NVIDIA DGX Spark · 30 October 2026

ASUS Ascent GX10 vs NVIDIA DGX Spark : même GB10, deux philosophies — ce que 128 Go de mémoire unifiée changent vraiment pour vos LLM open source

Un seul silicium, le GB10 Grace Blackwell, mais deux machines que tout oppose : le DGX Spark, vitrine logicielle de NVIDIA, et l’Ascent GX10, déclinaison ASUS vendue comme « Agent Computer ». Derrière le même SoC et les mêmes 128 Go de LPDDR5X, c’est la couche logicielle, le thermique et la stratégie cluster qui décident. Enquête sur ce que cette duplication change concrètement quand on veut faire tourner, fine-tuner ou servir des modèles open source en local.

GB10 : le silicium qui voulait être seul (et qui ne l’est plus)

L’histoire du GB10 est celle d’une plateforme conçue comme un produit unique, puis progressivement transformée en standard multi-vendeurs. NVIDIA a pensé le DGX Spark comme le « DGX de bureau » : une machine à silicium maison, livrée avec une pile logicielle validée de bout en bout, destinée à ramener dans l’antre du développeur l’expérience des gros systèmes DGX. ASUS, de son côté, a saisi la balle au bond et décliné la même plateforme sous le nom d’Ascent GX10 Agent Computer, avec un slogan on ne peut plus explicite sur son site : « Compact, Powerful and Scalable ».

Le virage décisif intervient à l’automne 2026. Le 2 octobre, NVIDIA annonce une nouvelle configuration du DGX Spark : 64 Go de mémoire unifiée, commercialisée à 4 999 dollars à partir du 23 octobre, tandis que la version 128 Go, lancée en 2025, voit son prix grimper au-delà des 6 000 dollars sur le marché. La raison invoquée par toute la presse spécialisée est la même : l’envolée des cours de la mémoire (LP)DDR5. Autrement dit, la machine qui devait démocratiser l’IA locale subit de plein fouet la tension sur la DRAM.

C’est dans ce contexte que la concurrence sur le GB10 devient intéressante. ASUS n’est pas seul : Acer livre depuis le 8 septembre 2026 un mini-PC GB10 avec 128 Go de mémoire unifiée, positionné 500 à 1 000 dollars sous le prix NVIDIA. La plateforme GB10 n’est donc plus l’apanage d’un seul constructeur — elle devient un écosystème. Reste une question de fond : s’agit-il d’un vrai standard ouvert, ou d’une marque sous licence dont NVIDIA garde jalousement les clés logicielles ?

Sous le capot : ce que 128 Go de mémoire unifiée changent vraiment pour un LLM

Le GB10 est un SoC : CPU Arm Grace et GPU Blackwell partagent la même mémoire LPDDR5X, cohérente entre les deux. Cette architecture « unifiée » est le vrai argument de vente, bien plus que la puissance brute. Sur un PC classique à GPU discret — une RTX 4090 ou 5090 avec 24 à 32 Go de VRAM — un modèle de 70 milliards de paramètres quantifié en 4 bits ne rentre tout simplement pas : il faut soit l’offloader laborieusement vers la RAM système via PCIe, soit renoncer. Sur le GB10, les 128 Go sont accessibles d’un bloc, ce qui ouvre la porte aux modèles 70B en GGUF/AWQ, voire au-delà.

Mais la mémoire unifiée a un prix : la bande passante. Les benchmarks compilés par pyshine.com dans son guide du 1er octobre 2026 sur les performances LLM du DGX Spark rappellent que le décode plafonne autour de 273 Go/s — un ordre de grandeur très inférieur à de la HBM, et même en retrait face à un Mac Studio M3 Ultra et ses 192 à 512 Go unifiés. Concrètement, la génération token par token est limitée par cette bande passante, pas par le compute FP4 du GPU. C’est la nuance que tout acheteur doit intégrer : le GB10 est un excellent « chargeur de gros modèles », pas un foudre de guerre en débit single-stream.

Les chiffres publiés par la communauté confirment ce diagnostic. Sur un seul DGX Spark, antirez a mesuré ~14 tok/s en single-stream sur DeepSeek-V4-Flash en quantification IQ2_XXS, avec un prefill à 410 tok/s. Sur des modèles plus petits, llama.cpp atteint jusqu’à 67 tok/s sur un 35B-A3B. Et sur Qwen3.6-27B, on tourne entre 28 et 33 tokens/s en session unique, jusqu’à 136 tokens/s avec 10 agents en parallèle. Voilà le vrai profil de la bête : confortable sur du 27-35B, juste sur du 70B+ très quantifié, et surtout capable de charger ce qu’aucune carte grand public ne peut accueillir.

Thermique et throttling : deux châssis, deux climats

À silicium identique, la question thermique devient le premier discriminant mesurable. Le DGX Spark est enfermé dans un boîtier NVIDIA compact, pensé pour un TDP maîtrisé ; l’Ascent GX10 revendique un châssis « compact, powerful and scalable ». Derrière ces slogans, deux conceptions de dissipation, deux courbes de ventilation, deux BIOS. Or, sur une charge LLM soutenue — inférence en batch, fine-tuning LoRA sur plusieurs heures — le throttling peut coûter cher en tokens/s moyens.

Il faut être honnête sur l’état de la documentation : aucune source indépendante fournie ici ne mesure les clocks soutenus comparés des deux machines. Les tests « hands-on » de l’Ascent GX10 relayés par la presse grand public (MSN) ne livrent pas de chiffres de performance exploitables, et les pages ASUS/ROG consultées sont des pages marketing sans fiche technique détaillée. On ne peut donc pas affirmer que l’un throttle plus que l’autre. Ce que l’on peut dire, en revanche, c’est que la conception thermique est le premier endroit où un OEM peut se différencier à silicium égal — et qu’un praticien sérieux devra exiger des courbes de débit soutenu sur 30 à 60 minutes avant d’acheter, pas un pic de benchmark.

Un point de vigilance concret, documenté par la communauté : un rapport GitHub du 26 septembre 2026 signale un cas de perte totale de réactivité de l’hôte lors d’une inférence MiniMax H3 FL2VA en 864×480 sur un DGX Spark GB10/aarch64, après des exécutions antérieures réussies. Ce n’est pas un problème de châssis, mais cela rappelle que ces machines compactes poussent le silicium dans ses retranchements — et que la stabilité en charge prolongée reste un sujet, quel que soit le vendeur.

DGX OS vs image ASUS : le vrai champ de bataille

C’est ici que tout se joue. Le DGX Spark ne se vend pas seulement comme un bout de matériel : il se vend comme une pile logicielle validée. DGX OS, drivers NVIDIA testés, accès au NGC Catalog, aux microservices NIM, support NVIDIA AI Enterprise — la promesse est celle d’un environnement où CUDA, PyTorch, TensorRT-LLM et vLLM fonctionnent sans que vous ayez à déboguer un noyau aarch64 à 2 h du matin. Le blog NVIDIA du 2 octobre 2026 le dit sans détour : le DGX Spark 64 Go « exécute des agents IA locaux avec la pile IA NVIDIA complète ».

Face à cela, l’Ascent GX10 s’appuie sur une image ASUS, avec un portail de pilotes dédié (ASUS DriverHub) et un support commercial classique. Sur le papier, c’est de l’Ubuntu avec des drivers — donc tout à fait capable de faire tourner vLLM, llama.cpp, Ollama ou PyTorch. Mais la cadence de validation des drivers, la politique de mise à jour et l’accès aux recettes NVIDIA optimisées (TensorRT-LLM, NIM) ne sont, à ce jour, documentés par aucune source officielle accessible dans notre corpus. C’est une lacune majeure, car c’est précisément là que se logent les frictions quotidiennes.

Le risque de lock-in mérite d’être posé lucidement. Choisir le DGX Spark, c’est accepter de dépendre de la cadence NVIDIA pour les drivers et de son calendrier pour les optimisations. Choisir l’Ascent GX10, c’est troquer cette dépendance contre une incertitude : celle de la réactivité d’ASUS sur une plateforme ARM64 dont l’écosystème ML reste jeune. Ni l’un ni l’autre n’est « libre » au sens strict ; la vraie question est de savoir à quel rythme vous voulez que les correctifs arrivent.

Scénario 1 : inférence d’un gros modèle quantifié — 70B en FP4/GGUF, ça donne quoi ?

Mettons-nous en situation. Vous voulez servir Llama 3.1 70B, Qwen 2.5 72B ou un DeepSeek-R1 distillé en quantification GGUF, AWQ ou FP4. Sur un PC à RTX 4090/5090, c’est non : 24 à 32 Go de VRAM ne suffisent pas, et l’offloading tue le débit. Sur le GB10, les 128 Go accueillent le modèle entier ; la limite devient la bande passante mémoire (~273 Go/s), qui plafonne la génération token par token.

Les chiffres réels existent, mais ils concernent surtout le DGX Spark. Les mesures d’antirez (~14 tok/s en single-stream sur DeepSeek-V4-Flash IQ2_XXS) et de llama.cpp (jusqu’à 67 tok/s sur un 35B-A3B) donnent un ordre de grandeur. Sur Qwen3.6-27B, on est entre 28 et 33 tok/s en session unique, et 136 tok/s avec 10 agents concurrents — un profil très « serving d’agents » plutôt que « chatbot temps réel sur 70B ». Pour un 70B, attendez-vous à un débit nettement plus modeste, dominé par la bande passante.

Le benchmark indépendant AA-AgentPerf-Local, publié par Artificial Analysis le 29 septembre 2026, est précieux : il compare au lancement le DGX Spark, le Ryzen AI Halo, le MacBook Pro M5 Pro et la RTX 5090 sur 4 modèles open weight. C’est aujourd’hui la référence la plus propre pour situer le GB10 face à ses concurrents sur des charges agentiques réelles. En revanche, aucune mesure publique ne distingue à ce jour le DGX Spark de l’Ascent GX10 sur ce scénario — à silicium identique, on peut raisonnablement supposer des performances proches, mais la prudence reste de mise tant que le thermique n’est pas documenté.

Scénario 2 : fine-tuning LoRA — la mémoire unifiée comme argument massue

C’est le scénario où le GB10 justifie le mieux son existence. Un LoRA sur un 7B-13B en bf16 tient dans les 128 Go ; un QLoRA sur du 70B devient envisageable là où une RTX 4090 étouffe. Les outils standards — Unsloth, PEFT, axolotl — tournent sur PyTorch, donc sur les deux machines. La vraie question n’est pas « est-ce possible ? » mais « est-ce confortable et reproductible ? ».

Sur ce terrain, l’écart logiciel se creuse. Le DGX Spark promet un environnement validé où les toolkits NVIDIA (TensorRT-LLM, NIM) sont accessibles et où les drivers ne cassent pas une installation CUDA à chaque mise à jour. L’Ascent GX10, avec son image ASUS et son DriverHub, offre probablement le même socle Ubuntu, mais sans garantie documentée sur la cadence de validation. Pour un chercheur qui veut lancer un entraînement le vendredi soir et le retrouver intact le lundi, cette différence de « boring reliability » vaut de l’argent.

Comparé au Mac Studio, l’argument est différent : Apple propose beaucoup plus de mémoire unifiée (192 à 512 Go), mais son écosystème ML reste moins mature pour les workflows CUDA-first. Le GB10, lui, parle CUDA. C’est un vrai poste de fine-tuning, pas seulement un inférenceur — à condition d’accepter des temps d’entraînement qui restent ceux d’une machine de bureau, pas d’un cluster.

Scénario 3 : petit cluster 2-4 nœuds — connectique, mise en réseau et passage à l’échelle

Le GB10 révèle tout son potentiel en cluster. Les chiffres sont là : 2× DGX Spark supportent jusqu’à 405 milliards de paramètres, avec un pool de cache KV partagé de 1 105 096 tokens. En tensor parallelism (TP=2) avec vLLM sur DeepSeek-V4-Flash FP8, on atteint ~41 tok/s en single-stream, ~350 tok/s agrégés à concurrence 32, et un prefill de ~1 785 tok/s. C’est un changement d’échelle qualitatif : on passe du « je fais tourner un 70B » au « je sers un modèle de 400B à plusieurs agents ».

La question devient alors : le DGX Spark est-il plus « cluster-ready » que l’Ascent GX10 ? La réponse tient à la couche logicielle. NVIDIA documente explicitement le clustering dans son annonce du 2 octobre 2026 (« clusters for greater performance as workloads grow ») et pousse l’orchestration via AI Enterprise et le DGX Dashboard. ASUS, de son côté, revendique un produit « scalable » — mais sans documentation publique équivalente sur les topologies supportées, la connectique exacte (Ethernet, USB4/Thunderbolt, NVLink ?) ou les logiciels d’orchestration maison. Pour un cluster de 2 à 4 nœuds, c’est un handicap réel : on ne bricole pas un tensor parallelism sur des promesses marketing.

La limite commune reste la bande passante réseau. À 273 Go/s de mémoire par nœud, la synchronisation inter-nœuds devient vite le goulot d’étranglement en TP. D’où l’intérêt des configurations à 2 nœuds plutôt que 4 : le gain de capacité mémoire est réel, le gain de débit l’est moins.

Le verdict : surcoût NVIDIA ou économie ASUS — pour quel praticien ?

Le paysage tarifaire a changé la donne. Avec un DGX Spark 128 Go au-delà des 6 000 dollars et une version 64 Go à 4 999 dollars, l’écart avec un Acer GB10 128 Go vendu 500 à 1 000 dollars moins cher devient significatif. L’Ascent GX10, dont le prix exact n’est pas documenté dans nos sources, joue la même carte : silicium identique, prix plus agressif, stack logicielle à vos risques.

Le surcoût NVIDIA achète de la tranquillité, pas de la performance brute. L’économie ASUS achète de la liberté — et une part d’incertitude sur la cadence des correctifs. Le risque de lock-in existe des deux côtés : chez NVIDIA, il est explicite et assumé ; chez ASUS, il est implicite et moins documenté.

GB10, standard de facto ou plateforme sous contrôle ? Ce que l’avenir dira

La duplication du silicium par ASUS, Acer et d’autres annonce une vague de machines GB10 multi-vendeurs. C’est une bonne nouvelle pour l’acheteur : la concurrence sur le prix et le châssis s’installe, comme le montre l’arrivée de l’AMD Ryzen AI Halo 192 Go à 7 299,99 dollars chez Micro Center, capable de charger des modèles à 300 milliards de paramètres — mais que les benchmarks indépendants donnent encore derrière le DGX Spark en vitesse. La bataille se déplace donc du « combien de mémoire » vers « à quelle vitesse et avec quelle stabilité logicielle ».

Pour l’écosystème open source, l’enjeu est la maturité ARM64. La cadence des drivers, le support communautaire de vLLM et llama.cpp sur aarch64, la disponibilité des wheels PyTorch : tout cela progresse, mais reste piloté par NVIDIA. Tant que la pile logicielle est le vrai discriminant, le GB10 sera un standard matériel sous contrôle logiciel.

Ce qu’il faut suivre en 2027 : les nouvelles déclinaisons GB10 et leurs prix, la réactivité d’ASUS sur les mises à jour, et surtout l’évolution du support communautaire. Si les recettes vLLM/llama.cpp se stabilisent sur ARM64 indépendamment de NVIDIA, alors l’Ascent GX10 deviendra un choix rationnel. D’ici là, parier sur le matériel sans regarder la couche logicielle reste le plus sûr moyen de se retrouver avec 128 Go de mémoire unifiée… et personne pour vous aider à les exploiter.

Sources

• ASUS Ascent GX10 vs NVIDIA DGX Spark: Same GB10 Platform, Very Different Prices — TechGenyz
• NVIDIA DGX Spark 64GB Gives Developers More Ways to Build and Scale Local AI — blogs.nvidia.com
• NVIDIA DGX Spark 64 GB Reduces Memory to Stem RAM Price Increases — HotHardware
• Nvidia lance le DGX Spark en 64 Go : faut-il acheter deux petits plutôt qu’un gros ? — Frandroid
• Le DGX Spark Perd La Moitié De Sa Mémoire Mais Conserve Son Tarif De 4 999 Dollars — Pause Hardware
• The Best DGX Spark for Local AI in 2026: LLM Speed, Model Sizes, and Clusters, With Sources — pyshine.com
• AA-AgentPerf-Local: Benchmarking local AI agents on laptops and workstations — Artificial Analysis
• MiniMax H3 FL2VA on single DGX Spark GB10 — rapport GitHub
• AMD Ryzen AI Halo 192GB Loads Models No Rival Can: DGX Spark Still Wins on Speed — TechTimes
• ASUS — page produit Ascent GX10
• ASUS DriverHub

Article recherché et rédigé automatiquement · Magazine Electrosens