NVIDIA DGX Spark · 5 November 2026

LLM open source sur NVIDIA GB10 DGX Spark : DeepSeek V4.1-Flash, NVFP4, PAIR, fine-tuning et clusters — le point complet à l’automne 2026

Le 23 octobre 2026, la DGX Spark 64 Go est arrivée en boutique à 4 999 dollars, pendant que la version 128 Go franchissait les 6 000 dollars sur le marché. Neuf mois après la commercialisation du superchip GB10 Grace Blackwell, l’écosystème logiciel a rattrapé le matériel : DeepSeek V4.1-Flash dépasse désormais son propre flagship sur neuf benchmarks agentiques, Xiaomi a ouvert MiMo-V2.6 sous MIT, Poolside place Laguna S 2.1 en tête des modèles ouverts américains, et NVIDIA a déployé PAIR, NVFP4 et une release DGX OS d’octobre 2026. Mais la mémoire unifiée a vu son prix exploser (+74 % en un an), et le ticket d’entrée grimpe. Tour d’horizon vérifié de ce qui tourne vraiment sur le GB10 — chiffres, runtimes, fine-tuning et clusters.

Un modèle de 284 milliards dans une tour de bureau

Il y a encore deux ans, faire tourner un modèle de cette envergure chez soi relevait de la science-fiction. Les modèles de pointe exigeaient des fermes de GPU, des refroidissements industriels et des budgets à six chiffres. Aujourd’hui, un DGX Spark — cette petite tour noire de la taille d’un Mac Studio, équipée du superchip GB10 Grace Blackwell — exécute DeepSeek V4 Flash-0731, un modèle Mixture-of-Experts de 284 milliards de paramètres, dont seuls 13 milliards sont actifs à chaque token généré. La machine, vendue autour de 4 000 € en France (environ 4 679 $ aux États-Unis selon ExplainX), tient sur un bureau. Le modèle, lui, tient dans ses 128 Go de mémoire unifiée — à condition de bien choisir sa quantification.

La sortie du 31 juillet 2026 a marqué un tournant discret mais significatif. DeepSeek V4 Flash-0731 remplace la version preview du même modèle, avec une licence MIT qui autorise usage commercial, modification et redistribution sans restriction. C’est un geste fort dans un paysage où les poids ouverts se multiplient, mais où les licences restent souvent restrictives. La fenêtre de contexte revendiquée d’un million de tokens — un chiffre officiel, non vérifié indépendamment — place ce modèle dans une catégorie que même les API propriétaires peinent à atteindre.

Mais l’histoire ne s’arrête pas là. En septembre 2026, DeepSeek a retravaillé son V4-Flash — la mouture V4.1-Flash — au point qu’il dépasse désormais son propre flagship V4 Pro sur neuf benchmarks agentiques, selon MSN. Et sur le front des prix API, la firme a frappé fort : un tarif d’entrée mis en cache de 0,003 $ par million de tokens en heures creuses, comme le rapporte Forbes. VentureBeat souligne que ce chiffre change complètement la donne face à GPT-5.6 Sol et Claude Opus 5. Pour l’utilisateur local, l’essentiel reste le même : la version ouverte, elle, tourne gratuitement sur votre bureau — et la communauté a déjà publié des recettes vLLM dédiées à cette mouture, y compris pour des configurations multi-Spark (DeepSeek-V4.1-Flash-vLLM-DGX-Spark-8, DeepSeek-V4.1-Flash-EXL3-vLLM-2x-DGX-Spark).

Ce qui frappe, ce n’est pas seulement la taille. C’est le fait que des utilisateurs individuels, des développeurs indépendants, des laboratoires modestes puissent désormais exécuter localement un modèle dont les benchmarks officiels rivalisent avec des systèmes propriétaires bien plus coûteux. La souveraineté des données, la confidentialité, la personnalisation : tout cela devient accessible à une échelle inédite. Et la démonstration faite par la communauté autour du DGX Spark — avec llama.cpp, vLLM, TensorRT-LLM et des recettes open source — prouve que l’infrastructure logicielle a suivi.

Anatomie d’un MoE nouvelle génération : 284B totaux, 13B actifs

DeepSeek V4 Flash-0731 repose sur une architecture Mixture-of-Experts. Concrètement, cela signifie que le modèle contient 284 milliards de paramètres au total, mais qu’à chaque token traité, seuls 13 milliards sont activés. C’est ce mécanisme qui rend possible l’exécution locale : la mémoire nécessaire pour les poids est celle de la quantification choisie, mais la charge de calcul par token reste celle d’un modèle de 13 milliards — bien plus légère.

L’architecture intègre également un module de décodage spéculatif dès la sortie, une fonctionnalité qui permet d’accélérer la génération en prédisant plusieurs tokens à la fois. Le support « b12x » mentionné dans les recettes communautaires suggère une organisation en douze experts, mais ce détail reste ambigu — les sources ne précisent pas s’il s’agit de douze experts actifs ou d’une autre configuration. Inutile de spéculer : ce qui compte, c’est que le décodage spéculatif est activé par défaut, avec des paramètres comme MTP_NUM_TOKENS=5 dans les configurations vLLM. La tendance est d’ailleurs générale : le 2 septembre 2026, le support Multi-Token Prediction (MTP) débarquait pour Qwen3.8-Flash-Next GGUF, avec un gain annoncé de 1,67× (de 83 à 138 tok/s) et une vérification exacte, selon banandre.com. Le décodage spéculatif n’est plus un bonus, c’est devenu la norme. NVIDIA en a d’ailleurs fait un argument de communication officiel : le 30 octobre 2026, la firme a détaillé un workflow en ligne de commande pour faire tourner Nemotron-3.5 Lightning sur DGX Spark 64 Go, avec données de benchmark et résultats de décodage spéculatif à l’appui (blockchain.news).

Comparé à DeepSeek V3 ou R1, les différences sont nettes sur plusieurs points : la fenêtre de contexte passe à 1M tokens (contre 128K pour V3), la licence devient MIT (V3 était sous licence DeepSeek, plus restrictive), et la date de sortie — 31 juillet 2026 — est postérieure de plusieurs mois. En revanche, aucune source fournie ne précise la taille du vocabulaire, ni ne compare directement V4 Flash à V3/R1 sur des benchmarks communs. Les chiffres officiels publiés par DeepSeek comparent V4 Flash à V4 Pro, GLM-5.2 et Opus-4.8 — pas à ses prédécesseurs. Une lacune qui invite à la prudence : les claims non vérifiés restent des claims.

Rappelons que la preview de V4 était sortie le 24 avril 2026, saluée par la presse comme un « sérieux flex » selon Counterpoint Research (CNBC), avec des performances jugées proches de GPT-5.4 et Gemini 3.1-Pro sur certains benchmarks (Al Jazeera). La version Flash-0731 en est l’aboutissement stabilisé, et la mouture V4.1 de septembre en est la consécration.

DGX Spark : le GB10 et ses 273 Go/s de bande passante, l’arme secrète

Le DGX Spark n’est pas un PC comme les autres. Sous son capot, le superchip GB10 Grace Blackwell combine un CPU Grace à 20 cœurs et un GPU Blackwell avec 128 Go de mémoire unifiée LPDDR5X. La bande passante mémoire de 273 Go/s — un chiffre canonique du magazine — est le facteur déterminant pour l’inférence de LLM. En effet, la génération de tokens est limitée par la bande passante : plus elle est élevée, plus le modèle peut produire de tokens par seconde. À titre de comparaison, un PC classique avec une RTX 5090 offre une bande passante d’environ 1,8 To/s sur sa mémoire GDDR7, mais seulement 32 Go de VRAM — trop peu pour ce modèle. Le Mac Studio M2 Ultra, lui, atteint 800 Go/s mais avec 192 Go maximum, pour un prix nettement supérieur.

Le GB10 embarque également des cœurs tensoriels optimisés pour les calculs FP4 et FP8. Ces formats de précision réduite sont essentiels pour les quants basse précision : ils permettent de stocker les poids avec moins de bits tout en accélérant les calculs. C’est précisément ce qui rend possible l’exécution d’un modèle de 284B dans 128 Go. Sans ces cœurs, les quants 2-bit et 3-bit seraient beaucoup plus lents, voire inutilisables. NVIDIA le formule sans détour : l’architecture Blackwell qui alimente le Spark inclut le format NVFP4, qui permet de compresser les modèles jusqu’à 70 % et d’augmenter les performances sans perdre l’intelligence (blogs NVIDIA).

La machine est pensée pour ce cas d’usage : mémoire unifiée (pas de copie CPU-GPU), bande passante suffisante pour des modèles de 100-300B en basse précision, et un écosystème logiciel qui mûrit rapidement. En juin 2026, NVIDIA a déployé une mise à jour logicielle majeure promettant un gain de performance de 2,6× grâce au format de quantification propriétaire NVFP4, comme le rapporte notre état de l’art d’août 2026. Le DGX Spark n’est pas un simple PC : c’est un nœud de calcul spécialisé, conçu pour l’IA locale.

Le matériel bouge : prix en hausse, déclinaison 64 Go, PC Spark

Mais le matériel, lui, n’est pas figé. À l’automne 2026, la mémoire unifiée a vu son prix exploser de +74 % en un an, et une déclinaison 64 Go du Spark est arrivée en boutique le 23 octobre à 4 999 $, comme le détaillent Frandroid, Clubic et Pause Hardware. Le même jour, la version 128 Go franchissait les 6 000 $ sur le marché — un renversement tarifaire notable : la 64 Go coûte 1 000 $ de plus que le prix de lancement de la 128 Go en 2025, comme le relève kod.ru. C’est un point crucial pour quiconque envisage l’achat : le ticket d’entrée grimpe, et la version 128 Go devient un investissement plus lourd qu’au printemps. Génération-NT résume la situation sans détour : « moins de mémoire pour plus cher, et toujours pour l’IA locale ».

NVIDIA ne s’arrête pas là. La firme prépare l’avenir avec la plateforme RTX Spark pour Windows on Arm : le CUDA Toolkit 13.4 en preview est sorti le 21 juillet 2026, offrant un chemin natif Arm64 pour les développeurs. Le firmware du Spark a d’ailleurs ajouté un certificat de boot Windows UEFI, signe que la convergence se prépare (StorageReview). Les premiers PC RTX Spark, portés par ASUS et MSI, arrivent à l’automne 2026 (Tom’s Hardware, Les Numériques). ASUS a présenté à l’IFA 2026 son ProArt GR1X, un mini-PC de 15 cm de côté taillé pour faire tourner un agent IA en permanence sans cloud (Moon AI), tandis que le ProArt P14/P16 embarque 128 Go et RTX Spark (Ecosistema Startup). Le 5 octobre 2026, ASUS a officialisé son Ascent GX10 64 Go, un « supercalculateur agentique compact » propulsé par le même GB10, capable de faire tourner des modèles open source de 30 à 35 milliards de paramètres et des agents IA en local avec 1 PFLOP de calcul (ASUS). Techgenyz note que si le GX10 et le DGX Spark partagent le même silicium, prix, stockage, refroidissement et disponibilité diffèrent sensiblement.

La concurrence s’organise aussi. Le 14 octobre 2026, AMD a lancé son Ryzen AI Halo 192 Go à 7 299,99 $ chez Micro Center — le premier desktop compact capable de charger des modèles open-weight de 300 milliards de paramètres. Mais les benchmarks indépendants cités par Tech Times sont sans appel : le DGX Spark garde l’avantage sur la vitesse. Et NVIDIA prépare le coup d’après avec la DGX Station for Windows : 748 Go de mémoire cohérente, 20 PFLOPs de calcul FP4, lancement au quatrième trimestre 2026 via six partenaires OEM (Tech-Insider). Cela élargira encore l’écosystème, même si ces machines ne remplaceront pas le DGX Spark pour les charges les plus lourdes.

Quantifier pour tenir dans 128 Go : le casse-tête des quants

Le problème est simple : le modèle en FP16 pèserait environ 568 Go — impossible. En FP8, environ 284 Go — toujours trop. Il faut donc quantifier. Les GGUF publiés par Unsloth le 31 juillet proposent plusieurs niveaux. Voici les tailles documentées :

Quantification	Taille	Tient dans 128 Go ?
UD-IQ2_M (2-bit dynamique)	~70 Go (estimation)	Oui
UD-Q3_K_M (3-bit)	~90 Go (estimation)	Oui
UD-Q4_K_XL (4-bit dynamique)	155 Go	Non (sauf 2 nœuds)
UD-Q8_K_XL (8-bit dynamique)	162 Go	Non (sauf 2 nœuds)

Les chiffres précis de 155 Go et 162 Go proviennent d’un post sur les forums NVIDIA, non vérifié indépendamment. Mais ils sont cohérents avec la physique : un modèle de 284B en 4-bit pèse environ 142 Go, plus le cache KV et les overheads. Le fait que le Q8 ne soit que 7 Go plus lourd que le Q4 est surprenant mais plausible — les quants dynamiques d’Unsloth optimisent la répartition des bits, et à cette échelle, la différence relative est faible.

Sur un seul DGX Spark, seuls les quants 2-bit et 3-bit passent. C’est un choix douloureux : la qualité de réponse en 2-bit est généralement inférieure à celle en 4-bit, mais c’est le prix à payer pour la mémoire. Les cœurs FP4/FP8 du GB10 atténuent la perte de vitesse, mais pas la perte de qualité. Les tests communautaires n’ont pas encore fourni de benchmarks indépendants comparant la qualité entre 2-bit et 4-bit sur ce modèle précis — un angle mort qu’il faut signaler.

La donne change toutefois avec la déclinaison 64 Go. NVIDIA a publié, à l’occasion de son annonce du 2 octobre 2026, les tailles de modèles visées sur un ou deux systèmes, ainsi qu’un test sur Qwen 3.8 27B atteignant jusqu’à 1,7× de gain selon la configuration (NeoTeo). Clubic évoque même « une drôle d’astuce pour dépasser le modèle 128 Go » : la mise en réseau de deux Spark 64 Go, qui cumule 128 Go de mémoire unifiée tout en bénéficiant d’un cache KV partagé. C’est le cœur de l’argument commercial de la 64 Go — et l’objet de la question posée par Frandroid : « faut-il acheter deux petits plutôt qu’un gros ? ».

Benchmarks réels : ce que crache vraiment une Spark

Les chiffres officiels ne disent pas tout. Les mesures de la communauté, elles, sont plus prosaïques. Voici ce que documentent les sources du magazine pour DeepSeek-V4-Flash sur GB10 :

Configuration	Métrique	Valeur
1× DGX Spark (antirez ds4, IQ2_XXS)	Débit single-stream	~14 tok/s
1× DGX Spark (ds4.c IQ2_XXS)	Prefill	410 tok/s
1× DGX Spark (llama.cpp, 35B-A3B)	Débit max	jusqu’à 67 tok/s
2× DGX Spark (TP=2, vLLM, FP8)	Single-stream	~41 tok/s
2× DGX Spark (TP=2, vLLM, FP8)	Débit agrégé @ c=32	~350 tok/s
2× DGX Spark (vLLM FP8)	Prefill	~1 785 tok/s
2× DGX Spark (cache KV partagé)	Pool de cache KV	1 105 096 tokens

La lecture est limpide : un seul Spark en 2-bit offre un débit utilisable mais modeste (~14 tok/s), suffisant pour du chat ou de la génération de code interactive, insuffisant pour du batch lourd. Le passage à deux nœuds en FP8 change d’échelle : ~41 tok/s en single-stream et ~350 tok/s en agrégé à concurrence 32, avec un prefill à ~1 785 tok/s. C’est le sweet spot pour un usage serveur local multi-utilisateurs.

Pour cadrer ces performances, Artificial Analysis a lancé le 29 septembre 2026 son benchmark AA-AgentPerf-Local, qui teste quatre modèles open-weight sur quatre matériels : DGX Spark, Ryzen AI Halo, MacBook Pro (M5 Pro) et RTX 5090. C’est le premier référentiel indépendant qui met les machines à égalité sur des tâches agentiques — et il confirme la position du Spark comme référence compacte, tout en relativisant les écarts selon les charges.

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

L’inférence, c’est bien. L’entraînement, c’est mieux — et c’est là que le GB10 révèle ses limites et ses forces. Avec 128 Go de mémoire unifiée et 1 PFLOP de calcul FP4, le Spark peut accueillir du fine-tuning LoRA sur des modèles de taille moyenne (7B à 35B) sans difficulté. Pour les modèles plus gros, il faut recourir à des techniques d’efficacité mémoire : QLoRA, gradient checkpointing, offloading partiel.

La stack logicielle a mûri. La release DGX OS d’octobre 2026 — DGX OS 7.6.0, noyau 7.0, pilote 580.178.04, CUDA 13.0.3 — a été déployée à partir du 21 octobre 2026 selon les forums NVIDIA, avec des fonctionnalités nouvelles dont bénéficient aussi les systèmes partenaires GB10. Cette cadence trimestrielle, documentée dans notre release d’octobre à l’épreuve du terrain, n’est toutefois pas sans pièges : ordre des mises à jour, rollback, compatibilité des conteneurs NGC avec vLLM et llama.cpp restent des points de friction réels.

Pour le fine-tuning, les conteneurs NGC fournissent NeMo, PyTorch et les bibliothèques Transformer Engine optimisées pour Blackwell. Le format NVFP4, désormais mature, permet d’entraîner et d’inférer en 4 bits avec une perte de qualité contenue — un avantage décisif face à des solutions concurrentes qui doivent redescendre en FP8 ou BF16. La limite principale reste la mémoire : au-delà de 35B en full fine-tuning, il faut passer à deux nœuds, ce qui multiplie le coût. Pour du LoRA sur un 70B, un seul Spark suffit en QLoRA 4-bit.

Clusters DGX Spark : deux, quatre, huit nœuds

C’est peut-être l’aspect le plus sous-estimé du Spark : sa capacité à se mettre en cluster. NVIDIA a conçu le GB10 avec des liens réseau haute vitesse (ConnectX) qui permettent d’assembler plusieurs nœuds en un seul système logique. Les chiffres canoniques du magazine sont éloquents : deux Spark supportent jusqu’à 405 milliards de paramètres, ce qui couvre confortablement DeepSeek V4 Flash en FP8 et laisse de la marge pour des modèles plus gros.

Les configurations typiques :

2 nœuds (TP=2) : le sweet spot. 256 Go de mémoire unifiée cumulée, ~350 tok/s en agrégé sur DeepSeek-V4-Flash FP8, pool de cache KV de plus d’un million de tokens. C’est la configuration recommandée pour un usage serveur local.
4 nœuds : 512 Go cumulés, permet le fine-tuning de modèles 70B+ et l’inférence de modèles 400B+ en basse précision. Le coût réseau et la complexité de synchronisation augmentent sensiblement.
8 nœuds : le territoire des laboratoires. La recette communautaire DeepSeek-V4.1-Flash-vLLM-DGX-Spark-8 documente une configuration à huit nœuds pour la mouture V4.1 — preuve que l’écosystème suit, même si les benchmarks publics restent rares à cette échelle.

Le vrai frein n’est pas technique mais économique : à 4 999 $ le nœud 64 Go (et plus de 6 000 $ le 128 Go), un cluster de huit représente un investissement de 40 000 à 50 000 $ — l’équivalent d’une petite ferme GPU professionnelle. La question du ROI se pose différemment selon qu’on est un laboratoire, une PME ou un particulier.

PAIR, NVFP4, agents locaux : la couche logicielle qui change tout

Trois semaines avant la sortie de la 64 Go, NVIDIA a annoncé des agents locaux packagés — un virage stratégique vers l’orchestration. Le composant central s’appelle PAIR, un orchestrateur qui gère l’exécution de plusieurs modèles et outils sur un ou plusieurs Spark, avec gestion de la mémoire, du routage et des appels d’outils. C’est la réponse de NVIDIA à la complexité croissante des workflows agentiques : plutôt que de laisser chaque développeur réinventer la boucle agent, PAIR fournit une couche standardisée.

Le format NVFP4 est l’autre pilier. Contrairement aux quants GGUF génériques, NVFP4 est natif au silicium Blackwell : il exploite les cœurs tensoriels FP4 pour un calcul accéléré, avec une précision calibrée par bloc. Les benchmarks NVIDIA annoncent jusqu’à 70 % de compression sans perte d’intelligence, et les retours terrain — notamment sur Nemotron-3.5 Lightning — confirment des gains substantiels en débit comme en empreinte mémoire. La nuance à apporter : NVFP4 brille sur les modèles entraînés ou adaptés pour ce format ; sur des modèles génériques convertis à la volée, le gain est plus modeste.

Côté système, la convergence Windows se précise. Le 7 octobre 2026, Microsoft a présenté sa vision d’une « Intelligence Hybride » où Windows devient le système d’exploitation des agents IA locaux (blogs.windows.com, Journal du Geek). DeepSeek V4 Flash est cité parmi les modèles mis en avant pour l’IA locale sur PC — signe que l’écosystème GB10 et l’écosystème Windows convergent. Le CUDA Toolkit 13.4 pour Windows on Arm, en preview depuis le 21 juillet 2026, matérialise ce chemin.

Les autres poids lourds open-weight du moment sur DGX Spark

DeepSeek n’est pas seul. Le paysage open-weight de l’automne 2026 est dense, et plusieurs modèles méritent le détour sur GB10 :

Xiaomi MiMo-V2.6 : ouvert sous licence MIT, il s’est imposé comme une alternative crédible aux modèles chinois de première génération. Sur Spark, il tourne confortablement en 4-bit et offre un bon compromis qualité/vitesse.
Poolside Laguna S 2.1 : le premier grand open-weight américain depuis onze mois, qui domine les modèles ouverts sur les benchmarks officiels tout en restant derrière les propriétaires. C’est le choix privilégié pour les tâches de code et d’agents.
Qwen3.8-Flash-Next : avec le support MTP depuis le 2 septembre 2026, il atteint 138 tok/s sur les configurations optimisées — un des meilleurs débits par paramètre du marché.
Ant Ling-3.0-Flash : un modèle léger, adapté aux déploiements contraints, qui trouve sa place sur la version 64 Go.
Nemotron-3.5 Lightning : le modèle NVIDIA optimisé pour le Spark, avec un workflow officiel documenté le 30 octobre 2026 et des résultats de décodage spéculatif convaincants.

Le classement dépend de la tâche : Laguna S 2.1 pour le code, DeepSeek V4.1-Flash pour le raisonnement agentique, Qwen3.8 pour le débit, Nemotron pour l’intégration native. Aucun ne domine partout — et c’est précisément pourquoi PAIR, qui permet de router entre modèles, prend tout son sens.

Conclusion : un écosystème mûr, un ticket d’entrée qui grimpe

Neuf mois après son lancement, le DGX Spark n’est plus une curiosité. C’est une plateforme mûre, avec une stack logicielle qui a rattrapé le matériel — DGX OS 7.6.0, CUDA 13.0.3, NVFP4, PAIR, conteneurs NGC à jour. Les modèles open-weight de 2026 (DeepSeek V4.1-Flash, MiMo-V2.6, Laguna S 2.1, Qwen3.8) tournent réellement sur GB10, avec des performances documentées et des recettes reproductibles.

Mais l’équation économique s’est tendue. La mémoire unifiée a flambé (+74 % en un an), la 64 Go arrive à 4 999 $ — plus cher que la 128 Go à son lancement — et la 128 Go dépasse les 6 000 $. La question n’est plus « le Spark peut-il faire tourner un LLM ? » (oui, sans conteste), mais « à quel prix et pour quel usage ? ». Pour un développeur solo, un Spark 64 Go suffit pour du chat, du code et du LoRA. Pour une PME, deux Spark 128 Go en cluster offrent un serveur local compétitif. Pour un laboratoire, huit nœuds ouvrent le territoire des 400B+.

La concurrence, elle, ne dort pas : AMD Ryzen AI Halo 192 Go, DGX Station for Windows (748 Go, 20 PFLOPs, Q4 2026), PC RTX Spark d’ASUS et MSI. L’écosystème GB10 n’est plus seul, mais il garde une longueur d’avance sur l’intégration logicielle. La vraie question de 2027 sera celle du fine-tuning à grande échelle et des clusters multi-vendeurs — un terrain où NVIDIA devra prouver que son avance tient.

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.

DeepSeek V4 Flash-0731 sur DGX Spark : le grand modèle qui tient dans une tour de bureau