DGX Spark + Mac 联手跑 AI?
将英伟达 DGX Spark(搭载 Blackwell GPU)与 Mac Studio M3 Ultra 进行硬件互联,通过异构计算的方式协同运行大模型推理,是一项极具探索性的技术实验。该方案旨在利用两者不同的硬件特性,通过任务分工提升推理效率。实验过程涉及复杂的网络配置与驱动调试,最终的实测数据揭示了这种跨平台协作在实际应用中的性能表现与局限性。
01异构推理架构设计
此次实验的核心在于构建一套异构推理系统,让高性能 GPU 与高能效的 Apple Silicon 芯片协同工作。设计逻辑采用了“预填充”与“解码”分离的策略,利用 EXO 框架实现 vLLM 的跨设备调度。具体分工上,算力强大的 DGX Spark 负责处理计算密集型的预填充阶段,而 Mac Studio 则负责处理内存带宽敏感型的解码阶段,以此实现硬件资源的最大化利用。
02环境搭建与技术排坑
- 网络与驱动适配
在设备连接初期,遇到了网络层面的 Bug,且英伟达官方驱动对于该异构环境的支持并不完善,导致设备间通信受阻。 - 内核缺失与自动化修复
实验过程中发现模型量化所需的内核文件缺失。为了解决这一问题,博主利用 Claude Code 自动执行 SSH 命令,自动完成了代码搬运与编译修复工作。 - 框架调试
基于 vLLM 和 EXO 框架进行长时间的调试,最终勉强打通了从 Spark 到 Mac Studio 的推理链路。
03实测性能数据对比
| 测试场景 | DGX Spark + Mac Studio (异构) | DGX Spark (单机) | Mac Studio M3 Ultra (单机) |
|---|---|---|---|
| 预填充速度 | 持平 | 基准 | - |
| 解码速度 | 较 Spark 快 6 倍 | 基准 | 快 20% (优于异构) |
50G 网卡环境下的推理性能对比
测试结果显示,在 50G 网络环境下,异构组合在预填充阶段的处理速度与 DGX Spark 单机运行基本持平。在解码阶段,得益于 Mac Studio 的参与,速度比 Spark 单机快了 6 倍。然而,由于网络传输与架构调度的开销,该异构方案的整体解码速度反而比 Mac Studio M3 Ultra 单独运行慢了 20%。
04结论与建议
方案价值评估
概念验证
成功验证了 x86 GPU 与 ARM 架构异构推理的可行性
探索了预填充与解码分离的协作机制
展示了跨平台硬件组合的潜在技术路径


落地应用
环境搭建极为复杂,网络、驱动、内核均需手动修复
实际性能不如 Mac Studio 单机运行
综合效率与稳定性远不如直接使用高端专业显卡
综上所述,虽然 DGX Spark 与 Mac Studio 的异构组合在概念验证层面极具极客精神,展现了跨硬件协作的可能性,但从实用角度看,其折腾成本过高且性能未达预期。对于预算充足的用户,直接选择 RTX Pro 6000 等专业显卡方案,能够以更少的精力获得更稳定、高效的推理体验。
当前文章无评论,是时候发表评论了