NVIDIA собрала настольный кластер из четырёх DGX Spark для научных расчётов
На SC26 NVIDIA представила DGX Spark HPC Developer Kit: четыре компактных узла на чипе GB10 Grace Blackwell соединяются напрямую и дают 512 ГБ памяти. Компания обещает запуск моделей до 700 млрд параметров и научные симуляции без очереди на общем кластере.

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.
Вместо того чтобы ждать в очереди к общему GPU-кластеру, исследователь может поставить четыре компактных системы рядом с монитором и связать их напрямую. На конференции SC26 в Чикаго NVIDIA представила DGX Spark HPC Developer Kit — кластер из четырёх узлов DGX Spark на чипе GB10 Grace Blackwell. Каждый узел соединён с двумя соседями по кольцу через ConnectX-7, так что отдельный сетевой коммутатор покупать и настраивать не нужно.
В сумме четыре узла дают 512 ГБ памяти и 20 ТБ хранилища NVMe. По заявлению NVIDIA, при использовании формата NVFP4 на таком кластере можно локально развернуть модели до 700 млрд параметров — компания приводит в пример DeepSeek V4.1. NVFP4 здесь — числовой формат с пониженной точностью: он экономит память и ускоряет вычисления, но требует, чтобы модель была к нему приспособлена.
Зачем это научной группе
Главный аргумент NVIDIA — не рекордная производительность, а избавление от ожидания. Если у лаборатории фиксированная квота на серверные ресурсы, отладка и черновые прогоны на своём столе освобождают часы на общем кластере для финальных расчётов. Заодно неопубликованные данные и закрытые наборы остаются внутри организации.
Компания перечисляет несколько сценариев: подготовка входных данных для симуляций и разбор результатов с помощью агентов, обучение быстрых суррогатных моделей вместо медленных расчётов, отбор нескольких сотен значимых параметров из симуляции на миллионы ячеек ещё до запуска на суперкомпьютере. Среди показанных на четырёх узлах нагрузок — LAMMPS с Kokkos для моделирования материалов и NAMD для молекулярной динамики.
Есть и примеры от сторонних групп. Лаборатория Rubin Lab в IGI при Калифорнийском университете в Беркли сообщила, что с моделью Evo 2 получала результаты в 15 раз быстрее, чем при ожидании 11-часовой очереди на кластере. Группа Hartwig там же провела LoRA-дообучение модели Nemotron 3 Super 120B-A12B для химического машинного обучения на одном устройстве. LoRA — метод дешёвой подстройки больших моделей через небольшой набор дополнительных весов. Это сообщения самих исследователей и компании, а не независимая проверка.
Что появится позже
Инструменты для научного программирования пока обещаны, а не доступны: NVIDIA говорит, что готовит playbook по установке HPC SDK с GPU-ускоренными компиляторами C, C++ и Fortran, библиотеками и средствами передачи сообщений MPI — теми же, что используются на суперкомпьютерах NVIDIA. С их помощью группа сможет проверить, как распределяются вычисления и данные между узлами, и отладить обмен сообщениями до перехода на большую систему.
Комплект выставлен на SC26 и, по данным NVIDIA, уже продаётся — через партнёров-производителей оборудования и NVIDIA Marketplace. Цены в сообщении нет, как и данных о доступности в России. Для тех, кто присматривается к локальным экспериментам с крупными моделями и агентами, это ещё один вариант обойтись без облака, но оценивать его стоит по реальным задачам, а не по обещанному потолку в 700 млрд параметров.


