DGX Spark : quels modèles d'IA tournent en local ?

NVIDIA présente DGX Spark comme une plateforme complète pour faire tourner des agents autonomes en local. La machine repose sur le GB10 Grace Blackwell Superchip et vise à réduire le recours aux ressources cloud pour générer des jetons.

Le format est compact et économe en énergie, pensé pour des charges d'agent actives en permanence depuis le bureau.

Attention toutefois : ces éléments viennent de la fiche produit NVIDIA. Ce sont des spécifications constructeur, pas des mesures indépendantes.

La mémoire système unifiée cohérente est le cœur de l'argument. Elle existe en configurations de 64 Go ou 128 Go, et sert à faire tourner des modèles de pointe sur ta propre machine.

NVIDIA annonce jusqu'à 1 pétaFLOP en précision FP4 grâce à l'architecture Grace Blackwell. Le constructeur cite aussi des cœurs Tensor de cinquième génération compatibles FP4.

Un détail compte pour l'achat : la version 64 Go est annoncée comme disponible exclusivement auprès des partenaires OEM participants.

Côté affinage, NVIDIA indique pouvoir ajuster des modèles jusqu'à 70 milliards de paramètres avec les 128 Go de mémoire unifiée. Pour l'inférence, la limite annoncée monte à 200 milliards de paramètres.

Ces chiffres décrivent des cas d'usage : prototypage, tests, validation, data science et applications edge. Ils restent des promesses de fiche technique, pas des résultats de bancs d'essai publics.

Le réseau NVIDIA ConnectX permet de relier jusqu'à quatre systèmes DGX Spark. L'objectif affiché : travailler avec des modèles plus grands, accélérer l'inférence et lancer des charges multi-agents.

NVIDIA donne des paliers : 1x DGX Spark 64 Go jusqu'à 100 milliards de paramètres, 1x DGX Spark 128 Go jusqu'à 200 milliards, 2x DGX Spark 128 Go jusqu'à 200 milliards, 2x DGX Spark 256 Go jusqu'à 400 milliards, et 4x DGX Spark 512 Go jusqu'à 700 milliards.

La pile logicielle NVIDIA est préinstallée, avec des outils d'orchestration, d'évaluation et de déploiement local. Elle inclut NVIDIA NIM et des modèles pré-entraînés.

Pour la sécurité, NVIDIA cite le NVIDIA Agent Toolkit avec OpenShell, ainsi que NemoClaw, une pile de référence open-source qui ajoute des garde-fous à OpenClaw. L'idée : concevoir des agents autonomes plus sûrs.

NVIDIA décrit l'IA agentique comme un raisonnement et une planification pour résoudre des problèmes complexes en plusieurs étapes. Les systèmes ingèrent des données de plusieurs sources, analysent, élaborent des stratégies et agissent de façon autonome.

Le constructeur évoque aussi un volant de données : les retours humains et de l'IA affinent les modèles au fil du temps. C'est un argument de conception, pas une preuve de qualité en production.

NVIDIA indique collaborer avec des concepteurs de modèles européens pour accélérer l'adoption de l'IA en Europe. Ces acteurs développent des modèles d'IA souveraine avec NVIDIA Nemotron.

Ces modèles seraient fournis à Perplexity sous forme de microservices NVIDIA NIM, hébergés sur des infrastructures de partenaires cloud NVIDIA. C'est une annonce de partenariat, pas une disponibilité commerciale détaillée.