Nvidia lança DGX Spark com 64 GB por US$ 4.999; entenda por que a IA local está usando menos memória | Divulgação/NVIDIA
A Nvidia vai lançar uma versão de 64 GB do DGX Spark por US$ 4.999, ampliando a linha de computadores compactos voltados para inteligência artificial local.
A nova configuração chega em 23 de outubro de 2026 por fabricantes como Acer, ASUS, Dell, Gigabyte, HP e MSI.
Mas há uma correção importante na maneira de interpretar o anúncio.
A Nvidia não substituiu o DGX Spark de 128 GB por uma versão menor. A empresa adicionou uma nova configuração com metade da memória, enquanto o modelo de 128 GB continua existindo.
O mais curioso é o preço.
A nova versão de 64 GB começa em US$ 4.999, enquanto o DGX Spark Founders Edition de 128 GB segue listado pela própria Nvidia por US$ 4.699, embora esteja fora de estoque no momento.
Isso mostra que a novidade não nasce simplesmente como uma versão “barata”.
Ela responde principalmente a outra mudança: modelos de IA estão ficando menores e mais eficientes o suficiente para que 64 GB voltem a ser uma capacidade útil para muitos workloads locais.
DGX Spark de 64 GB mantém o mesmo chip
A redução acontece na memória, não no processador principal.
A nova versão continua utilizando o GB10 Grace Blackwell Superchip, que combina CPU ARM e GPU Blackwell dentro da mesma plataforma.
A Nvidia mantém ainda:
- até 1 PFLOP de desempenho FP4;
- CPU ARM de 20 núcleos;
- memória unificada;
- arquitetura Blackwell;
- ConnectX-7;
- rede de até 200 GbE entre unidades;
- DGX OS;
- CUDA e ferramentas do ecossistema Nvidia.
Isso significa que o novo modelo não é uma versão completamente diferente do Spark.
É, essencialmente, uma configuração com menos memória unificada.
64 GB ainda permitem modelos grandes
A Nvidia afirma que uma única unidade com 64 GB consegue executar localmente modelos de até aproximadamente 100 bilhões de parâmetros, dependendo de arquitetura e quantização.
Isso não significa que qualquer modelo de 100 bilhões caberá automaticamente.
Quantidade de parâmetros sozinha não determina o consumo total de memória.
Também entram na conta:
- precisão utilizada;
- quantização;
- tamanho do contexto;
- KV cache;
- overhead do sistema;
- arquitetura do modelo;
- software usado na inferência.
Ainda assim, o número mostra como o cenário mudou.
Há poucos anos, 64 GB pareciam uma quantidade enorme para um computador pessoal.
Hoje, podem ser tratados como uma configuração intermediária para IA local.
Modelos menores ficaram muito mais capazes
A principal justificativa tecnológica aparece nos próprios modelos atuais.
Arquiteturas recentes conseguem entregar bastante capacidade sem depender necessariamente de centenas de bilhões de parâmetros ativos.
A Nvidia cita, por exemplo, workloads como Qwen 3.8 27B dentro desse contexto.
Um modelo na casa dos 20 ou 30 bilhões de parâmetros, quando quantizado adequadamente, pode caber confortavelmente dentro de 64 GB e ainda deixar espaço para contexto e outras estruturas necessárias durante a inferência.
Isso reduz a necessidade de colocar 128 GB em toda máquina destinada a agentes locais.
Quantização muda completamente o cálculo
A palavra-chave aqui é quantização.
Um modelo pode armazenar seus pesos utilizando diferentes níveis de precisão.
Quanto maior a precisão, maior o consumo de memória.
Simplificando:
um parâmetro armazenado em 16 bits consome muito mais espaço que o mesmo parâmetro representado em 4 bits.
A Nvidia utiliza intensamente formatos como FP4 e NVFP4 em sua estratégia de IA.
Isso permite reduzir bastante o volume necessário para manter os pesos do modelo na memória.
Naturalmente, quantização não é mágica.
Dependendo do método e do modelo, reduzir precisão pode afetar qualidade, estabilidade ou determinados tipos de tarefa.
Mas as técnicas modernas melhoraram a ponto de tornar modelos compactados extremamente úteis.
Memória do DGX Spark é compartilhada entre CPU e GPU
Há outro detalhe fundamental.
Os 64 GB do DGX Spark são memória unificada.
Não existe uma divisão tradicional em que o computador possui, por exemplo, 32 GB de RAM de sistema e 32 GB de VRAM separada.
CPU e GPU trabalham sobre uma mesma memória LPDDR5X coerente.
Isso é especialmente interessante para modelos de IA grandes.
Em sistemas convencionais, mover dados entre RAM e VRAM pode criar gargalos ou simplesmente impedir que determinado modelo seja carregado por falta de memória gráfica.
No Spark, existe um único pool.
A contrapartida é que o sistema operacional e outros processos também precisam usar parte desses 64 GB.
Portanto, não são 64 GB integralmente livres apenas para o modelo.
Dois Sparks de 64 GB podem formar 128 GB
A Nvidia também criou uma maneira de compensar a redução.
Duas unidades de 64 GB podem ser conectadas diretamente por meio do ConnectX-7 e do novo Nvidia Sync Cluster Assistant.
Nesse cenário, o sistema pode trabalhar com 128 GB de memória agregada para cargas distribuídas.
Segundo a Nvidia, o processo é automatizado pelo software de cluster.
A empresa afirma ainda que duas unidades conseguem atender modelos maiores e workloads com contextos mais longos ou múltiplos agentes simultâneos.
Isso não significa que dois computadores se transformam literalmente em uma única GPU.
O software precisa distribuir a carga entre as duas máquinas.
Mas para modelos compatíveis, o cluster amplia a capacidade disponível.
A conta fica curiosa
Dois DGX Spark de 64 GB, pelo preço inicial anunciado, custariam pelo menos:
US$ 4.999 × 2 = US$ 9.998.
Em troca, o usuário teria 128 GB agregados e dois superchips GB10.
O DGX Spark Founders Edition de 128 GB aparece atualmente listado pela própria Nvidia por US$ 4.699, embora esteja fora de estoque.
Portanto, comprar duas unidades de 64 GB não é uma forma econômica de simplesmente obter a mesma quantidade de memória.
O objetivo do cluster é outro: ganhar também capacidade computacional adicional e distribuir cargas.
Por que o modelo de 64 GB custa mais que o Spark de 128 GB da Nvidia?
Essa é provavelmente a pergunta mais estranha do anúncio.
A resposta está no fato de que estamos comparando produtos de canais diferentes.
O preço de US$ 4.999 é o valor inicial anunciado para máquinas de parceiros OEM com 64 GB.
Já os US$ 4.699 correspondem ao MSRP atual do DGX Spark Founders Edition de 128 GB vendido diretamente pela Nvidia.
Em fevereiro, a própria empresa elevou esse preço de US$ 3.999 para US$ 4.699.
A justificativa oficial foi a restrição global na oferta de memória.
Portanto, a nova versão de 64 GB não deve ser entendida como uma redução simples de especificação seguida por preço proporcionalmente menor.
Fabricante, armazenamento, configuração e mercado também entram na comparação.
128 GB continuam importantes
A existência de modelos mais eficientes não torna 128 GB inúteis.
Há workloads em que memória continua sendo o recurso decisivo.
Isso inclui:
- modelos maiores;
- contextos longos;
- múltiplos agentes;
- fine-tuning;
- batches maiores;
- multimodalidade;
- experimentos que mantêm vários modelos carregados.
A própria Nvidia continua vendendo e promovendo sistemas de 128 GB.
O modelo de 64 GB amplia a escolha.
Não substitui automaticamente a configuração maior.
IA local tenta sair do laboratório
Outro aspecto interessante é a mudança de público.
O DGX Spark foi inicialmente apresentado como uma espécie de supercomputador pessoal de IA, voltado principalmente a desenvolvedores, pesquisadores e cientistas de dados.
Agora, a Nvidia fala cada vez mais em agentes executados continuamente no desktop.
A empresa cita exemplos como:
- agente de programação;
- agente de pesquisa;
- análise de documentos;
- geração de imagens;
- automações locais;
- aplicações privadas sem dependência de nuvem.
Esse cenário exige máquinas capazes de permanecer ligadas trabalhando com modelos sem enviar todos os dados para servidores externos.
Privacidade é uma das vantagens da IA local
Executar um modelo localmente traz uma vantagem simples.
Os dados podem permanecer no próprio computador.
Isso importa em ambientes que lidam com:
- código privado;
- documentos empresariais;
- dados internos;
- projetos confidenciais;
- pesquisa proprietária.
Também elimina cobrança por uso de API para determinadas tarefas.
Naturalmente, o custo inicial do hardware é muito maior.
Um computador de US$ 4.999 dificilmente compete com serviços gratuitos ou baratos para uso casual.
O mercado é outro.
DGX Spark não é um PC gamer caro
O chip Blackwell e a presença de núcleos RT podem sugerir comparação com GeForce.
Mas essa não é a melhor leitura.
O DGX Spark foi projetado para computação de IA, não como um desktop gamer.
Sua arquitetura coloca prioridade em:
- memória unificada;
- Tensor Cores;
- conectividade rápida;
- CUDA;
- ferramentas de IA;
- workloads distribuídos.
Os 64 GB também não devem ser comparados diretamente aos 16 GB ou 24 GB de VRAM de uma placa gamer.
No Spark, estamos falando de uma memória de sistema unificada compartilhada pela CPU e GPU.
O tamanho continua impressionando
Apesar da proposta profissional, o Spark é extremamente compacto.
O modelo de referência de 128 GB mede cerca de:
15 cm × 15 cm × 5 cm.
O peso fica em aproximadamente 1,2 kg.
É um volume muito pequeno para um sistema capaz de executar modelos que poucos anos atrás exigiriam servidores consideravelmente maiores.
A nova configuração de parceiros preserva a mesma filosofia de computador compacto voltado a IA local, embora dimensões possam variar conforme fabricante.
Menos memória não significa necessariamente menos utilidade
A reação instintiva diante de um modelo de 64 GB ao lado de outro de 128 GB pode ser pensar simplesmente em perda.
Para determinados workloads, será exatamente isso.
Um modelo que precisa de mais memória não passará a caber apenas porque o hardware é novo.
Mas o ecossistema de IA também mudou.
Modelos menores ficaram melhores.
Quantização ficou mais eficiente.
Ferramentas de distribuição amadureceram.
Agentes especializados nem sempre precisam carregar os maiores modelos existentes.
Nesse cenário, a Nvidia está apostando que 64 GB representam um novo ponto de equilíbrio para parte da IA local.
O verdadeiro problema continua sendo o preço
É aqui que a discussão fica mais complicada.
A nova configuração começa em US$ 4.999.
Não é um produto de entrada.
Também não é uma máquina destinada ao consumidor que apenas quer experimentar um chatbot local.
O público continua sendo profissional, pesquisador ou entusiasta disposto a pagar bastante por:
controle local + memória elevada + ecossistema Nvidia + formato compacto.
Por isso, talvez a notícia mais interessante não seja que o DGX Spark perdeu metade da memória.
Ele não perdeu.
A Nvidia criou uma segunda opção.
E fez isso justamente quando o software começa a provar que, para muitos modelos, usar menos memória pode ser muito mais importante do que simplesmente instalar mais memória.
