当前位置：

社区首页

电脑数码

电脑整机

服务器

AIGC文章详情

DGX Spark深度评测：三万块的AI工作站值得买吗？优缺点都太极端了

源自60位全网作者

10:19

精选参考来源

把机器人大脑装进你的办公桌：NVIDIA DGX Spark 让具身智能从实验室走进工作室

广州恒联 2026-07-08

来自微信公众号

DGX Spark 3万2，跑大模型却卡成PPT？🤯 今天用实测数据说清楚真相： ⚡ 硬件配置确实亮眼：GB10 + 128GB内存 ⚡ 但致命短板是带宽：只有273 GB/s，对比MI250的3.2TB/s差了10倍多 📊 Ollama实测： Qwen2.5 70B（Q4量化）→ 30秒才出结果换成8B模型？一样慢，因为瓶颈不在模型大小 🔥 反直觉发现：llama.cpp下Q6量化比Q8还快！量化精度越低 → 模型体积越小 → 带宽压力越小 → 速度反而越快 💡 DGX Spark真正适合的场景：新闻摘要、代码审查、数理辅导（7B-13B模型够用）不适合：多模态、实时对话、大参数推理 🤔 同价位3800元上MI50四卡，带宽直接翻10倍你本地跑大模型用什么硬件？评论区聊聊 👇 #大模型 #DGXSpark #NVIDIA #本地部署 #llama.cpp

lly 2026-06-08

来自抖音

全部
来源

内容由AI生成

1. 把机器人大脑装进你的办公桌：NVIDIA DGX Spark 让具身智能从实验室走进工作室

2. DGX Spark 3万2，跑大模型却卡成PPT？🤯 今天用实测数据说清楚真相： ⚡ 硬件配置确实亮眼：GB10 + 128GB内存 ⚡ 但致命短板是带宽：只有273 GB/s，对比MI250的3.2TB/s差了10倍多 📊 Ollama实测： Qwen2.5 70B（Q4量化）→ 30秒才出结果换成8B模型？一样慢，因为瓶颈不在模型大小 🔥 反直觉发现：llama.cpp下Q6量化比Q8还快！量化精度越低 → 模型体积越小 → 带宽压力越小 → 速度反而越快 💡 DGX Spark真正适合的场景：新闻摘要、代码审查、数理辅导（7B-13B模型够用）不适合：多模态、实时对话、大参数推理 🤔 同价位3800元上MI50四卡，带宽直接翻10倍你本地跑大模型用什么硬件？评论区聊聊 👇 #大模型 #DGXSpark #NVIDIA #本地部署 #llama.cpp

3. GTC 2026 AIPC时代章节 RTX Spark

4. RTX SP vs DGX SP.RTX Spark就是DGX Spark的Windows特调版，硬件90%一致，仅阉割200G多机光口，预估差价2000美金以上。 Windows on ARM实测：AI性能直接砍18%，CPU/GPU损失8%-14%；原生适配微软/Adobe/NVIDIA生态，多数x86软件转译损耗15%-40%，带内核反作弊的游戏完全不兼容。直接Windows+老黄特调Linux双系统是目前最稳妥的折中方案。纯AI开发者直接刷DGX OS拿满性能；兼顾游戏/办公留Windows；不急可等年底生态和刷机方案成熟。#英伟达 #ai #刷机 #dgxspark #rtxspark

5. NVIDIA DGX Spark 128G vs 锐龙9950X3D+RTX5090 32G+DDR5 64G 本地大模型大对比

6. 巴掌超算 DGX Spark × 中小企业：3 万多，买断算力，买断数据安全，买断一个不离职的 AI 员工！！

7. DGX Spark（GB10）的缺点，你需要了解一下

8. RTX 5080 比英伟达 3999 美元“AI 超级电脑”快 3 倍，但真正关键的根本不是速度

9. 【分享】DGX spark、5090、M5max大模型部署我目前设备上的大模型部署情况：主力方案：双DGX Spark部署DeepSeek V4 Flash，1M上下文、稳定不衰减，支持2.5并发，是目前最满意的一套。家用方案：5090D 32G跑Qwen3.6-27B NVFP4，速度最快但显存吃紧，上下文只能128K。移动方案：Mac M5 Max跑27B/35B FP8 + dFlash加速，应急可用但长上下文衰减严重。未来方案：四卡5060Ti 16G组64G显存跑27B FP8，性能接近双5090的60%-70%，整机大概2.5万，莫名觉得有点性价比。 #qwen #DeepSeek #macbookpro #DGXspark #本地大模型部署

10. NVIDIA DGX Spark 深度体验：128GB 统一内存 + 4TB 存储的个人 AI 超算，到底香不香？

11. 英伟达BW 2026超级芯片RTX Spark首展惊艳：巨型GPU墙成打卡地标

12. 【避坑】双DGX部署DeepSeek V4 注意事项双DGX Spark部署DeepSeek V4 Flash Dspark，踩了两个大坑。最大的坑是Ubuntu桌面：开着桌面会吃掉8-12G显存，算力性能损失约20%。两台设备都关闭桌面、改用命令行后，解码速度从三四十飙到五十多token，终于跑出社区参考数据。第二个坑是双机互联带宽，没跑满200G的话性能直接腰斩。关桌面后需要桌面工具怎么办？开放8088端口，用其他电脑远程访问就行。测试下来双DGX Spark成本约5万，性价比和Pro6000双卡基本持平，功耗才250W，安静省电还省空间。适合个人使用，等后续VLLM适配更新后还有优化空间。 #DeepSeekV4 #Dspark #DGXspark #pro6000

13. NVIDIA DGX Spark支持4台集群组网！性能线性飙升

14. 桌面级怪兽降临！英伟达DGX Spark开箱实测

15. 个人AI开发的终极答案：NVIDIA DGX Spark

16. NVIDIA DGX Spark 开箱 NVIDIA DGX Spark 是英伟达推出的桌面级个人 AI 超级计算机，搭载 GB10 Grace Blackwell 超级芯片，提供最高 1 petaFLOPS 的 AI 算力，搭配 128GB 统一内存，体积仅巴掌大小。它预装完整的 NVIDIA AI 软件栈，可本地完成大模型原型设计、微调和推理，让开发者无需依赖大型数据中心，就能在桌面端轻松处理 2000 亿参数模型的推理任务，彻底重塑个人 AI 开发的体验。

17. 1PFLOP、128GB统一内存、台积电3nm，这台DGXSpark把桌面算力卖成了高贵玩具

18. 给GB10喂饱电！英伟达DGX Spark便携超算原装240W电源拆解

19. DGX Spark 128G 4T.全新NVIDIA DGX Spark桌面AI超算主机，现货秒发 GB10芯片+128GB内存+4T NVMe，支持200B参数大模型 Blackwell架构，Grace CPU，20核Arm，1000 AI TOPS算力原装未拆封，包装齐全，带电源适配器、电源线、使用手册接口丰富：USB4、HDMI、RJ45、WiFi7 适合AI开发、科研、私有化部署

20. 16台dgx大集群！参观一下国外大佬的机柜！

21. 比dgx spark更有性价比的选择

22. 构建DGX Spark四节点集群，推理性能线性扩展

23. DGX Spark安装Ollama及本地部署Qwen3.5 122b

24. DGX Spark 配置避坑指南

25. 校长来唠RTXSpark！新玩意笔记本我特喵的真是服都服了！校长来唠 RTX Spark！新玩意笔记本到底对标几万元台式机性能？各位同学、装机圈的弟兄们，最近几天数码圈被英伟达皮衣黄最新推出的 RTX Spark 搅得天翻地覆，不少粉丝私信问我：这颗新U笔记本，换成咱们熟知的台式机 CPU+显卡全套对比，到底是什么段位？今天掰开揉碎，优缺点一次性讲明白。先说性能对标， RTX Spark为20 核混合架构，10 大核 + 10 小核、3nm 工艺，根据多个平台的跑分数据推测，Spark的CPU方面实际生产力性能应该是略低于台式机的U7 265KF，高于i7-14700KF的，打游戏方面目前尚无任何数据，只能推测Spark游戏性能跟i7-14700KF、9600X差不多坐一桌。然后是Spark的核显方面，集成 Blackwell 核显，GPU规格看齐移动端的 RTX5070，比台式机的RTX5070略低，但是结合其与CPU之间的高带宽直连技术，其实际性能表现应该是在RTX5070ti左右，最牛逼的地方在于核显和CPU共享128G超大显存，这是Spark最大的优势。目前某东上可以看到已有Spark主机在售卖，配置参数是128G+4T固态，售价是33629元，那么我们可以按照上述等效配置，来写一套算算，如果是台式机按照当下的价格配出来得多少钱，这是我写的配置单，内存采用的芝奇最新的64乘以2的128G方案，成本在三万五左右，如果换成四根32G的，会便宜七千多，不过会降频，而且台式机没办法做到128G显存，和高带宽显卡直连技术，所以如果以当下的价格来看，台式机无论是价格还是性能上都是输给了老黄的！但如果内存和固态回到涨价之前的原价，整体还是可以便宜一万多的，不过以当下的情况来看，存储降不下来了······ 最后总结，Spark小主机的优劣势：如果你有AI部署需求，预算正好是三万多，首选Spark小主机，体积小也是巨大的优势；对于其他普通生产力需求，例如剪辑、设计，在三万多的预算里，如果你有大内存和大显存的刚需，虽然CPU及GPU的处理速度都不算是最顶尖的，也可以选Spark小主机，特别是大显存的需求，但是要等其操作系统及软件生态#电脑硬件那点事 #硬件性能测试 #cpu对比

26. 【尝试】双DGXSpark部署DeepSeek Dflash 前几期我说 DGX Spark 跑小模型不如 M5 Max，但后来发现用两台 DGX Spark 部署 DeepSeek V4 Flash才是它的正确打开方式——它适合跑大体量混合专家模型，而不是小体量模型。这次实测了 DeepSeek 新出的 DSpark 加速方案，对比老 MTP提升巨大。不过目前方案还不稳定，解码速度波动大，偶有模型自动卸载的问题。需要稳定使用建议先用MTP方案；想尝鲜可以试试 DSpark。双机 DGX Spark（约 5 万预算）跑 DeepSeek V4 Flash，是目前性价比很高的方案。 #DGXSpark #DeepSeek #Dspark

27. 芯片相同，用途却截然不同：RTX Spark和DGX Spark怎么选？

28. DGX Spark 今天评测英伟达DGX Spark与微星Spark两款迷你主机。英伟达采用全铝一体机身，金属3D打印散热网仿蚁巢设计，防尘透气散热佳；微星采用塑料材质喷金属漆，多块拼接成本低，散热孔大但外壳不导热。英伟达外壳导热配合风扇散热更利于CPU寿命，微星外壳不烫手但内部芯片同样产热需关注降频问题。#DGXSpark #Spark #NVIDIA #算力 #token

29. 英伟达RTX Spark电脑配置怎么样？

30. AI工作站相关数据对比，谁才是你的最理想龙虾？

31. NVIDIA DGX Spark：128G统一内存！桌面AI超算Coding实测

32. 3W元买一台 AI 小主机，我亏了吗？

33. 英伟达发布全新RTX Spark：个人PC的新时代。

34. 台北电脑展：微星发布EdgeMesa N AI+ 迷你电脑，搭载英伟达RTX Spark

35. 如何评价NVIDIA RTX Spark？

36. 拆解报告：英伟达DGX Spark原装240W电源

37. 英伟达RTX Spark很强？我要来泼一盆冷水！

38. 泼冷水！英伟达RTX Spark确实强，但在Agent时代不算好电脑

39. 黄仁勋的“新阳谋”：条条大路通算力，每条都有英伟达收费口

40. 英伟达AI PC豪赌：除了开发者，谁还会为“本地大模型电脑”买单？

41. 刚刚，英伟达重新定义PC！史上最高效CPU来了

42. 告别 Token 焦虑：用 NVIDIA DGX Spark 打造游戏 UGC 多智能体“AI 圆桌”协作系统

43. I am EXTREMely disappointed with the current state of DGX Spark

44. DGX Spark 开箱，金贵金贵的小玩意

45. 这台电脑是“养龙虾”的最好选择？NVIDIA DGX Spark应用体验手记

46. 微星（MSI）EdgeXpert DGX Spark AI大模型计算工作站

47. 4台DGX Spark跑GLM-5.2，真实使用记录

48. 【尝试】双DGXSpark部署DeepSeek Dflash 前几期我说 DGX Spark 跑小模型不如 M5 Max，但后来发现用两台 DGX Spark 部署 DeepSeek V4 Flash才是它的正确打开方式——它适合跑大体量混合专家模型，而不是小体量模型。这次实测了 DeepSeek 新出的 DSpark 加速方案，对比老 MTP提升巨大。不过目前方案还不稳定，解码速度波动大，偶有模型自动卸载的问题。需要稳定使用建议先用MTP方案；想尝鲜可以试试 DSpark。双机 DGX Spark（约 5 万预算）跑 DeepSeek V4 Flash，是目前性价比很高的方案。 #DGXSpark #DeepSeek #Dspark

49. DGX Spark本地跑DeepSeek V4 Flash 这期视频实测使用一台英伟达 DGX Spark，在128GB统一内存中本地部署DeepSeek V4 Flash。经过优化后，模型输出峰值可以达到约48 Tokens/s，日常运行大多稳定在20～40 Tokens/s，并且成功开启512K上下文，在OpenCode等AI编程工具中完成网站、落地页等真实项目开发。视频中还会展示模型的内存占用、运行温度、量化效果、长上下文压缩情况，以及单台和两台DGX Spark运行时的差异。单机内存占用已经接近95%，虽然速度不算特别稳定，但对于希望在本地不限量使用DeepSeek V4 Flash、避免持续支付API费用的用户来说，整体体验已经具备较高的实用价值。售价约3.6万元的DGX Spark究竟值不值得买？本期结合实际部署和开发效果，给大家一次讲清楚。#DeepSeek #DeepSeekV4Flash #DGXSpark #英伟达 #本地部署 #大模型本地部署 #AI编程 #VibeCoding #OpenCode #AI开发 #大语言模型 #512K上下文 #模型量化 #生成式AI #鲲鹏Talk

50. 【避坑】双DGX部署DeepSeek V4 注意事项双DGX Spark部署DeepSeek V4 Flash Dspark，踩了两个大坑。最大的坑是Ubuntu桌面：开着桌面会吃掉8-12G显存，算力性能损失约20%。两台设备都关闭桌面、改用命令行后，解码速度从三四十飙到五十多token，终于跑出社区参考数据。第二个坑是双机互联带宽，没跑满200G的话性能直接腰斩。关桌面后需要桌面工具怎么办？开放8088端口，用其他电脑远程访问就行。测试下来双DGX Spark成本约5万，性价比和Pro6000双卡基本持平，功耗才250W，安静省电还省空间。适合个人使用，等后续VLLM适配更新后还有优化空间。 #DeepSeekV4 #Dspark #DGXspark #pro6000

51. DGX Spark × ComfyUI 文生图26秒极限挑战（0-3秒）别划走！见证桌面超算的生图魔法👀 （4-8秒）26秒！从文字到高清大图一气呵成⏱️ （9-13秒）CPU占用：仅5%！几乎无感运行💻 （14-18秒）内存负载：16%！系统流畅不卡顿🚀 （19-23秒）DGX Spark+ComfyUI=创作自由🖌️ （24-26秒）专业级出图，性能碾压全场💥 #AI #AI生图 #comfyui #DGXspark #上热门

52. DGX迷你超算本地运行deepseek v4正式版一台巴掌大的“小金盒”，跑通了2840亿参数的SOTA模型——这种感觉真的很难用语言形容。 DGX Spark到家那天我就知道它会很能打，128GB统一内存、1 PetaFLOP的算力，本身就是个迷你超算。但真正把DeepSeek V4 Flash 284B正式版跑起来的那一刻，还是被震撼到了。 MoE架构，284B总参数、13B激活，1M上下文，在本地就能丝滑运行。最离谱的是后训练带来的提升——DeepSWE从7.3分直接拉到54.4分，暴涨6倍多。Agent能力逼近Opus 4.8，智能指数追平Gemini 3.6 Flash。这还只是Flash版，不敢想Pro版会有多恐怖。以前跑这种级别的模型，要么租云服务器，要么忍受龟速推理。现在自己的桌面上就能跑，这种感觉——懂的都懂。顺便说一句，如果你也想试试，GitHub上已经有在DGX Spark上部署V4 Flash的完整方案了。这是属于本地AI玩家的时代。 #DeepSeekV4 #DGXSpark #本地部署 #AI超算 #开源模型

53. 【分享】DGXspark和DeepSeekV4正式版相关问题 DeepSeek 正式版双机DGX部署评论区问题比较多，这期统一解答！核心结论：双机 DGXSpark 部署 DeepSeek V4 Flash 正式版，是目前最稳定、性价比最高的方案。散热无忧——跑 V4 Flash 功耗仅六七十瓦，满载 80 度左右，我没遇到过热死机；日常单并发约 60 token/s，预填充约 2000 token/s，长上下文衰减也不严重。正式版比预览版效率更高、质量更好。 3D 打印散热外壳可以辅助散热方便携带、双机一根 200G 网线即连、三台以上才需交换机、硬盘版本怎么选，以及为什么不建议拿它跑文生图。个人或小团队用，双机六万块，真香！#DeepSeekV4 #DGXspark #DeepSeekv4正式版

54. [中配]Nvidia DGX Spark 评测：用于本地AI，比Mac Studio更好？ - Heavy Metal Cloud

55. 数据中心级算力下放！DGX Spark 开箱品鉴

56. dgxspark能否当电脑用？最近有人问我dgxspark能否当电脑用，刚好我也入手一台了，给大家讲讲。 DGX Spark 是一款由 Grace Blackwell GB10驱动的迷你电脑平台，专为本地 AI 推理和开发量身定制。在当今许多最先进的 AI 模型上运行推理，所需的 GPU 本地内存远超 RTX 5090所能提供的32GB。 RTX Pro 6000Blackwell可提供高达96GB的 GPU 本地内存，但这是一款在添加主机服务器或工作站的成本之前就价值8000美元以上的产品。总之，它可以当电脑用，但不是传统上的电脑，这点大家要明白。#希望对大家有帮助

57. 【反转】草率了M5max反杀了DGX Spark 上期说M5 Max长上下文被DGX Spark吊打——草率了。评论区提醒我没考虑缓存命中因素，重新测完直接反转： • 日常对话：Mac 2秒回复，DGX要4秒多 • 128K长对话前缀缓存命中下：Mac 5秒，DGX 7.5秒 • 工具调用：Mac快约1.8倍 • DGX唯一优势：冷启动加载超长文档速度上期只测了"冷启动"一种情况，忽略了智能体90%时间都在多轮对话——前缀缓存命中后，Mac的内存带宽优势（546GB/s vs 273GB/s）直接碾压DGX的GPU算力优势。说白了：上期测的是"每次都把书重读一遍"，实际使用是"读一次就记住了"。感谢评论区纠错，这期把数据补完整了。 #macbookpro #DGXSpark #本地大模型

58. DGX Spark 3万2，跑大模型却卡成PPT？🤯 今天用实测数据说清楚真相： ⚡ 硬件配置确实亮眼：GB10 + 128GB内存 ⚡ 但致命短板是带宽：只有273 GB/s，对比MI250的3.2TB/s差了10倍多 📊 Ollama实测： Qwen2.5 70B（Q4量化）→ 30秒才出结果换成8B模型？一样慢，因为瓶颈不在模型大小 🔥 反直觉发现：llama.cpp下Q6量化比Q8还快！量化精度越低 → 模型体积越小 → 带宽压力越小 → 速度反而越快 💡 DGX Spark真正适合的场景：新闻摘要、代码审查、数理辅导（7B-13B模型够用）不适合：多模态、实时对话、大参数推理 🤔 同价位3800元上MI50四卡，带宽直接翻10倍你本地跑大模型用什么硬件？评论区聊聊 👇 #大模型 #DGXSpark #NVIDIA #本地部署 #llama.cpp

59. NVIDIA DGX Spark 深度体验：128GB 统一内存 + 4TB 存储的个人 AI 超算，到底香不香？

60. NVIDIA DGX Spark 到底值不值得买?先分清你要的是「快」还是「完整」