Guía de mini PCs de IA: ¿necesitas un DGX Spark?
DGX Spark, Corsair AI Workstation 300 y Framework Desktop comparados: dos enfoques de mini PC de IA con 128 GB de memoria unificada y para quién tiene sentido cada uno en 2026.
He estado ejecutando un LLM local en una variedad de hardware improvisado: 3090 refrigeradas por agua y un servidor de LLM al que llamo hopper, lleno de GPUs Ada antiguas. Cuando NVIDIA, Corsair y demás empezaron a enviar estas cajitas de IA con propósito específico —el DGX Spark, el AI Workstation 300, el Framework Desktop— tuve que averiguar si alguno de ellos haría que mi servidor chapucero pareciera tan ridículo como probablemente lo es.
Navegación rápida
Salta directamente a lo que buscas:
Qué está pasando aquí | Dos bandos | Por qué importan los 128 GB | El DGX Spark | Alternativas | Quién necesita uno | Peros
¿Qué está pasando?
NVIDIA sacó esta cajita dorada en el CES 2025 —Project DIGITS, lo llamaron, aunque el nombre obviamente no cuajó—. A mediados de 2025 lo habían renombrado a DGX Spark y empezaron a enviar unidades a desarrolladores pioneros. ASUS sacó su versión en cuestión de meses. Dell le siguió. Corsair fue en una dirección completamente distinta con silicio de AMD.
La propuesta de todos ellos es más o menos la misma. Ejecuta tus propios modelos de IA, en tu propio hardware, sin pagar a nadie por tiempo de GPU por hora. Esa es la promesa, al menos.
Pero esto es lo que quizá no sepas: hay dos tipos de máquina bastante distintos agrupados bajo la etiqueta de «AI PC», y están construidos para gente diferente que hace cosas diferentes.
El DGX Spark: más o menos el tamaño de un libro de tapa dura grueso. La espuma metálica dorada cubre las rejillas del frente y la parte trasera. Quiero uno, aunque realmente no lo necesito. El marketing es algo poderoso.
Dos bandos, dos sistemas operativos
El bando uno es la plataforma GB10 de NVIDIA: el DGX Spark, el ASUS Ascent GX10, el Dell Pro Max GB10. Todos usan el mismo chip Grace Blackwell y todos ejecutan Ubuntu 24.04. Son servidores de inferencia con propósito específico. Puedes conectar un monitor, claro, pero la mayoría acaba ejecutándolos en modo headless. Conéctate por SSH desde tu portátil, descarga un modelo, sírvelo a través de tu red. (Esto está muy lejos de ser tan difícil como suena).
El bando dos funciona con el chip Strix Halo de AMD. El Corsair AI Workstation 300 y el Framework Desktop montan ambos el Ryzen AI Max+ 395 de AMD y, lo crucial, ejecutan Windows. Son ordenadores de sobremesa —de los de verdad— que resulta que tienen enormes pools de memoria unificada. Navega por la web en un monitor mientras un modelo de 70B ejecuta inferencia en segundo plano en tu Ollama/LM Studio/vLLM preferido.
Esta división importa desde el punto de vista de la practicidad. ¿Servidor de armario que cualquier dispositivo de tu red puede consultar? Bando uno. ¿Estación de trabajo compacta que sirve además como tu equipo diario y que también ejecuta modelos enormes? Bando dos.
Por qué 128 GB es la única especificación que importa
Sospecho que confunde a mucha gente que compra estas máquinas.
Ninguno de estos mini PCs de IA es en realidad más rápido que una GPU de sobremesa decente. Ni de cerca, para frustración. Mi 3090 con sus 24 GB de VRAM destrozaría absolutamente al DGX Spark en cualquier modelo que quepa en esos 24 GB: hablamos de tres a cuatro veces más rápido en generación de tokens, a veces más que eso.
¿Entonces cuál es el punto?
Un modelo de 70B parámetros necesita aproximadamente 40-50 GB de memoria una vez lo has cuantizado a Q4. Con un modelo de 120B, necesitarás 70-80 GB. DeepSeek V3 con 671B parámetros: son varios cientos de gigabytes. El material de consumo ni siquiera puede cargarlo, y menos ejecutarlo. Incluso la nueva RTX 5090 con 32 GB (que, dicho sea de paso, no es la solución dorada para LLM que crees) tiene que volcarse a la RAM del sistema en cuanto superas los 30B parámetros, y el rendimiento se hunde por completo cuando eso ocurre.
Las máquinas de 128 GB de memoria unificada intercambian velocidad en bruto por la capacidad de cargar modelos que las GPUs de sobremesa físicamente no pueden.
El DGX Spark y las máquinas Strix Halo tienen ambas 128 GB de memoria unificada. 128 GB de memoria direccionable: esa es toda la propuesta, en realidad. No la frecuencia de reloj, no los TFLOPS. Solo capacidad de memoria en bruto para alojar modelos más grandes. Si tus modelos caben holgadamente en 24 GB de VRAM —y, sinceramente, la mayoría de la gente que ejecuta LLM locales usa modelos de 7B o 14B que sí—, un sobremesa normal con una GPU decente es más rápido y más barato. Punto final. Las cajitas de 128 GB solo tienen sentido una vez que intentas cargar modelos que físicamente no caben en la memoria de una GPU de sobremesa —y aun entonces, querrás revisar los benchmarks antes de gastarte cuatro mil—. Necesitarías algunas GPUs RTX Pro potentes para acercarte: presupuesta unos 12.000 £ para superar ese umbral de 128 GB de VRAM.
Cómo es el DGX Spark
Esperaba algo más grande, la verdad. El Spark es esta cajita de metal dorado más o menos del tamaño de un libro de tapa dura grueso: 150 mm de lado, quizá 50 mm de alto. Pesa sobre 1,2 kg. Una espuma metálica de celda abierta cubre el frente y la parte trasera para el flujo de aire. Y por la parte trasera tienes tres puertos USB-C, HDMI, ethernet y un conector propietario que permite encadenar dos Spark para 256 GB combinados.
No hay ningún LED de encendido en ningún sitio, lo cual vuelve loco. Timothy Carbat, de AnythingLLM, analizó uno y dijo que literalmente tuvo que palpar las rejillas buscando aire caliente para confirmar que la cosa estaba funcionando. Llevaba el aparato funcionando en su escritorio un par de semanas para entonces —uso diario real, no solo benchmarks—. Nada ideal.
El panel DGX: monitorización web de la utilización de GPU, la memoria y las temperaturas. La mayoría acaba accediendo a él desde otra máquina a través de la red.
Lo arrancas y te encuentras Ubuntu 24.04 con el panel DGX de NVIDIA —basado en web, te muestra de un vistazo la utilización de GPU, el uso de memoria y las temperaturas—. Tienen preinstalado Ollama y LM Studio para que puedas empezar a descargar modelos de inmediato. CUDA 13 y nvidia-smi están ahí desde el principio, todo el toolkit listo si quieres profundizar.
Por lo que he leído en Reddit y los foros de NVIDIA, casi todo el mundo acaba quitando el cable HDMI tras el primer día y pasando a headless (¡no es una estación de trabajo, es un servidor!). Conecta ethernet a tu router, conéctate por SSH desde donde estés, ejecuta ollama pull llama3.3:70b y, de pronto, cualquier portátil y teléfono de tu red puede acceder al mismo modelo a través de la API. Carbat lo describió como «el caso de uso de home lab en el que la gente lleva encadenando Mac Minis». No compres un mini para nada. Puaj.
En el enchufe, hablamos de 141 a 153 vatios bajo inferencia sostenida. Los benchmarks se sitúan en torno a 30 tokens por segundo en un modelo de 12B. En Llama 3.3 70B cae a aproximadamente 4,5 tokens por segundo en generación, pero el procesamiento de prompts llega a 283 tokens por segundo (¡bastante rápido!), lo cual empieza a importar mucho con conversaciones largas y ventanas de contexto amplias.
Son fuertes en entrenamiento de modelos LLM. Carbat ajustó (fine-tune) Gemma 3 4B con 504 muestras de entrenamiento en 4,3 minutos en el Spark. El mismo trabajo llevó 17 minutos en un Google Colab T4. Eso es una mejora de 4x en la velocidad de iteración, y si eres alguien que ajusta modelos con regularidad, el ahorro acumulado de tiempo es difícil de ignorar.
Qué más podría comprarte tu dinero
4.699 $ por un DGX Spark es, bueno, mucho dinero para una cajita de ese tamaño. Y los benchmarks sugieren que algunas de las alternativas son, sorprendentemente, competitivas. Además espero ver DGX Spark de primera generación en eBay por 500 $ dentro de dos años.
Corsair AI Workstation 300
Corsair AI Workstation 300
AMD Ryzen AI Max+ 395 | Hasta 128 GB de memoria unificada | 96 GB de VRAM asignable | Windows 11 | 4,4 litros
El competidor Strix Halo del DGX Spark. Misma memoria de 128 GB, ejecuta Windows y los benchmarks muestran que de hecho supera al Spark en velocidad de decodificación en varias pruebas. Desde ~1.599 $ para el modelo de 64 GB.
Esta es la máquina que hace del Spark una venta realmente difícil para cualquiera que no esté específicamente casado con el ecosistema de desarrolladores de NVIDIA. La configuración de 128 GB te da 96 GB asignables como VRAM: exactamente lo mismo que el Spark. Ejecuta Windows. Puedes usarlo como tu PC diario real, lo cual es una ventaja genuina frente a la configuración solo-ubuntu del Spark.
Y en benchmarks de decodificación (la parte que determina la velocidad a la que aparecen los tokens en pantalla) el chip Strix Halo supera al Spark en varios tamaños de modelo.
Las ventajas reales del Spark se reducen a los núcleos tensor (importan si entrenas o ajustas modelos), el ecosistema software de CUDA (15 años de tooling frente al ROCm de AMD, todavía madurando) y una tarjeta de red ConnectX-7 de 200 Gig que como pieza independiente vale aproximadamente 2.000 $. Aunque, francamente, el 99% de los usuarios domésticos nunca pasará ni del ethernet de 1 Gig sirviendo modelos a su red local. Van a usarlo para inferencia, seamos honrados.
La versión de 128 GB apareció en Amazon a 2.299 $ originalmente, y a ese precio me pareció casi un gangazo por lo que llevaba dentro. Luego el suministro de LPDDR5X se fue al traste. Tom's Hardware empezó a llamarlo la «RAMpocalypse» y, de pronto, hablas de 3.399 $ por la misma máquina. Sigue siendo más barata que el Spark, pero la diferencia se ha estrechado.
ASUS Ascent GX10
El ASUS Ascent GX10: mismo silicio GB10 que el Spark, aproximadamente 2.000 $ menos.
Mismo silicio GB10 que el DGX Spark, pero en torno a 2.760 $ es actualmente la ruta más barata hacia el ecosistema de IA de NVIDIA con 128 GB de memoria unificada. Si el entrenamiento y el ajuste fino te importan más que simplemente descargar modelos y ejecutar inferencia, este es probablemente el punto de entrada que más sentido tiene con el presupuesto.
Framework Desktop
El sobremesa modular de Framework monta el mismo chip Strix Halo que el Corsair. Empieza en 1.099 $ para un kit solo-placa base: trae tu propia caja, fuente y almacenamiento— y llega hasta 1.999 $ para una configuración completa de 128 GB. No he encontrado nada más que te dé 128 GB de memoria de IA utilizable por menos de dos mil.
El sobremesa modular de Framework: empieza en 1.099 $ para un kit de placa base, 1.999 $ para el completo de 128 GB.
Corsair ONE i600
Corsair ONE i600
Intel Core Ultra 9 285K | RTX 5080 | 64 GB DDR5 | SSD de 4 TB | Refrigeración líquida dual
Una bestia completamente distinta. Se trata de una estación de trabajo compacta orientada al gaming con una RTX 5080 que barrerá cualquier modelo de hasta 30B parámetros. No es un competidor del DGX: más bien una opción de «sobremesa rápido que también hace IA».
Animal completamente distinto a los otros tres. El ONE i600 es el PC de gaming compacto refrigerado por líquido de Corsair: Intel Core Ultra 9 285K y una RTX 5080 metidos en un chasis de doble radiador diminuto. Tiene 64 GB de RAM del sistema, pero la GPU solo dispone de su propia VRAM para inferencia, así que estás limitado a modelos que quepan en lo que lleve la 5080. Para cualquier cosa de hasta unos 30B parámetros, sin embargo, dejará en ridículo a las cajas de memoria unificada. Eso sí, no esperes que cargue un modelo de 70B: no está construido para eso.
¿Necesitas uno?
He estado dándole vueltas. Probablemente no la mayoría de la gente, al menos todavía no.
Si ejecutas modelos de 7B o 14B y con eso cubres lo que necesitas, cómprate un sobremesa con una 4090 o pilla dos 3090 de segunda mano para 48 GB de VRAM. Una 4090 superará a cualquiera de estas cajas de 128 GB por un factor de tres o cuatro en modelos que quepan en sus 24 GB: los benchmarks son bastante claros al respecto. He escrito por separado sobre los mejores PCs para ejecutar modelos de IA locales, donde repaso las opciones de GPU con más detalle. Hay «4090 D» en eBay a las que se les ha cambiado la placa para alojar 48 GB. Estoy tan, tan tentado: las placas salen de las mismas fábricas que las tarjetas de NVIDIA, cambian el chip de la GPU y le ponen mejor RAM. Mucho menos sospechoso de lo que creerías.
Pero en el momento en que quieras ejecutar algo de 70B o superior —Llama 3.3 70B, Qwen 72B, esa escala—, tus opciones se reducen de golpe a estas máquinas de 128 GB o a un servidor multi-GPU. El Framework Desktop a 1.999 $ te lleva ahí por menos dinero. El Corsair AI Workstation 300 cuesta más, obviamente, pero te llevas un producto de retail con soporte y garantía reales —y alguna gente prefiere eso frente a un montaje DIY de Framework, comprensiblemente—. Y el DGX Spark si necesitas CUDA para ajuste fino o estás construyendo sobre la pila de NVIDIA y quieres que tu máquina de desarrollo coincida con lo que corre en producción.
Personalmente, el ángulo de servidor doméstico siempre encendido es lo que me atrae: básicamente es para lo que construí mi equipo de 3090, salvo sin el calor. Enchufa un Spark o un Ascent GX10 a tu router y olvídate: Linux headless, ethernet dentro, API fuera. He escrito sobre usar LM Studio exactamente para este tipo de flujo, y sobre reducir los costes de Claude Code con un LLM local descargando trabajo a una máquina como esta.
Un revisor de benchmarks expuso el caso del desarrollador mejor de lo que yo podría: «4.000 $ es una gota en un cubo por tener a tus desarrolladores trabajando en un sistema de desarrollo que coincide con tu infraestructura NVIDIA de producción». Si despliegues en hardware de NVIDIA, desarrollar en hardware de NVIDIA evita toda una clase de problemas de «funciona en mi máquina». ¿El resto? Yo miraría primero Strix Halo y me ahorraría uno o dos miles.
Lo que nadie pone en la página de producto
He ido coleccionando los peros a partir de análisis, hilos de Reddit y los vídeos de benchmarks. Unos cuantos destacan.
Todos los puertos del DGX Spark son USB-C. Ni un solo USB-A en ningún sitio. Carbat dijo que se compró tres adaptadores el primer día. Si planeas usarlo como sobremesa, presupuesta un hub USB-C o prepárate para el caos de adaptadores.
El consumo de energía se acumula discretamente. Ese Spark consume 44 vatios en reposo con solo un terminal abierto. Bajo inferencia sostenida, de 141 a 153 vatios. Un Mac Mini M4, en comparación, sorbe unos 8 vatios en reposo y apenas roza los 80 bajo carga. Tener uno de estos como servidor doméstico 24/7 suma quizá 15-20 € al mes a tu factura de la luz según tus tarifas: no ruinoso, pero tampoco desdeñable.
Nadie que monte un home lab necesita una tarjeta de red de 200 Gig, pero el Spark la trae de todos modos. La ConnectX-7 dentro del DGX Spark es una pieza de calidad datacenter, que fácilmente vale 2.000 $ por sí sola. La mayoría de las redes domésticas llegan como mucho a 1 Gig —quizá 2,5 Gig si has estado actualizando tus switches últimamente—. La red doméstica de nadie va a necesitar ese ancho de banda para servir tokens de LLM. El ASUS Ascent GX10 prescinde por completo de esta tarjeta, lo cual explica en gran medida por qué cuesta 2.000 $ menos.
Una observación menos divertida: cada máquina de esta lista se ha encarecido desde el lanzamiento. El Spark debutó a 3.999 $, que ya parecía caro. Ahora está a 4.699 $. El Corsair AI Workstation 300 también ha subido, de 2.299 $ a 3.399 $ en la configuración de 128 GB. El suministro de LPDDR5X ha estado ajustado y no hay garantía de que estos precios hayan tocado techo. Sinceramente, si no tienes prisa, esperar seis meses podría ahorrarte unos cientos de euros en cualquiera de estos.
CUDA frente a ROCm es una brecha real, no de marketing. NVIDIA lleva construyendo CUDA algo así como 15 años, y esa ventaja de salida marca de verdad la diferencia en el uso del día a día. Ollama, vLLM, llama.cpp, PyTorch, TensorRT: todo funciona. La pila ROCm de AMD maneja la inferencia básica a través de Ollama sin dramas, pero en cuanto necesitas kernels CUDA especializados para entrenamiento o ajuste fino, notes la diferencia. ¿Para ejecutar modelos prefabricados? Ambos bandos van bien. Cualquier cosa más allá —kernels personalizados, entrenamiento consciente de la cuantización, optimizaciones raras de TensorRT— y te estrellarás con los bordes de ROCm bastante rápido.
El Spark en su hábitat natural: junto a un portátil, sirviendo modelos por la red.
Hace seis meses, ejecutar un modelo de 70B localmente significaba atar Mac Minis o pelearse con un servidor multi-GPU. Ahora hay una cajita dorada de 1,2 kg que lo hace casi sin hacer ruido. Sigo pensando que a la mayoría le sirve mejor una GPU de sobremesa sólida: una 3090 de segunda mano cubre los modelos que la mayoría usamos a diario. Pero si has superado los 24 GB de VRAM y estás cansado de pagar facturas de APIs en la nube, la categoría por fin existe. Eso es algo.
Artículos relacionados
Mejores PCs para IA local 2026: 21 montajes testados
Guía de PCs para IA local en 2026, desde 200 £ hasta 8.000 £: por qué la VRAM es el único número que importa, mini PCs con 128 GB de memoria unificada y montajes multi-GPU para LLM.
¿Qué es la cuantización en modelos de IA?
Qué es la cuantización (cuantificación) en modelos de IA: cómo reducir precisión numérica para ahorrar memoria y acelerar inferencia, con ejemplos FP32 vs 4-bit y cuándo compensa.
AirLLM: ejecutar LLM de 70B con solo 4 GB de VRAM
Qué es AirLLM, cómo ejecuta modelos de 70B en una GPU de 4 GB sin cuantizar, instalación paso a paso, compresión 4/8 bits y cuándo usarlo frente a LM Studio u Ollama.