Las tres máquinas comparten arquitectura Blackwell y el mismo stack de software de NVIDIA. La pregunta correcta no es cuál es más potente —el orden es evidente— sino dónde va a ocurrir el trabajo: sobre un escritorio, en una oficina, o en un rack con energía y refrigeración de centro de datos. Esa decisión define el equipo, no al revés.
Comparación rápida
| DGX Spark | DGX Station | DGX B200 | |
|---|---|---|---|
| Superchip / GPU | GB10 Grace Blackwell | GB300 Grace Blackwell Ultra | 8× Blackwell SXM |
| Memoria | 128 GB unificada LPDDR5X, 273 GB/s | 748 GB coherente (252 GB HBM3e + 496 GB LPDDR5X) | 1.440 GB HBM3e, 64 TB/s |
| Formato | Escritorio, 1,2 kg | Torre / deskside | Rack 10U |
| Energía | Enchufe normal | Circuito de oficina dedicado | ~14,3 kW máx. |
| Rendimiento IA | Hasta 1 PFLOP FP4 | 20 PFLOPS FP4 | 144 PFLOPS FP4 / 72 PFLOPS FP8 |
| Red | ConnectX-7, 200 Gb/s | ConnectX-8 SuperNIC, hasta 800 Gb/s | NVLink 5ª gen., 14,4 TB/s agregados |
| Para quién | Un desarrollador o un equipo chico | Un área completa | Producción y entrenamiento a escala |
DGX Spark: cuando el cuello de botella es empezar
Es un equipo de 150 × 150 × 50,5 mm y 1,2 kg que se conecta a un enchufe común. Su superchip GB10 combina una GPU Blackwell con una CPU Arm de 20 núcleos (10 Cortex-X925 y 10 Cortex-A725) sobre 128 GB de memoria unificada coherente. Que la memoria sea unificada es el punto: el modelo y los datos viven en el mismo espacio y desaparece el costo de copiar entre CPU y GPU.
NVIDIA declara que permite inferencia de modelos de hasta 200 mil millones de parámetros y fine-tuning de hasta 70 mil millones. Para la mayoría de los equipos que recién están montando una práctica de IA propia, eso cubre el trabajo real: prototipar, afinar un modelo abierto sobre datos propios, probar arquitecturas RAG, correr agentes.
Dónde se queda corto: no es una máquina de producción para atender usuarios concurrentes, y su ancho de banda de memoria (273 GB/s) es el más bajo de los tres. Si el objetivo es servir un modelo a toda la empresa con latencia estable, este no es el equipo.
Ver ficha: NVIDIA DGX Spark 128 GB / 4 TB.
DGX Station: un centro de datos de IA que cabe bajo el escritorio
El salto respecto del Spark no es incremental. El superchip GB300 Grace Blackwell Ultra aporta 252 GB de HBM3e a 7,1 TB/s junto a 496 GB de LPDDR5X a 396 GB/s, unidos por NVLink-C2C a 900 GB/s: 748 GB de memoria coherente. Eso es casi seis veces la memoria del Spark, y con un ancho de banda de otra categoría.
La consecuencia práctica más interesante es MIG: la GPU se puede particionar y una sola unidad puede atender a varios equipos de trabajo como si fuera una nube de IA privada dentro de la oficina, sin sacar un solo dato de la organización.
Dónde se queda corto: sigue siendo un nodo. Para entrenar desde cero un modelo grande, o para sostener un servicio con SLA, se necesita un clúster.
Ver ficha: NVIDIA DGX Station.
DGX B200: infraestructura, no equipamiento
Ocho GPU Blackwell SXM interconectadas por NVLink de 5ª generación y dos NVSwitch, con 1.440 GB de HBM3e a 64 TB/s y 14,4 TB/s agregados entre GPU. Dos Intel Xeon Platinum 8570, 112 núcleos en total. Diez unidades de rack y hasta unos 14,3 kW.
Ese último número es el que decide. Un DGX B200 no es una compra de equipamiento: es un proyecto de infraestructura que involucra energía, refrigeración, peso por rack y, casi siempre, un datacenter de terceros. Antes de cotizarlo conviene tener resuelto dónde va a vivir.
Ver ficha: NVIDIA DGX B200.
La regla de decisión
- ¿El trabajo es explorar, afinar y prototipar, y lo hacen una o dos personas? DGX Spark.
- ¿Varias personas necesitan capacidad simultánea y los datos no pueden salir de la oficina? DGX Station.
- ¿Hay que entrenar en serio o servir un modelo en producción con carga real? DGX B200, y la conversación empieza por el datacenter.
Un criterio que rara vez se menciona y que suele ser el determinante: el equipo más grande que se puede alimentar y refrigerar es el techo real, no el presupuesto. Una empresa con una sala de servidores de oficina no va a operar un B200 aunque pueda pagarlo.
Lo que no cambia entre los tres
Los tres corren el mismo stack: DGX OS, CUDA, NVIDIA AI Enterprise, y las herramientas habituales de trabajo —PyTorch, Jupyter, Ollama—. Un flujo desarrollado sobre un DGX Spark se lleva a una Station o a un B200 sin reescribirlo. Eso hace que empezar por el equipo chico no sea una decisión que haya que deshacer después: es el primer peldaño de la misma escalera.
Preguntas frecuentes
¿Puedo entrenar un modelo desde cero con un DGX Spark?
No es su propósito. NVIDIA declara fine-tuning de hasta 70 mil millones de parámetros e inferencia de hasta 200 mil millones. Entrenar un modelo base desde cero requiere infraestructura de otra escala.
¿Cuánta memoria necesito para el modelo que quiero correr?
Como referencia gruesa, un modelo cuantizado a 4 bits necesita alrededor de la mitad de un byte por parámetro, más espacio para el contexto. Los 128 GB del Spark dan holgura hasta el rango de decenas de miles de millones de parámetros; los 748 GB de la Station cambian de liga. La cifra exacta depende de la cuantización, el largo de contexto y cuántas peticiones simultáneas se quieran atender.
¿Se pueden conectar varios equipos entre sí?
Sí. Tanto el Spark como la Station incorporan NIC de alta velocidad (ConnectX-7 y ConnectX-8 respectivamente) pensadas para agrupar unidades. La configuración concreta depende del caso y conviene definirla antes de comprar.
¿Cuál es el plazo de entrega en Chile?
Estos equipos se traen bajo pedido. El DGX Spark tiene hoy una entrega estimada de 25 días corridos desde la confirmación de la orden; los demás se confirman en la cotización. La disponibilidad de cada ficha se actualiza cuando hay unidades en camino.
Siguiente paso
Si ya sabes cuál necesitas, las tres fichas están en AI Supercomputers. Si la duda es cuál calza con tu caso, la conversación parte por el modelo que quieres correr y por dónde va a estar instalado el equipo: solicita una asesoría.