英伟达DGXSpark支持8路集群，1TB统一内存解锁本地运行GLM5.3等大模型

英伟达在2026年10月21日于柏林举办的GTC大会上正式宣布，其桌面级AI开发平台DGX Spark的集群支持能力实现关键升级：单系统集群上限由原先的4台设备提升至8台，翻倍扩容。这一变化显著提升了本地AI开发环境的算力与内存天花板，为开发者在工作站级别部署接近服务器规模的模型训练与推理任务提供了新可能。

此次升级的核心价值在于内存聚合能力的跃升。以128GB LPDDR5X统一内存配置的单台DGX Spark为例，8台设备通过NVLink-C2C互连构成集群后，可提供高达1TB的统一内存池；64GB版本集群则可聚合512GB内存。相较此前受限于单机128GB内存的瓶颈，这一突破直接解锁了此前无法在桌面端运行的模型规模——例如GLM 5.3、Qwen 3.8 27B等参数量达数十亿甚至百亿级的大语言模型，如今可在本地集群中实现长上下文处理、多智能体并发执行及分布式微调开发。

DGX Spark本身搭载GB10 Grace Blackwell超级芯片，集成Arm架构Grace CPU与Blackwell GPU，通过片上NVLink-C2C实现CPU-GPU统一内存架构。单机AI算力达1 Petaflop（FP4精度），支持本地运行最高1000亿参数模型。其紧凑型机箱设计功耗远低于传统服务器，预装DGX OS与完整NVIDIA AI软件栈，兼容PyTorch、Ollama、vLLM等主流框架，开箱即可开展模型微调、推理与智能体构建。

性能优化方面，英伟达联合llama.cpp与vLLM开源社区，在特定工作负载下实现了显著提速。数据显示：RTX PRO 6000 Blackwell在Qwen 3.8 Flash-Next上的端到端推理性能最高提升40%；DGX Spark运行Qwen 3.8 27B时提速30%；DGX Station运行GLM 5.3 Flash时吞吐量提升20%。进一步细化看，llama.cpp中针对Qwen 3.8 Flash-Next的多token预测（MTP）推测解码优化，使RTX PRO 6000 Blackwell上的智能体任务提速达1.4倍；vLLM中结合推测解码与FlashInfer预填充内核优化，DGX Spark相关任务提速达1.3倍。

为降低本地部署门槛，英伟达同步推出Sync Model Launcher工具（计划本月晚些时候上线），用户可一键下载与硬件配置匹配的模型与容器，并自动接入OpenCode开发环境。该工具还将集成DGX Spark Skills，为设备故障排查、日常维护与工作流自动化提供指导。软件层面，10月版DGX Spark更新新增Wi-Fi助手，支持在appliance mode下切换无线网络；同时发布一组针对内存压力优化的模型检查点，通过量化技术降低占用，如Qwen3.8-Flash-Next-FP4-Local可在单台128GB DGX Spark或RTX PRO 6000上运行，GLM-5.3-Flash-FP4-Local则适配双机配置。

模型生态拓展同样值得关注。除已支持的Qwen、GLM、DeepSeek、MiniMax外，英伟达新增对Nemotron与FLUX.3 Klein的支持，覆盖编程、图像生成与编辑等多元任务。尤为突出的是，英伟达推出专为本地硬件优化的Recursive Flint编程模型：采用混合专家（MoE）架构，总参数400亿、激活参数25亿，在64GB内存的DGX Spark上推理速度超过每秒220个词元，显著优于同类轻量级模型。

价格与发售信息方面，64GB版本DGX Spark定价4999美元（按当前汇率约合人民币33450元），将于10月23日起通过宏碁、华硕、戴尔、技嘉、惠普、微星等合作伙伴陆续发售；128GB版本此前已上市。值得注意的是，尽管单机售价较高，但其定位并非替代数据中心服务器，而是填补“高性能工作站”与“小型边缘集群”之间的空白——面向独立开发者、研究实验室、中小企业AI团队等需要低延迟、高隐私性、快速迭代能力的场景。

行业视角下，DGX Spark集群能力的扩展反映了AI基础设施向“去中心化+弹性扩展”演进的趋势。过去，百亿参数模型几乎必须依赖云服务或大型GPU服务器集群；如今，借助统一内存架构与高效互连技术，桌面级设备也能构建具备生产级能力的本地AI环境。这不仅降低了大模型应用的准入门槛，也强化了数据主权与开发敏捷性——尤其在金融、医疗、制造等对数据敏感的领域，本地化部署正成为关键选择。

需指出的是，8路集群仍属手动配置范畴，非全自动弹性伸缩方案；实际部署需考虑网络拓扑、散热与电源冗余。英伟达未公开具体集群管理软件细节，但强调Sync Model Launcher将简化多节点协同流程。此外，虽然1TB内存理论上支持GLM 5.3等模型，但实际推理效率仍受批大小、上下文长度与量化策略影响，开发者需结合具体任务调优。

作为对比，图3所示性能图表显示，在Text-to-image（1024×1024）任务中，DGX Spark耗时0.59秒，显著快于RTX 5090（4.1秒）与RTX 4070（8.9秒）；在更高分辨率（2048×2048）下，DGX Spark仍以22秒领先RTX 5090（15.0秒）与RTX 4070（50.4秒）。这印证了其在生成式AI工作流中的实际优势。

综上，DGX Spark集群能力的 doubling 并非简单数量叠加，而是通过统一内存架构与软硬协同优化，实质性拓展了本地AI开发的边界。随着更多开源模型适配与工具链完善，桌面级大模型开发有望从“少数人的实验”走向“更广泛团队的常规实践”。