Alternativas a DGX Spark: RTX, Ryzen IA Halo y Mac Studio
Comparamos benchmarks de inferencia publicados de DGX Spark, RTX y Ryzen IA Halo, que cubren el procesamiento de prompts, la generación de tokens y contextos más largos. Las alternativas incluyen Framework Desktop, Mac Studio y sistemas GB10 de otros fabricantes.
La velocidad de decodificación mide los tokens de salida generados por segundo. Valores más altos implican una generación de respuestas más rápida. Los seis resultados utilizan GPT-OSS 20B MXFP4 en Ollama con lote uno, de la hoja de cálculo enlazada por la reseña del DGX Spark de LMSYS.1
La velocidad de prefill mide los tokens de entrada procesados por segundo antes de la generación de respuestas. Afecta a la rapidez con la que un modelo procesa un prompt, mientras que la decodificación mide la fase de salida posterior.
Benchmarks de inferencia de DGX Spark
RTX 5090 generó tokens 3.4 veces más rápido que Spark
La RTX 5090 generó 205.5 tokens/s, frente a 60.9 en DGX Spark, en la hoja de cálculo de LMSYS. La RTX PRO 6000 Blackwell alcanzó 215.2 tokens/s y la RTX 5080 alcanzó 140.9. Spark superó las dos configuraciones de Apple en el mismo dataset, que registraron 52.7 tokens/s en Mac Studio M1 Max y 46.9 en Mac mini M4 Pro.1
La hoja de cálculo se recuperó el 17 de septiembre de 2026. No proporciona fechas de prueba, longitudes de prompt ni versiones exactas de Ollama para estas filas. El cuerpo de la reseña indica un valor de Spark de 49.7 tokens/s, mientras que la hoja vinculada indica 60.906. Las seis barras usan la hoja para mantener la fuente coherente. Estos resultados no cubren los modelos M3 Ultra ni los anunciados M5 Studio.2
La decodificación de GPT-OSS 120B cayó un 27 % con 32.768 tokens de contexto previo
DGX Spark generó 58.72 tokens/s con GPT-OSS 120B MXFP4 a cero profundidad de contexto añadido en los resultados de llama.cpp de febrero de 2026. Con 32.768 tokens de contexto previo, el rendimiento cayó a 42.76 tokens/s, una caída del 27 %. GPT-OSS 20B cayó de 83.43 a 61.65 tokens/s en el mismo rango.3
El contexto previo es el número de tokens que ya se mantienen en el contexto de prueba. Ambos modelos generaron salida más lentamente a medida que aumentaba esa profundidad, por lo que la tasa de contexto corto sobreestima el rendimiento más adelante en una sesión larga para estas configuraciones.
El mismo archivo indica un prefill de GPT-OSS 120B de 2.443.91 tokens/s para un prompt de 2.048 tokens sin profundidad añadida. Una prueba separada con 32 secuencias y 4.096 tokens de entrada cada una alcanzó 262.20 tokens/s agregados de decodificación. Esta es la tasa de salida combinada en todo el lote.3
AMD reporta una ventaja de Halo del 4–14 % en sus pruebas de mayo
AMD reporta un mayor rendimiento de tokens para Ryzen IA Halo que para DGX Spark en cuatro modelos: 14 % para GLM 4.7 Flash-30B-A3B, 12 % para Qwen 3.5-122B-A10B, 7 % para GPT-OSS 120B y 4 % para Qwen 3.6-35B-A3B. La nota al pie describe tres ejecuciones, un contexto de 100 tokens y el software de Spark disponible a fecha del 6 de mayo de 2026.4
Esta es una comparación del fabricante que utiliza un Halo de preproducción con Ryzen IA Max+ 395 y 128 GB de memoria. La página pública no proporciona las tasas absolutas ni suficientes detalles de cuantización y entorno de ejecución para reproducir una prueba equivalente. Los porcentajes no pueden aplicarse a las puntuaciones de llama.cpp de febrero para calcular los tokens/s de Halo.4
Alternativas a DGX Spark
Spark combina el chip GB10 de NVIDIA, 128 GB de memoria unificada coherente y 273 GB/s de ancho de banda de memoria. Está orientado al desarrollo local de IA con la pila de software de NVIDIA. Sus límites anunciados de tamaño de modelo describen escenarios compatibles. El ajuste real también depende de la precisión de los pesos, el contexto, los búferes de ejecución y la memoria del sistema operativo.5
La disponibilidad varía según la región y la configuración.6478
1. Framework Desktop
El configurador actual de Framework lista la configuración de 128 GB con Ryzen IA Max+ 395 por $3,449 antes de almacenamiento opcional y otras selecciones. Su opción de 32 GB utiliza Max 385. La memoria no se puede ampliar después de la compra.6
El desarrollador lhl probó GPT-OSS 120B en Framework Desktop usando Vulkan y ROCm, dos rutas de software para ejecutar inference en la GPU. La comparación de octubre con los resultados publicados de Spark usó compilaciones diferentes de llama.cpp y tamaños de microbatch ajustados de AMD. Esos ajustes limitan en qué medida los resultados aíslan la diferencia de hardware.9
2. AMD Ryzen IA Halo
Ryzen IA Halo integra Max+ 395, 128 GB de memoria unificada y soporte ROCm como plataforma para desarrolladores. La página actual de AMD ofrece el producto para su compra y uso en los Estados Unidos. Su comparación de mayo utilizó un precio minorista de Halo de $3,999 y $4,699 para Spark. Esas son referencias de precios antiguas, no una comparación verificada de compra en septiembre.4
AMD también lista un Halo de 192 GB próximo basado en Ryzen IA Max+ PRO 495. El benchmark de mayo cubre la configuración de 128 GB con Max+ 395. El rendimiento de la versión anunciada de 192 GB sigue sin verificar en esta comparación.4
3. Apple Mac Studio
Apple anunció los Mac Studio M5 Max y M5 Ultra el 25 de agosto de 2026. Los precios iniciales en EE. UU. son de $2,499 y $5,499, respectivamente. Las primeras entregas están programadas para el 22 de septiembre, mientras que la configuración de 512 GB está programada para finales de octubre. Estos son precios iniciales, no presupuestos para la memoria máxima.7
Apple especifica hasta 128 GB para M5 Max y 512 GB para M5 Ultra, con hasta 1.2 TB/s de ancho de banda de memoria en el Ultra. Sus propias afirmaciones de aceleración de IA comparan sistemas y cargas de trabajo seleccionados de Apple. No establecen una comparación con Spark. Ningún resultado reproducible de M5 Studio frente a Spark fue aceptado en el dataset de benchmarks de este artículo.7
Las mediciones existentes del M3 Ultra describen la generación anterior. Las comparaciones de compra del M5 requieren resultados del nuevo hardware y su configuración de memoria específica.
4. ASUS Ascent GX10 y otros sistemas GB10
Los sistemas OEM GB10 ofrecen alternativas a la carcasa de NVIDIA manteniendo la misma plataforma de chip. StorageReview comparó ASUS Ascent GX10 con la Founders Edition de NVIDIA y sistemas de Dell, Acer y GIGABYTE. Sus pruebas de vLLM encontraron que ASUS se mantiene en general cerca de los otros sistemas en los modelos probados, mientras que sus pruebas térmicas examinaron las diferencias entre implementaciones.8
La refrigeración, el almacenamiento, las condiciones de soporte y el precio del sistema completo distinguen estas implementaciones. Los resultados térmicos siguen siendo específicos de la carcasa y la carga probadas.
5. Una estación de trabajo RTX discreta
El estudio de LMSYS proporciona evidencia para considerar la RTX 5090 o la RTX PRO 6000 Blackwell cuando la carga de trabajo cabe en su memoria de GPU. Ambas generaron GPT-OSS 20B más rápido que Spark en la prueba histórica.2 NVIDIA especifica 32 GB de memoria GDDR7 dedicada para la RTX 5090.10
Un presupuesto de estación de trabajo debe incluir el host, la fuente de alimentación, la refrigeración y cualquier GPU adicional. Añadir varias tarjetas aumenta la VRAM total instalada, pero la ejecución sigue dependiendo del particionado del modelo y del comportamiento de la interconexión. El ancho de banda por tarjeta no debe presentarse como una única cifra de ancho de banda de memoria agrupada.
La LLM estimación de memoria incluye pesos, caché KV y sobrecarga de ejecución. La descarga a CPU cambia la ruta de ejecución cuando una carga de trabajo supera la memoria de la GPU.
Metodología de benchmark
El artículo utiliza mediciones de hardware publicadas de tres fuentes. Cada comparación conserva el modelo y la carga de trabajo indicados, con fechas de prueba incluidas cuando se proporcionan. No se realizó ninguna prueba nueva de hardware ni de calidad del modelo para este artículo.
El barrido de Spark utiliza pruebas de generación de 32 tokens (tg32) y pruebas de procesamiento de prompts de 2.048 tokens (pp2048). Las cinco profundidades de contexto previo van de cero a 32.768 tokens. El resultado de 32 secuencias proviene del benchmark por lotes separado y mide el rendimiento combinado de salida.3
El servicio concurrente también requiere mediciones de latencia para evaluar el efecto de solicitudes adicionales. El benchmark de concurrencia de GPU independiente cubre esta disyuntiva en GPUs de centros de datos.
Limitaciones del benchmark
El gráfico inicial utiliza la hoja de cálculo vinculada de la reseña de LMSYS de octubre de 2025. Sus filas de Ollama omiten longitudes de prompt/salida y versiones del entorno de ejecución, por lo que no se puede establecer una comparación totalmente controlada. La hoja difiere del cuerpo de la reseña y se desconoce su última fecha de medición. NVIDIA proporcionó acceso temprano a Spark para la reseña.2
Las mediciones de Spark de febrero utilizan un entorno de ejecución y una fecha de prueba diferentes. No pueden establecer una relación actualizada RTX frente a Spark sin mediciones equivalentes de pares. Los porcentajes de mayo de AMD son comunicados por el proveedor, con tasas absolutas y cuantizaciones exactas no reveladas. Las tres fuentes no forman una única clasificación controlada.
Ninguna matriz de pruebas completa de septiembre de 2026 que cubriera Spark, el hardware actual de Apple, Halo y RTX cumplió los requisitos de comparación en las fuentes revisadas. La paridad de calidad del modelo, la eficiencia energética y el coste total de propiedad no se midieron en esta investigación.
Selección de hardware de IA local
La RTX 5090 generó GPT-OSS 20B aproximadamente 3.4 veces más rápido que Spark en el dataset vinculado de LMSYS. La configuración de 128 GB de memoria compartida de Spark responde a un requisito de capacidad diferente de la memoria dedicada de 32 GB de la RTX 5090. El ajuste del modelo y la compatibilidad del software determinan qué benchmark se aplica a un despliegue.
Framework y Halo ofrecen alternativas de AMD, mientras que Mac Studio utiliza la pila de software de GPU de Apple. Los sistemas OEM GB10 conservan la plataforma Spark con carcasas y acuerdos de soporte diferentes. Para cargas de trabajo intermitentes, las opciones de alquiler de GPU en la nube añaden costes de utilización y transferencia a la comparación local frente a nube.
Añadir como fuente preferidaLecturas adicionales
- Calculadora de VRAM para LLM de autohospedaje
- Benchmark de concurrencia de GPU: H100 vs H200 vs B200 vs MI300X
- Principales 70+ proveedores de GPU en la nube en 2026
Cita este benchmark
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Sarı, Ekrem},
title = {{Alternativas a DGX Spark: RTX, Ryzen IA Halo y Mac Studio}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/dgx-spark-alternatives}},
note = {AIMultiple. Recuperado el 16 de septiembre de 2026}
}Resultados y marcas de tiempo de 39 puntos de datos. Descargue los datos resumidos que se muestran en los gráficos y las tablas de este artículo como un archivo ZIP que contiene 7 archivos CSV.
¿Quieres los datos granulares que hay detrás? Únete a Premium
Registro de cambios
3 actualizacionesSe añadió una sección sobre el AMD Ryzen AI Halo Mini-PC a la comparación de alternativas.
Eliminada la sección Comparación directa (modelo GPT-OSS 120B).
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Siguiente para leer
Las 10 mejores alternativas a Microsoft Purview
Las 13 mejores alternativas a GoAnywhere
Las 10 mejores alternativas a VisualCron
Comentarios 1
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Good to see someone actually mentioning the Mac mini as a DGX Spark alternative. I've been looking into affordable options for local LLMs, and surprisingly, most comparison articles seem to overlook it. Many blogs on DGX Spark alternatives covers Mac Studio and several other machines but doesn't mention the Mac mini. Any idea why that is? Is it because of the memory and performance limitations?
Yes, it is mainly a memory issue. You can only fit quite small models in 16 or 32GB.