Podczas targów CES 2026 firma NVIDIA przedstawiła aktualizację oprogramowania dla platformy DGX Spark , która rozszerza jej rolę jako kompaktowego, lokalnego systemu AI. Zmiany koncentrują się na nowych środowiskach uruchomieniowych, formatach kwantyzacji i podręcznikach wdrażania, które ułatwiają lokalne uruchamianie modeli open source, zautomatyzowanych przepływów pracy oraz potoków tworzenia i przetwarzania 3D. Aktualizacja jest przeznaczona dla zespołów, które już korzystają z platformy DGX Spark w laboratoriach, środowiskach brzegowych lub inżynierskich i nie wprowadza nowego sprzętu.
Sztuczna inteligencja typu open source w środowisku korporacyjnym
Firma NVIDIA podkreśliła gwałtowny rozwój otwartej sztucznej inteligencji (SI). Miesięczna liczba pobrań frameworków i modeli SI (SI) o otwartym kodzie źródłowym wzrosła z około siedmiu milionów w czerwcu 2023 roku do około 390 milionów w grudniu 2025 roku. Platforma Spark została dostosowana do tego trendu: PyTorch, vLLM, SGLang, llama.cpp, LlamaIndex oraz wiele modeli społecznościowych z Qwen, Meta, Stability i Wan są teraz w pełni zintegrowane z systemem.
Dla firm, które stawiają na standaryzację otwartych narzędzi, oznacza to mniej pracy związanej z niestandardową integracją i bardziej niezawodną pracę stosów, z których już korzystają.
Do 2.5× szybszy od premiery
NVIDIA twierdzi, że wydajność w kluczowych obciążeniach wzrosła nawet 2.5-krotnie w porównaniu z DGX Spark w momencie premiery. Wzrost ten wynika z ulepszeń w TensorRT-LLM, agresywnej kwantyzacji i optymalizacji dekodowania, a nie ze zmian sprzętowych.
Konkretnym przykładem jest Qwen-235B wykorzystujący TensorRT-LLM. Przejście z kwantyzacji FP8 na NVFP4 i zastosowanie dekodowania spekulatywnego z Eagle3 ponad dwukrotnie zwiększa przepustowość. Qwen3-30B w CUDA i Stable Diffusion 3.5 Large w llama.cpp osiąga poprawę około 1.4-krotną. Procesy precyzyjnego dostrajania, zarówno w trybie pełnym, jak i efektywnym pod względem parametrów, wykazują zauważalne, ale mniejsze korzyści, ponieważ potoki PyTorch są zoptymalizowane pod kątem procesorów graficznych Spark.
Podręczniki: od „pudełka na biurku” do użytecznych przepływów pracy
Aby zniwelować różnicę między mocą obliczeniową a praktycznymi rozwiązaniami, firma NVIDIA wprowadza nowe podręczniki DGX Spark, które łączą w sobie narzędzia, modele i przewodniki dotyczące typowych zadań w przedsiębiorstwach.
Nowa zawartość obejmuje:
- Wnioskowanie: vLLM, SGLang, TensorRT-LLM, dekodowanie spekulatywne, wnioskowanie multimodalne, NIM na Spark, kwantyzacja NVFP4 i lokalny Nemotron-3 Nano.
- Dostrajanie: dostrajanie za pomocą wielu platform Spark PyTorch, FLUX.1 DreamBooth LoRA, LLAMA Factory, NeMo i efektywne szkolenie oparte na Unsloth.
- Nauka o danych: CUDA-X Data Science, zoptymalizowany JAX, przetwarzanie tekstu na graf wiedzy oraz specyficzne dla danej dziedziny przepływy pracy, takie jak sekwencjonowanie RNA pojedynczych komórek i ilościowa optymalizacja portfolio.
- Narzędzia i łączność: ComfyUI, VS Code, DGX Dashboard, RAG w AI Workbench, Tailscale i „Connect Two Sparks” oparte na NCCL.
Nacisk kładziony jest mniej na efektowne dema, a bardziej na powtarzalność. Te podręczniki służą jako wstępnie zweryfikowane ramy referencyjne, które można wdrożyć lokalnie bez konieczności przerabiania całego stosu.
8× szybsze przetwarzanie wideo oparte na sztucznej inteligencji dzięki hybrydowemu MacBookowi i Spark
W obszarze tworzenia treści firma NVIDIA przetestowała przepływy pracy związane z generowaniem wideo z wykorzystaniem sztucznej inteligencji, łącząc MacBooka Pro M4 Max z DGX Spark za pośrednictwem ComfyUI i FLUX.1-dev, WAN 2.2 oraz przyspieszanymi przez GPU procesorami skalującymi.
Referencyjny proces, prezentujący film 4K przedstawiający czerwony samochód sportowy w futurystycznym mieście, pokazał wprowadzone ulepszenia. Uruchomienie całego procesu na samym MacBooku zajęło około ośmiu minut. Przekierowanie intensywnego przetwarzania do DGX Spark skróciło ten czas do około 1 minuty, co przełożyło się na ośmiokrotny wzrost szybkości.
Postęp ten wynika z obsługi FLUX.1-dev i WAN 2.2 w kwantyzowanych NVFP4/NVFP8 na platformie Spark, a następnie RTX Video Super Resolution. Dla zespołów medialnych, projektowych i marketingowych przekształca to generatywne wideo z renderowania wsadowego w proces znacznie bliższy interaktywnej iteracji, zachowując jednocześnie kontrolę w centrum danych lub szafie brzegowej.
Remiks 3D i RTX: Spark jako współprocesor AI w tle
DGX Spark jest również sprzedawany jako koprocesor dla przepływów pracy 3D opartych na RTX Remix. Na przykład system RTX 5090 uruchamia interaktywne środowisko „Mod”. Jednocześnie Spark generuje tekstury AI w partiach (np. 100 materiałów) i przesyła wyniki z powrotem do sceny, nie przerywając pracy artystom.
Porównanie stanu „przed i po” z wykorzystaniem SWAT 4 pokazało, jak materiały wzbogacone o sztuczną inteligencję mogą ożywić starsze zasoby. Kluczowa korzyść biznesowa tkwi jednak w projektowaniu przepływu pracy: Spark działa jak ciągły silnik w tle dla zadań generatywnych, podczas gdy główne stacje robocze pozostają aktywne.
Nsight Copilot: lokalny asystent AI CUDA
Godnym uwagi dodatkiem jest Nsight Copilot, który działa lokalnie na platformie DGX Spark.
Programiści mogą zlecać zadania, takie jak „zapisz matmul w FP4 w CUDA”, a Nsight Copilot udostępnia kompletny przykład cuBLAS-Lt, który kwantyzuje dane wejściowe FP32 do FP4 na urządzeniu, ustawia skalowanie dla każdego tensora, wykonuje GEMM w FP32 i zwraca dane wyjściowe FP32. Co ważne, proces ten odbywa się bez wysyłania kodu ani danych do usługi w chmurze:
- Brak kosztów wnioskowania w chmurze.
- Źródło, dane i adres IP pozostają na miejscu.
- Lokalne procesory GPU zarządzają opóźnieniami i przepustowością.
W przypadku organizacji ze ścisłymi zasadami zarządzania danymi umożliwia to wspomaganie rozwoju za pomocą sztucznej inteligencji, przy jednoczesnym zachowaniu bezpieczeństwa wszystkich elementów w obrębie sieci.
Agenci, robotyka i krawędź: od laboratorium do produkcji
NVIDIA rozszerza platformę Spark o aplikacje agentowe i robotyczne dzięki partnerstwu z Hugging Face i robotem Reachy Mini o otwartym kodzie źródłowym. DGX Spark obsługuje agentów, LLM, VLM i planistów, natomiast Reachy Mini zapewnia formę fizyczną odpowiednią do badań, edukacji i prototypowania interakcji człowiek-robot.
Rozwiązanie DGX Spark zostanie włączone do NVIDIA AI Enterprise do końca stycznia. Oferuje ono firmom obsługiwany stos oprogramowania, zarządzanie cyklem życia oraz aktualizacje zabezpieczeń umożliwiające uruchamianie Spark w scenariuszach brzegowych i lokalnych, takich jak inteligentna produkcja i inspekcja, inteligentny handel detaliczny i zapobieganie stratom oraz aplikacje opieki zdrowotnej w punktach opieki.
Ekosystem i wsparcie OEM
NVIDIA zakończyła aktualizację, podkreślając rozbudowany ekosystem: dostawców modeli (OpenAI, Mistral, Stability, Qwen, Meta, ElevenLabs, Black Forest Labs i innych), narzędzia (vLLM, Comfy, LlamaIndex, Docker, Jupyter, Weights & Biases, Anyscale, a także kody naukowe, takie jak VASP i GROMACS) oraz szeroką gamę producentów OEM, w tym Dell, Lenovo, HP, ASUS, MSI, Supermicro i innych.
Przesłanie dla klientów korporacyjnych jest takie, że DGX Spark nie jest już wyłącznie narzędziem dla programistów. To węzeł o niewielkich rozmiarach, który płynnie integruje się z istniejącymi narzędziami, relacjami z dostawcami i strategiami sztucznej inteligencji w produkcji.
Amazon