På CES 2026 presenterade NVIDIA en programuppdatering för DGX Spark som utökar dess roll som ett kompakt, lokalt AI-system. Ändringarna fokuserar på nya körtider, kvantiseringsformat och distributionshandböcker som gör det enklare att köra modeller med öppen källkod, automatiserade arbetsflöden samt pipelines för skapare och 3D lokalt. Uppdateringen är avsedd för team som redan använder DGX Spark i labb, edge-distributioner eller ingenjörsmiljöer och introducerar inte ny hårdvara.
Öppen källkods-AI i företagsmiljöer
NVIDIA lyfte fram den snabba ökningen av öppen källkod för AI. Månatliga nedladdningar av AI-ramverk och modeller med öppen källkod ökade från cirka sju miljoner i juni 2023 till cirka 390 miljoner i december 2025. Spark har justerats för att stödja denna trend: PyTorch, vLLM, SGLang, llama.cpp, LlamaIndex och många communitymodeller från Qwen, Meta, Stability och Wan är nu helt integrerade i systemet.
För företag som standardiserar öppna verktyg innebär detta mindre anpassat integrationsarbete och mer tillförlitlig drift för de stackar de redan använder.
Upp till 2.5 gånger snabbare sedan lanseringen
NVIDIA hävdar att prestandan på viktiga arbetsbelastningar har förbättrats med upp till 2.5 gånger jämfört med DGX Spark vid lanseringen. Denna ökning kommer från förbättringar i TensorRT-LLM, aggressiv kvantisering och avkodningsoptimeringar snarare än hårdvaruändringar.
Ett specifikt exempel är Qwen-235B med TensorRT-LLM. Övergången från FP8- till NVFP4-kvantisering och användning av spekulativ avkodning med Eagle3 mer än fördubblar genomströmningen. Qwen3-30B under CUDA och Stable Diffusion 3.5 Large under llama.cpp uppnår cirka 1.4× förbättringar. Finjusteringsprocesser, oavsett om de är fullständiga eller parametereffektiva, visar märkbara men mindre vinster eftersom PyTorch-pipelines optimeras för Sparks GPU:er.
Handledningar: Från "låda på skrivbordet" till användbara arbetsflöden
För att överbrygga klyftan mellan rå datorkraft och användbara lösningar introducerar NVIDIA nya DGX Spark-handböcker som kombinerar verktyg, modeller och guider för vanliga företagsuppgifter.
Det nya innehållet inkluderar:
- Inferens: vLLM, SGLang, TensorRT-LLM, spekulativ avkodning, multimodal inferens, NIM på Spark, NVFP4-kvantisering och lokal Nemotron-3 Nano.
- Finjustering: finjustering av multi-Spark PyTorch, FLUX.1 DreamBooth LoRA, LLAMA Factory, NeMo och Unsloth-baserad effektiv träning.
- Datavetenskap: CUDA-X Datavetenskap, optimerad JAX, text-till-kunskapsgraf och domänspecifika arbetsflöden som encells-RNA-sekvensering och kvantitativ portföljoptimering.
- Verktyg och anslutning: ComfyUI, VS Code, DGX Dashboard, RAG i AI Workbench, Tailscale och NCCL-baserade “Connect Two Sparks”.
Fokus ligger mindre på flashiga demonstrationer och mer på repeterbarhet. Dessa playbooks fungerar som förvaliderade referensramverk som kan distribueras lokalt utan att hela stacken behöver omarbetas.
8× snabbare AI-videopipeliner med hybrid MacBook och Spark
Inom innehållsskapande testade NVIDIA AI-videogenereringsarbetsflöden som parade ihop en MacBook Pro M4 Max med DGX Spark via ComfyUI och FLUX.1-dev, WAN 2.2 och GPU-accelererade uppskalare.
Referenspipelinen, med en 4K-video av en röd sportbil i en futuristisk stad, visade upp förbättringarna. Att köra hela arbetsflödet enbart på MacBooken tog ungefär åtta minuter. Att omdirigera den tunga bearbetningen till DGX Spark minskade tiden till cirka 1 minut, vilket resulterade i en 8-faldig hastighetsökning.
Denna utveckling uppstår genom att använda FLUX.1-dev och WAN 2.2 i kvantiserad NVFP4/NVFP8 på Spark, följt av RTX Video Super Resolution. För media-, design- och marknadsföringsteam omvandlar detta generativ video från batchliknande rendering till en process som ligger mycket närmare interaktiv iteration, samtidigt som kontrollen bibehålls inom datacentret eller edge racket.
3D- och RTX-remix: Spark som en bakgrunds-AI-medprocessor
DGX Spark marknadsförs också som en samprocessor för RTX Remix-baserade 3D-arbetsflöden. Till exempel kör ett RTX 5090-system den interaktiva "Mod"-miljön. Samtidigt genererar Spark AI-texturer i omgångar (t.ex. 100 material) och skickar resultaten tillbaka till scenen utan att avbryta artisterna.
En före-och-efter-jämförelse med SWAT 4 illustrerade hur AI-förbättrade material kan återuppliva äldre tillgångar. Den viktigaste affärsfördelen ligger dock i arbetsflödesdesignen: Spark fungerar som en kontinuerlig bakgrundsmotor för generativa uppgifter medan primära arbetsstationer förblir aktiva.
Nsight Copilot: Lokal CUDA AI-assistent
Ett anmärkningsvärt tillägg är Nsight Copilot, som fungerar lokalt på DGX Spark.
Utvecklare kan begära uppgifter, som att "skriva matmul i fp4 i CUDA", och Nsight Copilot tillhandahåller ett komplett cuBLAS-Lt-exempel som kvantiserar FP32-ingångar till FP4 på enheten, ställer in skalning per tensor, kör GEMM i FP32 och returnerar FP32-utdata. Viktigt är att denna process sker utan att kod eller data skickas till en molntjänst:
- Inga kostnader för molninferens.
- Källa, data och IP förblir lokalt.
- Lokala GPU:er hanterar latens och dataflöde.
För organisationer med strikta regler för datastyrning möjliggör detta AI-assisterad utveckling samtidigt som allt inom nätverket hålls säkert.
Agenter, robotik och Edge: Från labb till produktion
NVIDIA expanderar Spark till agent- och robotapplikationer genom ett partnerskap med Hugging Face och den öppna källkodsroboten Reachy Mini. DGX Spark driver agenter, LLM:er, VLM:er och planerare, medan Reachy Mini tillhandahåller en fysisk form som är lämplig för forskning, utbildning och prototypframställning av människa-robotinteraktion.
DGX Spark kommer att inkluderas i NVIDIA AI Enterprise i slutet av januari. Detta erbjuder företag en stödd programvaruplattform, livscykelhantering och säkerhetsuppdateringar för att köra Spark i edge- och lokala scenarier, såsom smart tillverkning och inspektion, intelligent detaljhandel och förlustförebyggande samt applikationer för point-of-care-hälsovård.
Ekosystem- och OEM-support
NVIDIA avslutade uppdateringen med att lyfta fram det omfattande ekosystemet: modellleverantörer (OpenAI, Mistral, Stability, Qwen, Meta, ElevenLabs, Black Forest Labs och andra), verktyg (vLLM, Comfy, LlamaIndex, Docker, Jupyter, Weights & Biases, Anyscale, tillsammans med vetenskapliga koder som VASP och GROMACS), och ett brett utbud av OEM-tillverkare, inklusive Dell, Lenovo, HP, ASUS, MSI, Supermicro och fler.
Budskapet till företagsköpare är att DGX Spark inte längre bara är ett utvecklarfokuserat verktyg. Det är en liten nod som integreras sömlöst i befintliga verktyg, leverantörsrelationer och AI-strategier för produktion.
Amazon