Auf der CES 2026 stellte NVIDIA ein Software-Update für DGX Spark vor , das dessen Rolle als kompaktes, lokales KI-System erweitert. Die Änderungen konzentrieren sich auf neue Laufzeitumgebungen, Quantisierungsformate und Bereitstellungs-Playbooks, die das lokale Ausführen von Open-Source-Modellen, automatisierten Workflows sowie Creator- und 3D-Pipelines vereinfachen. Das Update richtet sich an Teams, die DGX Spark bereits in Laboren, Edge-Umgebungen oder Entwicklungsumgebungen einsetzen, und erfordert keine neue Hardware.
Open-Source-KI in Unternehmensumgebungen
NVIDIA hob den rasanten Aufstieg von Open-Source-KI hervor. Die monatlichen Downloads von Open-Source-KI-Frameworks und -Modellen stiegen von rund sieben Millionen im Juni 2023 auf etwa 390 Millionen bis Dezember 2025. Spark wurde an diesen Trend angepasst: PyTorch, vLLM, SGLang, llama.cpp, LlamaIndex und viele Community-Modelle von Qwen, Meta, Stability und Wan sind nun vollständig in das System integriert.
Für Unternehmen, die auf Open-Source-Tools setzen, bedeutet dies weniger Aufwand für die individuelle Integration und einen zuverlässigeren Betrieb der bereits verwendeten Systeme.
Bis zu 2.5-mal schneller als seit der Markteinführung
NVIDIA gibt an, dass die Leistung bei wichtigen Arbeitslasten im Vergleich zur DGX Spark zum Marktstart um bis zu 2.5-mal verbessert wurde. Dieser Leistungsschub resultiert aus Verbesserungen in TensorRT-LLM, einer aggressiveren Quantisierung und Dekodierungsoptimierungen und nicht aus Hardwareänderungen.
Ein konkretes Beispiel ist Qwen-235B mit TensorRT-LLM. Der Übergang von FP8- zu NVFP4-Quantisierung und die Verwendung spekulativer Dekodierung mit Eagle3 verdoppeln den Durchsatz mehr als. Qwen3-30B unter CUDA und Stable Diffusion 3.5 Large unter llama.cpp erzielt Verbesserungen um den Faktor 1.4. Feinabstimmungsprozesse, ob vollständig oder parametereffizient, zeigen zwar merkliche, aber geringere Leistungssteigerungen, da PyTorch-Pipelines für die GPUs von Spark optimiert sind.
Playbooks: Vom „Rechner auf dem Schreibtisch“ zu nutzbaren Arbeitsabläufen
Um die Lücke zwischen reiner Rechenleistung und nutzbaren Lösungen zu schließen, führt NVIDIA neue DGX Spark Playbooks ein, die Tools, Modelle und Anleitungen für gängige Unternehmensaufgaben kombinieren.
Die neuen Inhalte umfassen:
- Inferenz: vLLM, SGLang, TensorRT-LLM, spekulative Dekodierung, multimodale Inferenz, NIM auf Spark, NVFP4-Quantisierung und lokales Nemotron-3 Nano.
- Feinabstimmung: Multi-Spark PyTorch Feinabstimmung, FLUX.1 DreamBooth LoRA, LLAMA Factory, NeMo und Unsloth-basiertes effizientes Training.
- Data Science: CUDA-X Data Science, optimiertes JAX, Text-zu-Wissensgraph und domänenspezifische Workflows wie Einzelzell-RNA-Sequenzierung und quantitative Portfoliooptimierung.
- Tools und Konnektivität: ComfyUI, VS Code, DGX Dashboard, RAG in AI Workbench, Tailscale und NCCL-basiertes „Connect Two Sparks“.
Der Fokus liegt weniger auf aufwendigen Demos, sondern vielmehr auf Wiederholbarkeit. Diese Playbooks dienen als vorvalidierte Referenzframeworks, die lokal bereitgestellt werden können, ohne dass die gesamte Infrastruktur überarbeitet werden muss.
8-mal schnellere KI-Video-Pipelines mit Hybrid-MacBook und Spark
Im Bereich Content-Erstellung testete NVIDIA KI-Videogenerierungs-Workflows, die ein MacBook Pro M4 Max mit DGX Spark über ComfyUI und FLUX.1-dev, WAN 2.2 und GPU-beschleunigte Upscaler kombinierten.
Die Referenzpipeline, die ein 4K-Video eines roten Sportwagens in einer futuristischen Stadt enthielt, verdeutlichte die Verbesserungen. Die Ausführung des gesamten Workflows allein auf dem MacBook dauerte etwa acht Minuten. Durch die Verlagerung der rechenintensiven Prozesse auf DGX Spark konnte die Zeit auf etwa eine Minute reduziert werden, was einer achtfachen Geschwindigkeitssteigerung entspricht.
Dieser Fortschritt resultiert aus dem Betrieb von FLUX.1-dev und WAN 2.2 in quantisiertem NVFP4/NVFP8 auf Spark, gefolgt von RTX Video Super Resolution. Für Medien-, Design- und Marketingteams wandelt dies die generative Videobearbeitung von einem Batch-Rendering hin zu einem Prozess, der interaktiver Iteration deutlich näher kommt, während die Kontrolle innerhalb des Rechenzentrums oder Edge-Racks erhalten bleibt.
3D und RTX Remix: Spark als KI-Co-Prozessor im Hintergrund
DGX Spark wird auch als Koprozessor für RTX Remix-basierte 3D-Workflows vermarktet. Beispielsweise läuft auf einem RTX 5090-System die interaktive „Mod“-Umgebung. Gleichzeitig generiert Spark KI-Texturen in Stapeln (z. B. 100 Materialien) und sendet die Ergebnisse zurück in die Szene, ohne die Arbeit der Künstler zu unterbrechen.
Ein Vorher-Nachher-Vergleich mit SWAT 4 verdeutlichte, wie KI-gestützte Materialien bestehende Systeme revitalisieren können. Der entscheidende geschäftliche Vorteil liegt jedoch in der Workflow-Gestaltung: Spark fungiert als kontinuierliche Hintergrund-Engine für generative Aufgaben, während die primären Workstations aktiv bleiben.
Nsight Copilot: Lokaler CUDA-KI-Assistent
Eine bemerkenswerte Neuerung ist Nsight Copilot, das lokal auf DGX Spark operiert.
Entwickler können Aufgaben anfordern, wie z. B. „Matrixmultiplikation in FP4 in CUDA schreiben“, und Nsight Copilot stellt ein vollständiges cuBLAS-Lt-Beispiel bereit, das FP32-Eingaben auf dem Gerät in FP4 quantisiert, die Skalierung pro Tensor festlegt, GEMM in FP32 ausführt und die FP32-Ausgabe zurückgibt. Wichtig ist, dass dieser Prozess abläuft, ohne Code oder Daten an einen Cloud-Dienst zu senden.
- Keine Cloud-Inferenzkosten.
- Quellcode, Daten und IP-Rechte verbleiben lokal.
- Lokale GPUs steuern Latenz und Durchsatz.
Für Organisationen mit strengen Datenschutzrichtlinien ermöglicht dies eine KI-gestützte Entwicklung bei gleichzeitiger Gewährleistung der Sicherheit innerhalb ihres Netzwerks.
Agenten, Robotik und Edge Computing: Vom Labor zur Produktion
NVIDIA erweitert Spark durch eine Partnerschaft mit Hugging Face und dem Open-Source-Roboter Reachy Mini auf Anwendungen im Bereich Agenten und Robotik. DGX Spark steuert die Agenten, LLMs, VLMs und Planer, während Reachy Mini eine physische Form für Forschung, Lehre und Prototyping im Bereich der Mensch-Roboter-Interaktion bereitstellt.
DGX Spark wird bis Ende Januar in NVIDIA AI Enterprise integriert. Dies bietet Unternehmen einen unterstützten Software-Stack, Lebenszyklusmanagement und Sicherheitsupdates für den Betrieb von Spark in Edge- und On-Premise-Szenarien, wie z. B. in der intelligenten Fertigung und Inspektion, im intelligenten Einzelhandel und in der Verlustprävention sowie in patientennahen Gesundheitsanwendungen.
Ökosystem- und OEM-Unterstützung
NVIDIA schloss das Update mit einem Hinweis auf das umfangreiche Ökosystem ab: Modellanbieter (OpenAI, Mistral, Stability, Qwen, Meta, ElevenLabs, Black Forest Labs und andere), Tools (vLLM, Comfy, LlamaIndex, Docker, Jupyter, Weights & Biases, Anyscale sowie wissenschaftliche Codes wie VASP und GROMACS) und eine breite Palette von OEMs, darunter Dell, Lenovo, HP, ASUS, MSI, Supermicro und mehr.
Die Botschaft für Unternehmenskunden lautet: Der DGX Spark ist nicht länger nur ein auf Entwickler ausgerichtetes Werkzeug. Es handelt sich um einen kompakten Knoten, der sich nahtlos in bestehende Tools, Lieferantenbeziehungen und KI-Produktionsstrategien integrieren lässt.
Amazon