DGX Spark gagne 64 Go pour faire tourner les agents en local

NVIDIA ajoute une configuration 64 Go à DGX Spark, son système IA de bureau basé sur le superchip GB10, avec une disponibilité annoncée pour le 23 octobre 2026 chez ses partenaires OEM, sur sa marketplace et en retail. Cette version vise les développeurs qui veulent exécuter des modèles ouverts et des agents directement sur leur poste, sans facturation à la requête, puis passer à deux machines pour doubler mémoire et calcul quand les besoins grandissent. Le message est limpide: les agents qui tournent en boucle coûtent moins cher quand ils restent sur le bureau. Et ils dorment aussi un peu mieux que dans le cloud.

Un format pensé pour l’agent qui ne s’arrête jamais

La logique de NVIDIA part d’un constat simple: les agents consomment beaucoup de jetons, entre appels d’outils, relances, contexte long et plans en plusieurs étapes. Selon la source, cette consommation a été multipliée par 14 depuis le début de 2026, ce qui renforce l’intérêt d’un matériel propriétaire pour éviter les frais unitaires d’une API. DGX Spark 64 Go reprend donc le GB10 Grace Blackwell, la pile logicielle CUDA et la puce réseau ConnectX-7, avec 64 Go de mémoire LPDDR5x unifiée au lieu de 128 Go sur la version initiale.

Cette mémoire unifiée est le point clé: CPU et GPU partagent le même pool via NVLink-C2C, sans copie entre RAM et VRAM. Dans la pratique, cela permet de faire tenir plusieurs modèles, leurs caches KV et les processus outils dans un seul espace mémoire. NVIDIA positionne cette machine sur les modèles ouverts de classe 30 à 35 milliards de paramètres, ainsi que sur des usages de type agent autonome, évaluation de modèles et fine-tuning léger à moyen.

Ce que cache la boîte

Le matériel reste compact, avec un boîtier de 150 x 150 x 50,5 mm pour 1,2 kg, alimentation sur prise murale standard et sans salle serveur dédiée. Le GB10 associe un GPU Blackwell à 5e génération de Tensor Cores et un CPU Arm Grace à 20 cœurs. La puissance annoncée atteint jusqu’à 1 pétaFLOP en FP4 avec sparsité, pour 273 Go/s de bande passante mémoire. Côté stockage, plusieurs capacités NVMe M.2 sont prévues, jusqu’à 4 To, avec chiffrement matériel.

Les sources mentionnent aussi un OS DGX basé sur Ubuntu, livré avec la pile IA NVIDIA, dont PyTorch, Jupyter et Ollama. D’autres outils cités — NemoClaw, OpenShell et l’Agent Toolkit — ajoutent des garde-fous, des politiques d’accès et des fonctions orientées agents. Les modèles Nemotron sont eux aussi optimisés pour cette plateforme, tandis que le serveur vLLM peut exposer une API compatible OpenAI ou Anthropic pour brancher des outils comme Claude Code sur un modèle local.

Pourquoi 64 Go change la donne pour les usages locaux

Le format 64 Go ne remplace pas la version 128 Go. Il ouvre plutôt un point d’entrée plus bas pour les charges qui tiennent dans une seule machine, avec une cible annoncée autour des modèles ouverts de 30 à 35 milliards de paramètres. La source cite notamment Qwen3.8-27B, Nemotron 3.5 Lightning et Muse Glimmer comme candidats adaptés, en rappelant que les poids ne disent pas tout: le cache de contexte et l’exécution prennent aussi de la place.

Pour les développeurs, le gain est concret. Une machine locale permet de tester un modèle le jour même de sa sortie, de relancer des évaluations sans facture API, ou d’affiner un assistant de code sur un dépôt interne. La source évoque aussi des usages plus ambitieux, comme un agent personnel toujours actif, une équipe multi-modèles sur un seul poste ou des prototypes en vision pour l’industrie et la robotique. Le marché y voit surtout une manière de remettre du calcul sous contrôle, ce qui n’est pas un luxe quand les tokens se mettent à courir partout.

Quand une seule machine ne suffit plus

NVIDIA mise aussi sur le clustering. Deux DGX Spark 64 Go peuvent être reliées via ConnectX-7 pour former un ensemble de 128 Go de mémoire agrégée, sans switch dans le cas du couplage direct décrit dans la source. L’éditeur dit que cette approche permet d’ajouter mémoire et calcul ensemble, avec des gains qui restent pertinents pour les agents à long contexte et les charges de fine-tuning.

Le logiciel NVIDIA Sync sert alors de couche de gestion: découverte des machines, configuration réseau, accès SSH et orchestration des nœuds, y compris à travers un maillage Tailscale selon la documentation citée. NVIDIA affirme aussi qu’un cluster de deux unités 64 Go peut atteindre jusqu’à 1,7 fois les performances d’un DGX Spark 128 Go sur certains scénarios, surtout parce que le débit mémoire et le calcul doublent. À l’inverse, le décodage concurrentiel ne progresse pas au même rythme, ce qui rappelle que ce produit n’est pas un serveur de chat pour cent utilisateurs mais une machine pour lire beaucoup et écrire peu.