DGX Spark vs Mac Studio e Halo: Benchmarks e Alternativas
O DGX Spark da NVIDIA entrou no mercado de IA para desktops em 2025 por US$ 3.999, posicionando-se como um "supercomputador de IA para desktop". Ele possui 128 GB de memória unificada e promete um petaflop de desempenho de IA FP4 em um chassi do tamanho de um Mac Mini.
Veja os resultados da análise comparativa de valor e desempenho em relação às alternativas:
Análise competitiva: DGX Spark vs. alternativas
Desempenho GPT-OSS 120B
Ao comparar sistemas no exigente modelo GPT-OSS 120B (formato MXFP4), as diferenças de desempenho tornaram-se gritantes. 1 2
Principais insights de desempenho
- Processamento rápido : DGX Spark e 3×RTX 3090 são quase idênticos (1.723 vs 1.642 tokens/seg), com o DGX Spark ligeiramente à frente devido à eficiência do FP4. O Strix Halo AMD fica significativamente para trás com 340 tokens/seg, apesar de capacidades FP4 semelhantes.
- Geração de tokens : A configuração com 3 RTX 3090 domina com 124 tokens/seg, mais de 3 vezes mais rápida que os 38,55 tokens/seg do DGX Spark. Isso confirma que a largura de banda da memória LPDDR5X (273 GB/s) é o gargalo em comparação com a largura de banda agregada da GDDR6X.
- Vantagem em capacidade de memória : A memória unificada de 128 GB do DGX Spark permite executar modelos que travariam em GPUs de 24 GB. Uma única RTX 3090 não consegue executar modelos de 120 bits sem recorrer à memória RAM do sistema, que é mais lenta.
Fonte: Organização LMSYS 3 , Substack 4
O gráfico demonstra que:
- O DGX Spark supera o Mac Mini M4 Pro em todos os tamanhos de modelo.
- Para modelos menores (GPT-OSS 20B, LLaMA 3.1 8B), a diferença é maior (cerca de 30% mais rápido).
- Para modelos maiores (Gemma-3 27B), o desempenho converge à medida que ambos os sistemas ficam limitados pela memória.
- Ambos os sistemas permanecem utilizáveis mesmo com modelos de parâmetros 27B.
Análise de preço-desempenho
Observação: Os preços são aproximados e referentes a janeiro de 2026.
Benchmarks de desempenho bruto
resultados llama.cpp
Os primeiros testes de desempenho do desenvolvedor do llama.cpp, Georgi Gerganov, fornecem métricas básicas de desempenho. Os testes mediram o processamento de prompts (a rapidez com que o modelo processa a entrada) e a geração de tokens (velocidade de resposta):
Fonte: Hardware-Corner.net 5
O padrão é claro: o DGX Spark se destaca no processamento rápido (limitado por computação), mas tem dificuldades na geração de tokens (limitado por memória).
Testes de desempenho de lhamas
Testes de desempenho oficiais da Ollama, utilizando a versão de firmware 580.95.05 e a versão 0.12.6 da Ollama, testaram diversos modelos em condições padronizadas:
Fonte: Blog da Ollama 6
Nota : Os modelos gpt-oss de OpenAI testados pelo Ollama usam o formato oficial MXFP4 com BF16 nas camadas de atenção, e não a versão quantizada q8_0.
DGX Spark: Especificações técnicas
Fonte: NVIDIA 7
Quando o DGX Spark é melhor?
Acesso ao ecossistema CUDA
O DGX Spark se destaca em cenários onde a compatibilidade de software e a eficiência de fluxos de trabalho específicos superam a velocidade bruta de geração de tokens. Para desenvolvedores acostumados com os processadores Apple Silicon, a transição para o Spark atenua o atrito da " lacuna CUDA ", já que muitas bibliotecas e tutoriais padrão do setor ainda pressupõem um ambiente CUDA. 8
O Spark oferece acesso nativo ao ecossistema NVIDIA, incluindo contêineres Docker e playbooks oficiais, permitindo que os usuários executem configurações complexas, como o ajuste fino de pipelines ou fluxos de trabalho com agentes que dependem da pilha NVIDIA padrão.
Fluxo de trabalho do desktop ao datacenter
Este dispositivo preenche efetivamente a lacuna entre a prototipagem local e a implementação em data centers. Posicionado como um "supercomputador pessoal de IA", ele permite que pesquisadores desenvolvam e testem modelos em uma unidade de mesa que compartilha a mesma arquitetura de software (drivers, kit de ferramentas CUDA e ferramentas de gerenciamento) que clusters de nuvem em grande escala. 9
Essa consistência resolve problemas de compatibilidade com o ambiente local ao migrar cargas de trabalho para grandes implantações do H100 .
Além disso, benchmarks específicos destacam a competência do sistema em otimização e processamento em lote de alto rendimento; nos testes, o sistema atingiu aproximadamente 924 tokens por segundo com Llama 3.1 8B (FP4) e 483 tokens por segundo com Qwen3 Coder 30B (FP8), demonstrando sua utilidade para tarefas de desenvolvimento rigorosas além da simples inferência de chat. 10
Configurações híbridas com o Mac Studio
Combinações inovadoras de hardware também revelam vantagens específicas para o Spark. Embora apresente dificuldades com a largura de banda de memória para decodificação em comparação com o hardware da Apple, seu desempenho de "pré-carregamento", que exige alto poder de processamento, é significativamente superior.
Ao conectar um DGX Spark a um Mac Studio M3 Ultra, os desenvolvedores podem aproveitar o Spark para processamento imediato e o Mac para geração de tokens. Essa configuração híbrida "desagregada" proporciona um aumento de velocidade geral de 2,8 vezes em comparação com a execução de modelos apenas no Mac Studio. 11
Alternativas a considerar
AMD Strix Halo (Framework para desktop) para quem tem orçamento limitado e bom custo-benefício
Para usuários com orçamento limitado, o Framework Desktop com Ryzen AI Max 385 (Strix Halo) oferece a melhor relação custo-benefício entre os sistemas de memória unificada. Por US$ 2.348, ele custa aproximadamente metade do DGX Spark, oferecendo a mesma configuração de memória unificada de 128 GB e largura de banda de memória comparável (~273 GB/s). 12
O desempenho na geração de tokens é surpreendentemente competitivo: 34,13 tok/s contra 38,55 tok/s do DGX Spark no modelo de 120 bits. No entanto, o processamento imediato revela a diferença, onde a arquitetura Blackwell do DGX Spark domina com 1.723 tok/s em comparação com os 339,87 tok/s do Strix Halo. Isso significa que o Strix Halo processa contextos grandes cerca de 5 vezes mais lentamente, embora a velocidade de geração permaneça quase idêntica após o início do processamento.
A contrapartida é a maturidade do software. O Strix Halo depende da pilha ROCm da Microsoft em vez do CUDA, que está melhorando rapidamente, mas ainda carece da profundidade do ecossistema e do ambiente de desenvolvimento de IA pré-configurado que o DGX Spark oferece imediatamente.
Mac Studio M3 Ultra para inferência de alta velocidade
Se a largura de banda da memória e a velocidade de geração de tokens forem as principais métricas, o Mac Studio M3 Ultra continua sendo uma opção superior. Com 512 GB de memória unificada disponível a 819 GB/s, o Mac Studio oferece aproximadamente três vezes a largura de banda da configuração LPDDR5X de 273 GB/s do Spark. 13
Essa vantagem de largura de banda resulta em velocidades de decodificação mais rápidas para modelos de linguagem grandes, tornando o Mac Studio altamente eficaz para tarefas que exigem muita inferência, onde o tempo de geração de resposta é crucial.
Configurações DIY com múltiplas GPUs para máximo desempenho bruto.
Para obter o máximo desempenho bruto, independentemente da complexidade, uma configuração com 3 placas RTX 3090 oferece um desempenho incomparável a qualquer sistema de memória unificado. Com 72 GB de VRAM agregada e largura de banda total de memória de aproximadamente 936 GB/s, essa configuração atinge 124 tok/s em modelos de 120 bits, mais de 3 vezes mais rápido que os 38,55 tok/s do DGX Spark. 14
As desvantagens são consideráveis. Essa abordagem exige conhecimento técnico significativo para instalação e configuração, consome 1.050 W em comparação com os 210 W do DGX Spark, ocupa mais espaço físico e não oferece um pacote de software pronto para uso. Para usuários que priorizam a praticidade em detrimento do desempenho bruto, o DGX Spark continua sendo a opção mais fácil.
Limitações
Promessas de desempenho versus realidade
O valor anunciado de “1 petaflop” depende da precisão FP4 esparsa, o que inicialmente levantou dúvidas sobre sua aplicabilidade no mundo real. Realizamos testes comparativos com a quantização FP4/INT4 e constatamos que ela retém 98% da precisão do modelo, ao mesmo tempo que oferece um ganho de desempenho de 2,7 vezes em comparação com o BF16. No entanto, a queda de 2% na precisão pode ser significativa para tarefas críticas em termos de precisão, como geração de código ou raciocínio matemático, onde pequenos erros se acumulam rapidamente.
Essa diferença de desempenho pode ser gritante, considerando o preço, principalmente quando CPUs de servidor mais antigas ou clusters de GPUs DIY de baixo custo conseguem superar o Spark em benchmarks de inferência específicos, devido ao gargalo de largura de banda de memória do Spark.
Problemas com software e suporte
A viabilidade a longo prazo e a fricção do software também representam obstáculos significativos. O sistema operacional DGX garante atualmente apenas dois anos de suporte, um período curto para hardware empresarial, e o dispositivo tem demonstrado tendência à limitação térmica, o que pode forçar reinicializações durante períodos prolongados de uso. 15
Além disso, embora o sistema execute CUDA, a arquitetura ARM64 subjacente causa problemas de compatibilidade inesperados; os desenvolvedores podem descobrir que binários pré-compilados específicos para bibliotecas como PyTorch estão ausentes ou são difíceis de configurar em comparação com ambientes x86 padrão.
Metodologia
Esta análise sintetiza dados de referência de múltiplas fontes independentes:
- Hardware-Corner.net 16 : Benchmarks llama.cpp de Allan Witt comparando DGX Spark, AMD Strix Halo e sistemas multi-GPU.
- Blog oficial da Ollama 17 : Testes de desempenho padronizados usando Ollama v0.12.6 com firmware 580.95.05.
- IntuitionLabs.ai 18 : Análise abrangente com benchmarks SGLang e Ollama em múltiplas plataformas.
- Fórum Level1Techs 19 : Análise prática de Wendell com foco no ecossistema de software e casos de uso práticos.
- Sinal 65 20 : Perspectiva do desenvolvedor sobre o acesso ao ecossistema CUDA e os desafios de compatibilidade com ARM64.
- EXO Labs 21 : Testes de inferência desagregada híbrida DGX Spark + Mac Studio com medições de aceleração de 2,8x.
- Jeff Geerling 22 : Comparação do Dell GB10, análise de limitação térmica e limitações de suporte do sistema operacional DGX.
- Banandre 23 : Análise de desempenho independente comparando as alegações de marketing de 1 PFLOP com as medições reais de 480 TFLOPS.
- Análise de armazenamento 24 : Benchmarks de ajuste fino e inferência em lote (924 tok/s Llama 3.1 8B, 483 tok/s Qwen3 30B).
Todos os benchmarks utilizam modelos disponíveis publicamente com condições de teste consistentes, sempre que possível.
Conclusão
Os usuários devem entender o DGX Spark não como um campeão de desempenho bruto, mas como um kit de desenvolvimento acessível e padronizado, projetado para reduzir as barreiras de entrada para pesquisas sérias em IA.
Seu valor reside na experiência refinada desde o primeiro dia; ao contrário das montagens "faça você mesmo" que exigem dias de solução de problemas com drivers, o Spark chega com um ecossistema de software maduro, documentação extensa e manuais pré-configurados que permitem produtividade imediata.
Ela oferece uma plataforma estável e com suporte para pesquisadores que precisam validar fluxos de trabalho localmente antes de expandi-los, funcionando efetivamente como uma unidade funcional de um data center que cabe em uma mesa.
Perguntas frequentes
O DGX Spark foi projetado como um supercomputador de IA compacto, trazendo a arquitetura Grace Blackwell da Microsoft e os Tensor Cores de quinta geração para um formato pequeno e ideal para desktops. Para muitos usuários, isso significa que é possível executar grandes modelos de linguagem e outras cargas de trabalho de inteligência artificial localmente, sem a necessidade de uma sala de servidores.
No entanto, é essencial entender para que ele é mais adequado.
Ele se destaca no carregamento de modelos de IA em larga escala graças ao seu grande conjunto de memória unificada.
Ele lida com modelos complexos de IA melhor do que a maioria dos mini PCs ou estações de trabalho compactas.
Não é a opção mais rápida para geração de tokens, e algumas alternativas ao DGX Spark (por exemplo, computadores com múltiplas GPUs ou estações de trabalho Dell e HP) podem ser mais rápidas para modelos menores.
Se o seu trabalho envolve desenvolvimento de modelos de IA, prototipagem ou execução de modelos de contexto longo em um computador desktop, o DGX Spark é um dispositivo excepcionalmente capaz. Se você trabalha principalmente com modelos menores, se concentra em processamento de vídeo ou busca o melhor custo-benefício, um desktop tradicional ou um mini-torre de alta performance pode oferecer melhor desempenho por dólar investido.
Os tempos de espera dependem das cargas de trabalho de IA específicas que você executa. Com o DGX Spark, o processamento de prompts é de alta velocidade para modelos de linguagem complexos, mas a geração de tokens pode ser mais lenta do que algumas alternativas de GPU. Isso significa:
Ao carregar contextos longos, o Spark é rápido.
Ao gerar respostas longas ou realizar processamento de vídeo com IA quadro a quadro, o dispositivo disponível pode não ser o mais rápido.
Para tarefas básicas de IA ou modelos menores, os usuários verão resultados quase instantâneos.
Para cargas de trabalho maiores, como resumir documentos longos, gerar vídeos com modelos multimodais ou processar cargas de trabalho de IA distribuídas, o tempo de espera depende do tamanho e da precisão do modelo.
Se o tempo de espera mínimo for uma prioridade, sistemas como:
Estação DGX,
Estações de trabalho HP da série Z, ou
Configurações com múltiplas GPUs, como a Ascent GX10, podem oferecer melhor desempenho graças à maior largura de banda da memória e clusters de GPUs maiores. No entanto, elas ocupam mais espaço, são mais caras ou exigem armazenamento e energia adicionais.
O DGX Spark se destaca pelo seu suporte de software. Construído como parte da iniciativa Project DIGITS da NVIDIA, ele se integra perfeitamente com CUDA, TensorRT, o pacote de software DGX e ferramentas corporativas, algo que muitos sistemas de design compactos e mini PCs não possuem.
Isso o torna particularmente atraente para:
Cientistas de dados,
Pesquisadores que trabalham em avaliações de desempenho de IA,
As equipes estão fazendo ajustes finais.
Desenvolvedores experimentando com cargas de trabalho de IA distribuídas,
Usuários criando e testando novos modelos de IA de ponta a ponta.
Comparado a alternativas como sistemas Apple, desktops Dell de nível profissional ou PCs baseados em processadores Intel Core i5, o Spark se beneficia do ecossistema Intel Core i5 mais amplo. Por outro lado, algumas alternativas oferecem melhor desempenho geral, armazenamento mais expansível ou custo mais baixo.
Leitura complementar
- Os 30 principais fornecedores de GPUs em nuvem e suas GPUs
- Software de GPU para IA: CUDA vs. ROCm
- Os 20+ principais fabricantes de chips de IA: NVIDIA e seus concorrentes
- Comparativo Multi-GPU: B200 vs H200 vs H100 vs MI300X
Links de referência
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.