Una carga que supere claramente una estación GPU o DGX Spark y requisitos de soporte definidos.
Análisis prioritario · NVIDIA GB300
NVIDIA DGX Station: análisis de la hermana mayor del Spark
DGX Station lleva el concepto de superordenador personal a una escala muy superior: superchip GB300 Grace Blackwell Ultra, hasta 748 GB de memoria coherente y una plataforma de sobremesa orientada a modelos, datos y equipos que exceden claramente la capacidad de DGX Spark.
748 GB de memoria coherenteHasta 20 petaFLOPS FP4Gestión y expansión de clase profesional
Ruta de montaje
Qué necesitas antes y cómo sabrás que has terminado
Ejecuta la guía sobre un entorno de prueba. No avances a producción hasta obtener la salida verificable y documentar la reversión.
Entender el encaje de Station, sus límites y la diferencia real respecto a Spark.
Continúa con la etapa relacionada y conserva comandos, versiones, métricas y responsables.
Contacto y compra748 GBmemoria coherente total
252 GBHBM3e en la GPU
72 núcleosCPU NVIDIA Grace
800 Gb/sConnectX-8 máximo
Qué es DGX Station
NVIDIA DGX Station es un sistema de IA de formato vertical para el puesto de trabajo, construido alrededor del GB300 Grace Blackwell Ultra Desktop Superchip. Reúne una GPU Blackwell Ultra, una CPU Grace de 72 núcleos y dos dominios de memoria conectados mediante NVLink-C2C.
No es simplemente un Spark ampliado. Cambian el silicio, la memoria, el ancho de banda, la alimentación, las opciones de expansión, la red y las funciones de administración. Su objetivo es acercar cargas de desarrollo, inferencia, ajuste, ciencia de datos e IA física a un entorno controlado por la organización, sin exigir que todo el trabajo se traslade desde el inicio a un clúster de centro de datos.
La cifra correcta de memoria coherente es 748 GB. Algunas páginas comerciales repiten 784 GB; esa cifra no coincide con la documentación oficial vigente. La suma publicada por NVIDIA es 252 GB de HBM3e más 496 GB de LPDDR5X.
Arquitectura GB300 de sobremesa
| Componente | Especificación | Consecuencia práctica |
|---|---|---|
| Superchip | GB300 Grace Blackwell Ultra Desktop | CPU y GPU de clase centro de datos integradas mediante NVLink-C2C |
| GPU | Blackwell Ultra con 252 GB HBM3e a 7,1 TB/s | Gran ancho de banda para pesos, caché y cargas de GPU |
| CPU | NVIDIA Grace, 72 núcleos Arm Neoverse V2 | Preparación de datos, servicios, orquestación y ciencia de datos |
| Memoria CPU | 496 GB LPDDR5X a 396 GB/s | Conjuntos de datos y servicios auxiliares de gran tamaño |
| Memoria coherente | Hasta 748 GB | Espacio conjunto direccionable por la plataforma, con dominios de distinto ancho de banda |
| Interconexión C2C | 900 GB/s | Comunicación de alta velocidad entre CPU Grace y GPU Blackwell Ultra |
| Cómputo IA | Hasta 20 petaFLOPS FP4 con dispersión; 15 densos | Métrica de IA de baja precisión, no equivalente a FP64 |
| Red | ConnectX-8 hasta 800 Gb/s; dos QSFP112 de 400 Gb/s; 10 GbE | Datos, conexión entre estaciones y acceso multiusuario |
| Almacenamiento | Cuatro ranuras M.2 PCIe Gen5 | Capacidad local configurable para modelos y datos |
| Gestión | BMC, Redfish, DCGM, arranque seguro y raíz de confianza | Operación, inventario, telemetría y controles de plataforma |
| Particionado | Hasta siete instancias MIG | Aislamiento de recursos para varios usuarios o servicios compatibles |
| Potencia de sistema | Hasta 1.600 W | Requiere revisar circuito eléctrico, ventilación y ubicación |
La página oficial y la guía de desarrollo de NVIDIA coinciden en 748 GB. Las cifras de precisión se mantienen separadas para evitar comparaciones incorrectas con cómputo científico FP64.
748 GB no significan 748 GB de HBM3e
En palabras sencillas
La cifra, en cotidiano: la Station combina una memoria ultrarrápida "de mostrador" (HBM) con una despensa enorme algo más tranquila (LPDDR). El mostrador atiende al modelo al máximo ritmo; la despensa permite tener cargado muchísimo más. Por eso los 748 GB no son todos iguales — y aun así es una escala que ningún sobremesa había alcanzado.
La plataforma ofrece un espacio coherente de gran tamaño, pero combina memorias con funciones y velocidades distintas. Los 252 GB de HBM3e están junto a la GPU y alcanzan 7,1 TB/s; los 496 GB LPDDR5X están asociados a Grace y alcanzan 396 GB/s. NVLink-C2C conecta ambos dominios a 900 GB/s.
Esta jerarquía permite trabajar con modelos y datos de gran tamaño, pero el rendimiento depende de la colocación de memoria y del comportamiento del software. Un modelo que utiliza principalmente HBM3e puede tener un perfil diferente de otro que necesita recurrir de forma intensa a la memoria de CPU. La capacidad total no elimina la necesidad de medir prefill, generación, lote, contexto y concurrencia.
Lectura prudente: NVIDIA declara compatibilidad con modelos de hasta un billón de parámetros. Ese máximo es una capacidad de plataforma; el tamaño utilizable en un proyecto depende de precisión, formato, caché KV, contexto, motor y memoria reservada por el sistema.
Dos escalas de superordenador personal
| Criterio | DGX Spark | DGX Station |
|---|---|---|
| Superchip | GB10 Grace Blackwell | GB300 Grace Blackwell Ultra Desktop |
| Memoria coherente | 128 GB LPDDR5X | 748 GB: 252 GB HBM3e + 496 GB LPDDR5X |
| Cómputo FP4 | Hasta 1 petaFLOP con dispersión | Hasta 20 petaFLOPS con dispersión |
| CPU | 20 núcleos Arm | 72 núcleos Arm Neoverse V2 |
| Red de alta velocidad | ConnectX-7; dos unidades para hasta 405B | ConnectX-8 hasta 800 Gb/s; conexión de hasta dos estaciones |
| Gestión | Estación personal integrada | BMC, Redfish, DCGM, seguridad de plataforma y MIG |
| Expansión | Configuración compacta cerrada | M.2 Gen5, ranuras PCIe y opción RTX PRO según configuración |
| Uso típico | Desarrollo individual, RAG, agentes y modelos grandes cuantizados | Modelos de frontera, ciencia de datos, varios usuarios, IA física y prototipos de gran escala |
Una organización no debería elegir Station por una cifra máxima aislada. La decisión se justifica cuando la memoria, el ancho de banda, el número de usuarios, la gestión remota o la expansión superan lo que pueden resolver uno o dos DGX Spark.
Software, multiusuario y continuidad
CUDA-X AI y NVIDIA AI Enterprise
La plataforma se integra con bibliotecas, contenedores y herramientas NVIDIA. Las licencias y componentes empresariales deben concretarse en la configuración.
Hasta siete instancias MIG
Las cargas compatibles pueden dividir recursos de GPU para equipos o servicios distintos, con límites definidos.
BMC, Redfish y telemetría
La gestión fuera de banda y DCGM facilitan supervisión, inventario y diagnóstico en un entorno profesional.
NVIDIA mantiene propuestas de software para Linux y para Windows. La variante de Windows puede combinarse con una RTX PRO 6000 Workstation para visualización y simulación. La elección del sistema operativo debe partir de las herramientas, los controladores, el método de administración y el flujo de soporte, no solo de la preferencia del usuario.
Para quién tiene sentido
- Laboratorios y equipos de ingeniería que necesitan iterar con modelos muy grandes sin depender de una transferencia constante de datos a servicios externos.
- Empresas con varios usuarios que requieren recursos particionables, gestión remota y una plataforma centralizada.
- Ciencia de datos con conjuntos que se benefician de una memoria coherente amplia y de CPU Grace.
- IA física, simulación y creación cuando la configuración incorpora una GPU RTX PRO adicional.
- Prototipos previos a producción que deben permanecer en el ecosistema CUDA y escalar después a infraestructura NVIDIA.
No es la opción lógica para una única aplicación pequeña, una carga ocasional o un modelo que ya funciona con margen en una GPU convencional. En esos casos, el recomendador ayuda a reducir la plataforma a lo necesario.
Cómo se reparten los 748 GB de memoria coherente y qué implica
DGX Station combina una CPU Grace y una GPU Blackwell Ultra mediante NVLink-C2C. La especificación de hasta 748 GB coherentes integra memoria asociada a CPU y GPU dentro de un espacio accesible de forma coherente; no significa que toda esa capacidad sea HBM3e ni que cualquier carga utilice cada gigabyte con el mismo ancho de banda.
Datos, preparación y servicios
La CPU coordina ingestión, RAG, herramientas, ciencia de datos y aplicaciones. Su memoria de gran capacidad participa en el espacio coherente.
Cómputo de IA
Ejecuta entrenamiento e inferencia acelerados. La HBM3e aporta ancho de banda elevado a la parte de la carga que reside junto a la GPU.
Coherencia entre CPU y GPU
Reduce la necesidad de gestionar copias como en una arquitectura separada, pero el patrón de acceso sigue influyendo en rendimiento.
Red de alto rendimiento
Permite integrar la estación en una arquitectura profesional. Red, almacenamiento y aplicación deben dimensionarse junto al sistema.
Hasta 20 petaFLOPS corresponde a cómputo de IA FP4 bajo las condiciones del fabricante. No equivale al rendimiento FP64 científico ni permite deducir el tiempo de una carga sin benchmark.
Cuándo la escala de Station cambia el proyecto
| Carga | Ventaja de Station | Comprobación obligatoria |
|---|---|---|
| Modelos muy grandes | Memoria coherente para pesos, contexto y runtime | Formato, precisión, motor y velocidad real |
| Fine-tuning y entrenamiento | Más margen para activaciones, optimizador y lote | Compatibilidad del framework y tiempo por paso |
| Varios usuarios | Recursos y opciones de partición profesional | Aislamiento, memoria por sesión y nivel de servicio |
| Ciencia de datos | Conjuntos grandes cerca de CPU y GPU | Patrón de lectura, preparación y almacenamiento |
| IA física y visualización | Posibilidad de añadir RTX PRO en configuraciones previstas | Aplicación, GPU adicional, alimentación y refrigeración |
| Agentes de larga duración | Modelos y contextos amplios residentes | Límites, herramientas, seguridad y concurrencia |
Station no es el siguiente paso automático después de Spark. Si un modelo cabe en una GPU profesional y la prioridad es generación rápida, una RTX PRO puede ser la elección más directa. Si el requisito es capacidad coherente muy superior, varios usuarios o modelos de escala excepcional, Station abre otra categoría.
DGX Spark, RTX PRO 6000 y DGX Station resuelven límites diferentes
| Criterio | DGX Spark | RTX PRO 6000 | DGX Station |
|---|---|---|---|
| Memoria principal para IA | 128 GB unificados | 96 GB de VRAM | Hasta 748 GB coherentes |
| Prioridad | Capacidad compacta y CUDA | Velocidad y gran VRAM discreta | Escala de memoria y servicio |
| CPU | Grace ARM integrada | Depende del servidor | Grace de alta capacidad |
| Modelo que cabe en VRAM | Puede ser más lento que RTX | Normalmente favorece velocidad | Debe justificarse por escala o servicio |
| Modelo que supera 96/128 GB | Hasta su margen coherente | Necesita otra estrategia | Mayor espacio coherente |
| Operación | Estación o servicio pequeño | Servidor configurable | Plataforma empresarial multiusuario |
La tabla orienta, no sustituye una prueba. Compara modelo, cuantización, contexto, lotes y usuarios. Una cifra de memoria sin ancho de banda, software y patrón de acceso no define la experiencia.
Diseñar acceso, particiones y colas para un equipo compartido
La plataforma contempla recursos de gestión profesional y hasta siete instancias MIG en escenarios compatibles. MIG divide recursos de GPU para aislar cargas, pero no convierte automáticamente cada partición en un servicio completo: debes asignar memoria, CPU, red, almacenamiento, modelo y política.
- Clasifica las cargas. Chat interactivo, lotes, entrenamiento, ciencia de datos y visualización tienen prioridades distintas.
- Define grupos. Identidad, modelos permitidos, datasets y herramientas por función.
- Reserva recursos. Particiones, contenedores o colas según compatibilidad y necesidad de aislamiento.
- Limita contexto y lote. Evita que una sesión consuma la memoria destinada al resto.
- Mide percentiles. La media oculta usuarios afectados por trabajos largos.
- Planifica mantenimiento. Actualiza por ventanas, conserva entornos reproducibles y documenta reversión.
En cargas no compatibles con partición, utiliza colas o turnos. Una política clara de recursos ofrece más previsibilidad que permitir a cada equipo cargar cualquier modelo.
Preparar alimentación, red, almacenamiento, seguridad y soporte
- Ubicación, alimentación y refrigeración validadas
- Conectividad de gestión separada de usuarios
- Identidad centralizada y cuentas administrativas diferenciadas
- Almacenamiento para pesos, datasets, índices y copias
- Cuotas y retención por proyecto
- Contenedores o entornos versionados
- Métricas de memoria, GPU, CPU, red, cola y temperatura
- Copias y restauración probadas
- Inventario de modelos, licencias y procedencia
- Plan de soporte, mantenimiento y continuidad
La gestión remota y la telemetría deben limitarse a administradores autorizados. No expongas BMC, Redfish, SSH o APIs de modelo directamente a redes no confiables. Utiliza una red de gestión y registros de acceso.
Probar capacidad y servicio antes de fijar la configuración
La prueba debe incluir el modelo mayor, el contexto operativo y el número de usuarios. Para ciencia de datos, utiliza una muestra representativa del patrón de lectura y transformación. Para entrenamiento, mide memoria máxima, paso por segundo, checkpoints y recuperación.
| Fase | Métrica | Decisión |
|---|---|---|
| Carga | Tiempo, memoria y almacenamiento | Residencia y cambio de modelo |
| Prefill | Tokens/s y TTFT | Contexto máximo útil |
| Generación | Tokens/s por sesión | Experiencia interactiva |
| Concurrencia | Cola y percentiles | Número de usuarios |
| Entrenamiento | Memoria y tiempo por paso | Lote, secuencia y duración |
| Operación | Temperatura, errores y recuperación | Margen y continuidad |
Registra precisión y software. El máximo de parámetros anunciado por una plataforma no sustituye la prueba de una variante: cuantización, caché, contexto y framework cambian el consumo.
Información necesaria para preparar una propuesta de DGX Station
| Área | Detalle |
|---|---|
| Modelos | Familia, tamaño, precisión, entrenamiento o inferencia |
| Contexto y datos | Ventana, dataset, RAG, visión y herramientas |
| Usuarios | Perfiles, simultaneidad, horarios y latencia |
| Software | Frameworks, contenedores, sistema y dependencias |
| Infraestructura | Red, almacenamiento, identidad y copias |
| Operación | Disponibilidad, monitorización, soporte y mantenimiento |
| Expansión | GPU RTX PRO adicional o conexión de sistemas cuando aplique |
Proyecto profesional
Contacto y compraLa traemos bajo pedido con configuración revisada
Envía la carga, el número de usuarios y el entorno. La propuesta separará memoria, rendimiento, software y operación.
DGX Station se configura como proyecto
Para dimensionarla necesitamos modelo o familia, precisión, contexto, tamaño de lote, usuarios simultáneos, almacenamiento, sistema operativo, red, alimentación y soporte.
Antes de escalar, revisa la guía del superordenador personal y la arquitectura de clústeres de DGX Spark: ayudan a separar capacidad de un único modelo, concurrencia y trabajos distribuidos.
Contacto y compraDel tutorial a la compra
Valida la carga y pasa a la ficha de producto adecuada
Parte del modelo, el contexto, la concurrencia y la latencia que necesitas. Después compara capacidad, velocidad y formato antes de abrir una ficha comercial.
- 01
Define la carga
Concreta tarea, familia de modelo, contexto, lote y usuarios simultáneos.
Aclarar el caso de uso → - 02
Dimensiona memoria
Compara VRAM, memoria coherente, velocidad y margen de crecimiento.
Usar el recomendador de hardware → - 03
Compra en la tienda
Abre la ficha comercial para consultar configuración, precio cerrado, disponibilidad y condiciones vigentes.
Contacto y disponibilidad →
RTX PRO 6000 · 96 GB
Prioriza una GPU profesional para inferencia, imagen, vídeo o serving cuando el modelo y el contexto caben en sus 96 GB de VRAM.
Ver ficha profesional →NVIDIA DGX Spark · 128 GB
Considera memoria unificada para desarrollo CUDA y cargas que superan la VRAM de una GPU, aceptando que capacidad no equivale siempre a más velocidad.
Ver ficha y comprar →Recomendador de hardware
Responde cinco preguntas y compara el equipo actual, una GPU NVIDIA, la RTX PRO 6000 y sistemas GB10 como DGX Spark, ASUS Ascent GX10 o Lenovo ThinkStation PGX.
Comparar opciones →aisupercomputers.es aporta guías y herramientas de decisión. La compra, el precio cerrado en la ficha y el soporte comercial desde España se gestionan en las tiendas del grupo Ietres.
Las reglas de conexión · ¿2, 4, 50, 500 unidades?
- Un modelo más grande: solo en pareja — dos unidades con su cable directo (hasta 405B). El "en serie" de 3 o 4 no existe.
- Más usuarios o más trabajo: las que quieras — 4, 50, 500 — en estrella a un switch, cada una con el modelo completo y un repartidor delante.
- Para recordar: dos se funden; los demás se suman. Guía completa de clústeres →
Respuestas directas
¿Cuánta memoria tiene NVIDIA DGX Station?
La especificación oficial vigente indica hasta 748 GB de memoria coherente: 252 GB de HBM3e asociados a la GPU y 496 GB de LPDDR5X asociados a la CPU Grace.
¿DGX Station sustituye a DGX Spark?
No son equivalentes. Spark prioriza formato compacto y 128 GB; Station utiliza GB300 Grace Blackwell Ultra, multiplica la memoria y el cómputo y se orienta a cargas de mayor escala y a varios usuarios.
¿Puede ejecutar modelos de un billón de parámetros?
NVIDIA posiciona la plataforma para modelos de hasta un billón de parámetros. La viabilidad real depende del formato de pesos, la cuantización, la caché, el contexto, el motor y la carga simultánea.
¿Se pueden conectar dos DGX Station?
La documentación oficial contempla la conexión de hasta dos sistemas. La forma de distribuir una carga depende del framework y no debe asumirse que cualquier modelo se reparte automáticamente.
¿Existe una versión para Windows?
NVIDIA ofrece una propuesta DGX Station para Windows, configurable además con una RTX PRO 6000 Workstation. La configuración, disponibilidad y soporte deben confirmarse para cada proyecto.
¿Cómo se compra DGX Station en España?
Se gestiona como proyecto profesional. Puedes contactar con la tienda indicando modelo, precisión, contexto, usuarios, almacenamiento y requisitos de soporte.