapé son retard : CUDA sur ARM64, vLLM et TensorRT-LLM optimisés, images Docker natives, MTP, Perplexity Portable Computer, agents Windows locaux. Le DGX Spark n’est plus une promesse, c’est une plateforme. Mais il reste une plateforme jeune, avec ses fragilités (réseau sans NVLink, cas de stabilité sous charges extrêmes) et sa concurrence désormais réelle (Ryzen AI Halo 192 Go, DGX Station for Windows à 748 Go annoncé pour le quatrième trimestre 2026).

Pour un développeur qui veut faire tourner des LLM open-source sur son bureau aujourd’hui, le DGX Spark reste la référence en vitesse de décodage par dollar. Pour celui qui veut charger des modèles de 300B et plus, le Halo ou le futur DGX Station sont désormais des alternatives à considérer sérieusement. Le bazar des étiquettes, lui, ne devrait pas s’arranger : avec le DGX Station for Windows qui arrive, NVIDIA ajoute une quatrième couche à une pile d’identités déjà bien chargée.

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.

RTX Spark, N1X, GB10 : trois noms, un seul die — le grand démêlage pour possesseurs de DGX Spark