Nvidia bringt die 64GB-Version des DGX Spark auf den Markt, der Speicher wurde halbiert, Verkaufspreis ab 4999 US-Dollar, die 128GB-Version steigt auf 6950 US-Dollar.

Während KI-Modelle zunehmend "leichtgewichtig" werden, steigt der Preis für Grafikspeicher immer weiter. Nvidia reagiert auf dieses Dilemma mit einem Produkt, das "Speicher kürzt".

Am Freitag, dem 2. Oktober (US-Ostküstenzeit), kündigte Nvidia die Einführung der Desktop-KI-Workstation DGX Spark mit 64 GB Unified Memory an. Der Startpreis beträgt 4.999 US-Dollar, der Marktstart erfolgt am 23. Oktober über OEM-Hersteller wie Acer, ASUS, Dell, Gigabyte, HP und MSI. Das neue Gerät behält den GB10 Grace Blackwell Superchip, DGX OS, den vollständigen Nvidia KI-Software-Stack sowie die ConnectX-7 Netzwerkfähigkeit, aber der Unified Memory wird von bisher 128 GB auf 64 GB reduziert.

Bemerkenswert ist, dass die "abgespeckte" Version der DGX Spark einen höheren Einstiegspreis hat als das letztjährige 128GB-Modell mit einem Einführungsangebot von 3.999 US-Dollar; gleichzeitig erhöht Nvidia den Preis der 128GB Founders Edition sogar auf 6.950 US-Dollar. Medien berichten, Nvidia begründet diese Preiserhöhung mit begrenztem Speicherangebot und steigenden Kosten.

Das bedeutet: Im Kontext wachsender KI-Server-Nachfrage, die den Speicherbedarf weiter erhöht, ist "weniger Speicher geben" eine Methode, um die Preishürde lokaler KI-Geräte zu senken – das heißt aber nicht, dass die Geräte tatsächlich günstiger geworden sind.

64 GB reichen? Nvidia fokussiert lokale KI-Agenten

Die Kernlogik von Nvidias aktueller Anpassung ist, dass immer mehr Open-Source-Modelle bereits mit kleinerem Speicher laufen können.

Nvidia erklärt, mit zunehmenden Fähigkeiten von Open-Source-Modellen und stetiger Verkleinerung der Modellgrößen sei 64 GB Unified Memory ausreichend für viele lokale KI-Anwendungen. Die neue DGX Spark kann lokal Modelle mit bis zu 100 Milliarden Parametern ausführen und unterstützt KI-Agenten, Inferenz, Fine-Tuning, Data Science und Edge-Entwicklung.

Tom's Hardware weist darauf hin, dass einige der neuesten hochperformanten Modelle bereits mit rund 32 GB Speicher laufen können – nur in Szenarien mit großem Kontextfenster gibt es Einschränkungen. Daher brauchen nicht alle Entwickler den ursprünglich für "lokale Ausführung großer Modelle" vorgesehenen 128 GB Speicher.

Das ist die praktische Grundlage für den 64GB-Launch von Nvidia: Für Anwender, die hauptsächlich lokale Inferenz, Entwicklung von KI-Agenten und keine großangelegte Modell-Trainings oder Fine-Tuning betreiben, decken 64 GB einen erheblichen Teil der Workloads ab.

Nvidia fasst diesen Trend in der Ankündigung als "Mit fortschreitender Technologie wird lokale KI immer praxisnäher" zusammen. Mit dem Übergang der KI-Agenten vom Experiment zur alltäglichen Entwicklung wächst der Bedarf an lokalen Modellausführungen.

Zudem bietet die lokale Ausführung Vorteile in Sachen Datenschutz und Kosten. Entwickler können ihre Daten und KI-Agenten direkt auf der DGX Spark verarbeiten, ohne jedes Mal auf Cloud-Modelle zugreifen zu müssen.

Gleicher GB10, keine Performanceeinbußen durch 64 GB-Version

Aus Sicht der Hardware-Architektur ist die 64 GB-Version kein völlig neuer Chip.

Nvidia erklärt, das Gerät verwendet weiterhin den GB10 Grace Blackwell Superchip und behält DGX OS und den KI-Software-Stack bei. Medien vermerken, dass sogar die ursprüngliche 20-Kern-Arm-CPU und die 273 GB/s gemeinsam genutzte Speicherbandbreite erhalten bleiben. Für Modelle, die in 64 GB passen, bleibt die rechnerische Basisfähigkeit gegenüber dem Modell mit doppeltem Speicher unverändert.

Anders gesagt: Der Fokus liegt nicht auf "Einschränkung der Rechenleistung", sondern auf dem Kürzen von Speicher, den ein Teil der Nutzer ohnehin nicht benötigt.

Die 64 GB-Version unterstützt weiterhin gängige Inferenz-Frameworks wie llama.cpp, Ollama, vLLM, LM Studio sowie ist mit Nvidia Agent Toolkit, CUDA-X KI-Bibliothek und Nemotron sowie weiteren offenen Modellen vorinstalliert.

Nvidias Kalkül ist klar: Benötigt ein Entwickler aktuell nur 64 GB, kann er zunächst eine Maschine mit geringerem Speicher kaufen; wächst das Modell künftig, kann man durch Cluster-Erweiterungen Speicher und Rechenleistung aufstocken.

Zwei 64GB-Maschinen lassen sich zu 128GB bündeln – Leistung bis zu 70 % höher

Ein weiterer Schwerpunkt des DGX Spark-Upgrades ist die nochmals verstärkte Multi-Device-Kooperation von Nvidia.

Auch die 64 GB-Version hat den ConnectX-7 Netzwerkanschluss integriert. Zwei Geräte können direkt mittels QSFP-Kabel verbunden werden und mit Hilfe des NVIDIA Sync Cluster Assistant automatisch Netzwerk-Konfiguration durchführen, sodass sie einen lokalen KI-Cluster bilden. Nvidia sagt, zwei 64 GB DGX Spark ergeben einen Speicherpool von 128 GB und unterstützen Modelle mit bis zu 200 Milliarden Parametern.

Im Qwen 3.8 27B-Test von Nvidia erreicht ein Cluster aus zwei 64 GB-Maschinen bis zu 1,7-fache Leistung eines einzelnen Geräts.

Ende Oktober kommt außerdem der NVIDIA Sync Model Launcher, der das Modell-Deployment auf Einzelgeräten oder in Clustern weiter vereinfacht. Entwickler können beispielsweise Qwen 3.8 27B ausführen und an OpenCode und andere Entwicklungswerkzeuge anschließen.

Das heißt: Die Produktlogik der DGX Spark verschiebt sich schrittweise von "eine Desktop-KI-Supercomputing-Workstation" hin zu "lokalen KI-Knoten, die schrittweise skaliert werden können".

Natürlich sind zwei Geräte nicht gleichbedeutend mit wirklich einem einzigen 128 GB DGX Spark, weil Modelle über Knoten hinweg laufen können oder nicht, je nach Software und Workload. Für Aufgaben, die lokal große Speicher auf einer Einzelmaschine benötigen, bleibt die 64 GB-Version weiterhin eingeschränkt.

Bei Speicherknappheit ist die 64GB-Version mit 4.999 US-Dollar nicht wirklich "günstig"

Tatsächlich verdient die Preisgestaltung besondere Aufmerksamkeit.

Der offizielle Einstiegspreis der 64GB DGX Spark liegt bei 4.999 US-Dollar; diese Version wird es nicht als Nvidia Founders Edition geben, sondern ausschließlich von OEM-Partnern verkauft. Die Partner sind Acer, ASUS, Dell, Gigabyte, HP und MSI; Ausstattung und Preis variieren möglicherweise.

Zum Vergleich: Die ursprüngliche DGX Spark von Nvidia kam 2025 mit 128 GB Speicher für 3.999 US-Dollar auf den Markt. Medien berichten, dass Nvidia im Februar 2026 den Preis der 128 GB Founders Edition auf 4.699 US-Dollar anhob und jetzt auf 6.950 US-Dollar.

Verglichen mit dem ursprünglichen Einführungspreis ist die 64 GB-Version heute nicht nur nicht billiger als die 128 GB-Version, sondern sogar 1.000 US-Dollar teurer, das heißt ein Anstieg von 25 %.

Im Vergleich zum aktuellen offiziellen Nvidia-Preis für 128 GB ist die 64 GB-Version mit 4.999 US-Dollar um 1.951 US-Dollar günstiger, dafür ist der Speicher aber halbiert.

PC Watch zitiert relevante Informationen, dass die Preiserhöhung beim 128 GB-Modell mit begrenztem Speicherangebot und steigenden Kosten zusammenhängt; Tom's Hardware merkt an, dass der tatsächliche Marktpreis für Systeme mit 128 GB GB10 sogar bei 7.000 bis 9.000 US-Dollar liegt.

Das heißt, die Produktanpassung bedeutet auch: KI-Rechenleistung wandert zunehmend in lokale Geräte, aber Speicher wird dabei zum entscheidenden Kosten-Bottleneck.

Von "Speicher stapeln" zu "bedarfsgerechter Expansion"

Aus Sicht der Produktstrategie ist die DGX Spark diesmal nicht einfach nur eine "Low-End-Version".

Bisher war einer der Hauptverkaufsargumente der DGX Spark die 128 GB Unified Memory, wodurch Entwickler große Modelle auf Desktop-Geräten ausführen konnten; mit Fortschritten bei Modell-Kompression und Quantisierung brauchen einige Modelle inzwischen keinen so großen Speicher mehr.

Damit bietet Nvidia jetzt die Lösung: 64 GB Einzelgerät für gängige lokale KI-Inferenz, bei steigendem Speicherbedarf durch Multi-Device-Cluster erweitern.

Die 64 GB-Version kommt am 23. Oktober auf den Markt mit einem Mindestpreis von 4.999 US-Dollar. Gleichzeitig erhöht sich der Preis der 128 GB-Version auf 6.950 US-Dollar – das macht das neue Produkt besonders: Es ist Nvidias Versuch, die Hardware-Schwelle für lokale KI zu senken, und zugleich Spiegelbild des aktuellen KI-Marktes mit "hohem Rechenleistungsbedarf und zunehmend knapper Speicherverfügbarkeit".