En 2026, le marché mondial des stations de travail IA pèse 18,6 milliards de dollars et croît à 16,3 % par an. Dans ce contexte, NVIDIA a lancé en octobre 2025 quelque chose d’inédit : un superordinateur IA personnel compact, capable de faire tourner des modèles de 200 milliards de paramètres depuis ton bureau, sans cloud, sans rack serveur, sans compromis sur l’écosystème logiciel. C’est le NVIDIA DGX Spark.
Dans cet article, tu vas découvrir ce qu’il est exactement, ses spécifications techniques en détail, les cas d’usages concrets (avec un focus sur le fine-tuning de LLM en local), les alternatives disponibles, pourquoi le DGX Spark se démarque, et comment il se différencie du tout nouveau NVIDIA RTX Spark, annoncé en juin 2026.
⚡ TL;DR — L’ESSENTIEL EN 30 SECONDES
- Le NVIDIA DGX Spark embarque le chip GB10 Grace Blackwell et délivre 1 PFLOP FP4 dans un boîtier de 1,2 kg sur ton bureau.
- Il fait tourner des modèles LLM jusqu’à 200 milliards de paramètres en inférence et fine-tune jusqu’à 70 milliards de paramètres en local.
- Sur Llama 3.1 8B, il atteint 10 256 tokens/s en prefill, au niveau du RTX Pro 6000 Blackwell (LMSYS, oct. 2025).
- Affiché à 4 699 $ en 2026 (après +18 % en février), c’est la machine IA la plus abordable du segment haut de gamme avec écosystème Linux complet.
- Le RTX Spark (juin 2026) est une plateforme pour laptops Windows grand public — même puce GB10, positionnement radicalement différent.
• Le Narwal Flow 2 passe de ~22 000 Pa à 31 000 Pa d’aspiration — une progression perceptible sur sols durs, pas spectaculaire.
• Le FlowWash à 60°C avec 16 buses auto-nettoyantes résout le problème structurel des robots laveurs : la vadrouille sale qui nettoie mal.
• La station traite l’eau à 100°C pour désinfecter le rouleau, maintenance réduite à 120 jours sans intervention (Narwal, 2026).
• Limite honnête confirmée par 5 testeurs indépendants : brosse latérale trop lente en bordure, rouleau limité à 12 mm de levée sur moquette.
• À 1 099€, c’est la meilleure option du marché sur sols durs si tu veux déléguer totalement l’entretien.
Qu’est-ce que le NVIDIA DGX Spark ?
Lancé officiellement à GTC Spring 2025 — et d’abord présenté sous le nom de code « Project DIGITS » au CES 2025 — le NVIDIA DGX Spark est une station de travail IA personnelle basée sur le chip GB10 Grace Blackwell Superchip. En octobre 2025, il est devenu disponible à la vente pour 3 999 $, avant une hausse de 18 % en février 2026 portant son prix à 4 699 $ suite à des tensions sur l’approvisionnement en mémoire LPDDR5x. Il est actuellement disponible à 6590€ sur Amazon pour sa version max à 4 To de stockage et il rencontre un succès assez incroyable malgré un prix au prime abord assez élevé.
L’idée est aussi simple que radicale : mettre la puissance d’un data center IA dans un boîtier qui tient dans une main. On parle de 1 pétaflop FP4 de performances IA, de 128 Go de RAM unifiée, et d’un accès immédiat à tout l’écosystème logiciel NVIDIA (CUDA 13, NIM, NeMo, TensorRT-LLM) — le tout sous DGX OS, basé sur Ubuntu 24.04 LTS.
La cible est claire : développeurs IA, data scientists, chercheurs et équipes MLOps qui ont besoin de faire tourner de gros modèles en local, sans dépendre du cloud, sans sacrifier la confidentialité des données, sans gérer des racks de serveurs. Pour comprendre l’écosystème dans lequel s’inscrit cette machine, notre guide complet des outils et usages IA dresse un panorama de l’IA en 2026.
Spécifications techniques complètes du DGX Spark
Le DGX Spark délivre 1 PFLOP de performance IA en FP4 (avec sparsité), grâce au chip GB10 Grace Blackwell qui intègre GPU Blackwell et CPU ARM 20 cœurs via NVLink-C2C à 900 Go/s de bande passante inter-composants. Voici le tableau complet des spécifications (NVIDIA Docs, 2025) :
| Composant | Valeur |
|---|---|
| Chip | NVIDIA GB10 Grace Blackwell Superchip |
| GPU | Blackwell — 6 144 cœurs CUDA, Tensor Cores 5e gen, RT Cores 4e gen |
| CPU | ARM 20 cœurs (10× Cortex-X925 + 10× Cortex-A725) |
| Interconnexion CPU-GPU | NVLink-C2C — 900 Go/s bidirectionnel |
| Performance IA | 1 PFLOP FP4 (avec sparsité) |
| Mémoire unifiée | 128 Go LPDDR5x — 256-bit — 273 Go/s |
| Stockage | 1 To ou 4 To NVMe M.2 SSD (auto-chiffré) |
| Réseau haute vitesse | ConnectX-7 NIC — 2× QSFP (200 Gbps total) |
| Réseau standard | 1× RJ-45 10 GbE |
| Sans fil | Wi-Fi 7, Bluetooth 5.4 |
| Affichage | 1× HDMI 2.1a, 3× DisplayPort via USB-C |
| USB | 4× USB Type-C |
| Consommation | 140 W (chip GB10) / 240 W (alimentation totale) |
| Bruit | 19 dB (repos) / 35 dB (charge maximale) |
| Dimensions / Poids | 150 × 150 × 50,5 mm — 1,2 kg |
| OS | DGX OS (Ubuntu 24.04 LTS, kernel 6.14 HWE) |
| Stack logiciel inclus | CUDA 13, cuDNN, NIM, NeMo, TRT-LLM, vLLM, SGLang, PyTorch, TensorFlow, JAX, JupyterLab, Triton, Isaac, Metropolis, Holoscan |
| Licence AI Enterprise | 90 jours inclus |
| Prix 2026 | 6590€ sur Amazon en 4 To de SSD |
| Disponible depuis | 15 octobre 2025 |
Point notable : deux unités peuvent être couplées via le ConnectX-7 pour former un cluster capable de traiter des modèles jusqu’à 405 milliards de paramètres. EXO Labs a démontré qu’associer 2 DGX Spark + 1 Mac Studio M3 Ultra produisait une accélération de ×2,8 sur l’inférence LLM (Tom’s Hardware, octobre 2025).
À quoi sert le DGX Spark ? Les cas d’usages concrets
Le DGX Spark n’est pas une machine pour naviguer sur internet. C’est un outil de travail IA intensif qui brille dans six domaines clés. NVIDIA a publié en 2025 des benchmarks concrets : la machine génère 23 images par minute avec Flux.1 12B en FP4, fine-tune Llama 3.3 70B en QLoRA à 759 tokens/s, et traite un dataset UMAP de 250 Mo en 4 secondes via cuDF/GPU (NVIDIA Technical Blog, 2025).
1. Inférence locale de LLM
Tu veux faire tourner Llama 3.1 70B, Mistral 8×22B ou DeepSeek-V2 en local, sans cloud, sans abonnement, avec tes données qui ne quittent jamais ta machine ? Le DGX Spark le fait nativement via vLLM, SGLang ou TensorRT-LLM. Il supporte des modèles jusqu’à 200 milliards de paramètres sur une seule unité. Pour situer ces modèles dans l’écosystème LLM actuel, notre comparatif Claude vs ChatGPT vs Gemini donne un bon aperçu de l’état de l’art en 2026.
2. Fine-tuning de LLM en local — le cas d’usage principal
C’est là que le DGX Spark brille vraiment. Fine-tuner un LLM, c’est adapter un modèle pré-entraîné sur tes propres données — pour qu’il réponde dans le style de ton entreprise, comprenne ton jargon métier, ou maîtrise une tâche spécifique. Avant le DGX Spark, ça demandait soit un abonnement cloud coûteux, soit du matériel serveur hors de budget pour la plupart des équipes.
Concrètement, les benchmarks NVIDIA montrent : Llama 3.2 3B à 13 519 tokens/s, Llama 3.1 8B en LoRA à 6 969 tokens/s, et Llama 3.3 70B en QLoRA à 759 tokens/s (NVIDIA Technical Blog, 2025). En pratique, un cycle de fine-tuning ressemble à ceci :
- Préparer le dataset : quelques centaines à quelques milliers d’exemples formatés en JSONL (paires instruction → réponse idéale).
- Choisir la méthode : LoRA pour les modèles 7B–13B (matrices de rang réduit) ; QLoRA pour les modèles 70B+ (quantification 4-bit pour réduire l’empreinte mémoire).
- Lancer l’entraînement : via NeMo, Unsloth ou HuggingFace PEFT depuis JupyterLab, préinstallé sur DGX OS. L’environnement est prêt dès le premier démarrage — aucune configuration à faire.
- Évaluer et itérer : une passe d’évaluation complète sur 1 000 exemples prend quelques secondes, ce qui rend les cycles d’itération vraiment rapides.
Ce qui rend cette machine particulièrement efficace pour le fine-tuning, c’est la mémoire unifiée de 128 Go partagée entre CPU et GPU : elle élimine les goulots d’étranglement de transfert et permet de charger des modèles beaucoup plus grands qu’avec une carte dédiée classique à 24 ou 48 Go de VRAM.
3. Génération d’images et de contenus visuels IA
Flux.1 12B tourne à 23 images par minute en 1K (une image toutes les 2,6 secondes) avec la précision FP4 (NVIDIA Technical Blog, 2025). SDXL 1.0 en BF16 produit 7 images par minute. C’est suffisant pour des workflows créatifs professionnels : concept art, storyboards, génération d’assets en masse ou prototypage visuel rapide.
4. Développement et test d’agents IA
Avec l’Agent Toolkit NVIDIA et NeMoClaw (guardrails open source), le DGX Spark devient un banc de test idéal pour des agents autonomes multi-étapes. Tu fais tourner un LLM de 70B+ en local comme « cerveau » d’un agent, sans latence cloud, tout en orchestrant des appels à des outils externes. Pour comprendre où se situe la dynamique des agents dans l’écosystème IA 2026, notre analyse de Hermes Agent est un bon complément.
5. Data science GPU et prototypage edge
cuDF, UMAP et HDBSCAN tournent en GPU nativement. Pour les cas d’usage industriels — robotique (Isaac), vidéo analytics intelligente (Metropolis) ou imagerie médicale (Holoscan) — le DGX Spark reproduit exactement l’environnement des DGX data center NVIDIA, ce qui simplifie le déploiement final en production.
Quelles sont les alternatives au DGX Spark ?
NVIDIA détient plus de 80 % du marché des GPU pour stations de travail IA professionnelles par chiffre d’affaires (MarketIntelo, mars 2026). Mais le DGX Spark a quand même des alternatives sérieuses — selon les besoins, le budget, et l’écosystème préféré. Voici un tour d’horizon honnête :
| Solution | GPU / Chip | Mémoire | Prix indicatif | Forme | OS |
|---|---|---|---|---|---|
| NVIDIA DGX Spark | GB10 Blackwell (6 144 CUDA) | 128 Go unifiée | ~4 699 $ | Mini PC (1,2 kg) | DGX OS (Ubuntu) |
| Apple Mac Studio M4 Max | GPU Apple Silicon 32–40 cœurs | 36–128 Go unifiée | À partir de 1 999 $ | Mac compact | macOS |
| Apple Mac Studio M3 Ultra | GPU Apple Silicon 60–80 cœurs | 96–512 Go — 819 Go/s | 3 999–14 099 $ | Mac compact | macOS |
| NVIDIA RTX Pro 6000 Blackwell | Blackwell — 24 064 CUDA — 96 Go GDDR7 | 96 Go ECC | ~8 565 $ (GPU seul) | Carte PCIe (tour séparée) | Linux / Windows |
| AMD Instinct MI300X | CDNA3 — 192 Go HBM3 — 750 W | 192 Go HBM3 | ~15 000–18 000 $ | Rack serveur uniquement | Linux (data center) |
| Intel Gaudi 3 PCIe | OAM PCIe Gen5 | 128 Go HBM2e | ~15 625 $ / carte | Rack serveur uniquement | Linux (data center) |
Note importante : l’AMD Instinct MI300X et l’Intel Gaudi 3 ne sont pas des produits de bureau. Ce sont des accélérateurs pour racks serveur — il n’existe pas de workstation desktop clé en main basée sur ces puces en 2026. La RTX Pro 6000 Blackwell est une carte PCIe qui nécessite une tour de workstation compatible PCIe 5.0 en plus. Le DGX Spark est le seul à arriver complet, prêt à l’emploi, dans un format personnel.
DGX Spark vs alternatives : les avantages qui font la différence
Face à ses concurrents, le DGX Spark cumule plusieurs avantages structurels qui ne se voient pas toujours dans les benchmarks bruts. Si tu travailles dans l’écosystème NVIDIA — et en 2026, la grande majorité des frameworks IA le font — c’est la seule machine qui combine puissance, écosystème logiciel complet et prix raisonnable dans un seul package compact.
L’écosystème CUDA : un avantage impossible à contourner
PyTorch, TensorFlow, JAX, RAPIDS, TensorRT-LLM, vLLM, Triton Inference Server — tous ces outils sont optimisés pour CUDA en priorité. Sur Mac Studio, même avec les performances impressionnantes du M3 Ultra, tu te heurtes à des incompatibilités et des contournements via MPS, avec des frameworks qui ne supportent pas encore pleinement Metal. Sur DGX Spark, ça tourne nativement, sans bricoler. C’est un avantage décisif pour les workflows de production.
Un bundle logiciel qui vaut des milliers de dollars
Les 90 jours de licence NVIDIA AI Enterprise incluse représentent une valeur substantielle : NIM (déploiement de modèles optimisés en quelques secondes), NeMo (fine-tuning et entraînement distribué), plus Metropolis, Isaac, Holoscan. C’est un stack complet prêt à l’emploi dès l’allumage — aucune installation, aucune configuration. Aucun concurrent dans ce segment ne propose un bundle équivalent. Pour en savoir plus sur les outils IA disponibles en 2026, notre article sur les meilleures IA gratuites en 2026 donne un bon contexte.
La connectivité 200 Gbps : pensée pour le clustering
Le ConnectX-7 intégré à 200 Gbps permet de coupler deux DGX Spark pour travailler sur des modèles jusqu’à 405 milliards de paramètres — avec une bande passante inter-nœuds qui rivalise avec des setups cloud. Le Mac Studio peut être mis en réseau, mais pas avec une NIC aussi performante et nativement intégrée.
La nuance : où le Mac Studio M3 Ultra garde l’avantage
Soyons honnêtes : sur la génération de tokens (decode, batch=1), le Mac Studio M3 Ultra est 3,4 fois plus rapide que le DGX Spark grâce à ses 819 Go/s de bande passante mémoire contre 273 Go/s (jamesm.blog, 2025). Pour des usages purement conversationnels en local (chatbot, assistant rapide), le Mac peut sembler plus réactif à l’utilisateur. Mais pour le fine-tuning, le prefill sur de longs contextes, ou des pipelines RAG complexes, le DGX Spark reprend l’avantage grâce à ses Tensor Cores dédiés.
NVIDIA RTX Spark : la version grand public — et ses différences avec le DGX Spark
Annoncé en juin 2026 lors du Microsoft Build en partenariat étroit avec Microsoft, le NVIDIA RTX Spark est une plateforme chip — et non un produit fini — destinée aux laptops ultra-fins et mini PC Windows. Il est basé sur le même chip GB10 Grace Blackwell que le DGX Spark, mais avec un positionnement radicalement différent (NVIDIA RTX Spark, juin 2026).
La confusion entre les deux est compréhensible — même architecture, mêmes 1 PFLOP FP4 sur la version N1x, jusqu’à 128 Go de RAM. Mais la différence n’est pas dans les specs brutes, elle est dans le positionnement, l’écosystème et la cible.
| DGX Spark | RTX Spark | |
|---|---|---|
| Type | Station de travail IA autonome | Plateforme chip pour laptops et mini PC |
| Chip | GB10 (N1x) | N1x (haut de gamme), N1, N1S (selon modèle) |
| Mémoire max | 128 Go LPDDR5x | Jusqu’à 128 Go (N1x) — 64 Go (N1) |
| OS | DGX OS (Linux Ubuntu 24.04) | Windows on Arm |
| Écosystème logiciel | CUDA 13, NIM, NeMo, TRT-LLM, JupyterLab — bundle AI Enterprise | Copilot+, applications Windows on Arm, CUDA for Windows |
| Cible | Développeurs IA, data scientists, chercheurs | Grand public, créatifs, professionnels Windows |
| Forme | Mini PC 1,2 kg (plug and work) | Laptops 14″ et 16″ (épaisseur 14 mm) |
| Prix indicatif | 4 699 $ | À partir de ~1 799 $ (N1) / ~2 899 $ (N1x) |
| Disponibilité | Depuis octobre 2025 | Automne 2026 (ASUS, Dell, HP, Lenovo, MSI…) |
| Clustering réseau | ConnectX-7 200 Gbps (multi-nœuds) | Non prévu (usage individuel mobile) |
En résumé : le RTX Spark apporte les capacités IA du GB10 à un public beaucoup plus large, sur Windows, dans des appareils portables et bien plus abordables. C’est une excellente nouvelle pour les professionnels qui veulent de la puissance IA sans quitter leur environnement Windows. Mais ce n’est pas une machine pour fine-tuner des LLMs ou déployer des pipelines ML complexes — c’est là que le DGX Spark garde son avantage structurel, grâce à son OS Linux natif et son stack NVIDIA AI Enterprise complet.
Les fabricants partenaires du RTX Spark incluent ASUS, Dell, HP, Lenovo, Microsoft Surface, MSI, Acer et Gigabyte. Si tu cherches un laptop IA sous Windows à l’automne 2026, le RTX Spark sera probablement l’option la plus intéressante de la saison. Si tu veux une machine de développement IA sérieuse sous Linux avec l’écosystème CUDA complet, le DGX Spark reste la référence — et notre guide complet des outils IA est un bon point de départ pour explorer l’ensemble de l’écosystème.
Questions fréquentes sur le NVIDIA DGX Spark
Combien coûte le NVIDIA DGX Spark en 2026 ?
Le DGX Spark Founders Edition est affiché à 4 699 $ depuis février 2026, après une hausse de 18 % liée à des pénuries de mémoire LPDDR5x (il coûtait 3 999 $ à son lancement en octobre 2025). En Europe, le prix varie selon les revendeurs OEM agréés NVIDIA. Des configurations partenaires (HP, ASUS, Dell) sont attendues à des prix différents selon les configurations de stockage.
Le DGX Spark peut-il remplacer un serveur cloud pour le fine-tuning ?
Pour des modèles jusqu’à 70 milliards de paramètres (single unit) ou 405 milliards (deux unités couplées), oui, dans la plupart des cas. Le DGX Spark atteint 759 tokens/s sur Llama 3.3 70B en QLoRA, avec tout l’écosystème NVIDIA (NeMo, Unsloth, FSDP). Pour des entraînements massifs sur des modèles supérieurs à 405B ou des datasets de plusieurs téraoctets, le cloud reste incontournable.
Quelle est la différence entre DGX Spark et RTX Spark ?
Le DGX Spark est une station de travail autonome sous Linux, ciblant les développeurs IA et data scientists, disponible depuis octobre 2025. Le RTX Spark est une plateforme chip pour laptops Windows grand public, annoncée en juin 2026 pour l’automne 2026. Même architecture de base GB10, mais OS, écosystème logiciel, cible et usage sont radicalement différents.
Le DGX Spark fonctionne-t-il sous Windows ?
Non. Le DGX Spark fonctionne exclusivement sous DGX OS, basé sur Ubuntu 24.04 LTS avec kernel 6.14 HWE. Aucun support Windows n’est prévu. C’est une machine Linux native, pensée pour les workflows MLOps. Si tu veux la puissance du GB10 sous Windows, c’est le RTX Spark qu’il faut regarder — disponible à l’automne 2026 dans des laptops de plusieurs fabricants.
Le DGX Spark est-il disponible en France ?
La Founders Edition se commande directement sur le site NVIDIA. Des configurations partenaires (HP, ASUS, Dell) sont attendues via les canaux de distribution habituels en Europe. Le prix en euros varie selon les revendeurs et inclut la TVA. Pour les achats professionnels avec accompagnement et licence AI Enterprise dédiée, il est recommandé de contacter un revendeur certifié NVIDIA.
Faut-il craquer pour le NVIDIA DGX Spark ?
Le NVIDIA DGX Spark est une machine remarquable — pas parfaite, mais remarquable. En 2026, c’est le seul produit qui combine 1 PFLOP FP4, 128 Go de RAM unifiée, l’écosystème CUDA complet et un format bureau à moins de 5 000 $. Si tu travailles sur du fine-tuning de LLMs, de l’inférence locale sur de grands modèles, ou du développement d’agents IA sous Linux, c’est la machine la plus rationnelle du marché à ce jour.
Si tu veux de l’IA sur Windows ou une machine polyvalente moins chère, le RTX Spark qui arrive à l’automne 2026 dans des laptops grand public sera une alternative intéressante — mais avec un écosystème logiciel et un positionnement différents. Et si tu fais de l’inférence conversationnelle simple et que tu es dans l’écosystème Apple, le Mac Studio M3 Ultra reste imbattable sur le débit brut de génération de tokens.
Le marché des stations de travail IA évolue vite. Pour ne rien manquer des prochaines annonces et des comparatifs à venir, explore notre guide complet des outils et usages IA — et reviens régulièrement sur SysKB.