Az NVIDIA RTX Spark egy olyan hardver- és szoftverplatform, amelyet kifejezetten AI-vezérelt fejlesztési munkafolyamatokra terveztek. A cél az, hogy a fejlesztők ne szétbontsák munkájukat laptop, felhő modell API és távoli VM között, hanem helyben, egyetlen PC-n futtassák a kódolóügynököket (coding agents), az AI-keretrendszereket és a telepítést.
Műszaki alapok és memória
Az RTX Spark rendszerek az NVIDIA GB10 rendszerchipre (SoC) épülnek és nagy, egységesített memóriahasználatot kínálnak: akár 128 GB unified memory áll rendelkezésre. A platform emellett 1 petaflop FP4 AI‑számítási teljesítményt ad meg, ami lehetővé teszi helyi kódolómodellek futtatását — például Qwen 3.8 Flash Next — és ezzel csökkenti a felhőalapú token‑fogyasztást.
Egy gép a teljes fejlesztési ciklushoz
RTX Spark laptopok és kompakt asztali gépek célja, hogy a fejlesztők kódoljanak, teszteljenek és telepítsenek ugyanazon a gépen. A rendszerek Windows alatt, köztük az új Windows Developer Config kiegészítéssel működnek, amelyet az NVIDIA a Microsofttal közösen fejlesztett: ez telepíti a leggyakoribb fejlesztői keretrendszereket, némítja az értesítéseket, javítja a terminált és opcionálisan oldalra helyezhetővé teszi a tálcát. Alternatívaként a fejlesztők a Windows Subsystem for Linux (WSL) környezetet használhatják, amely ugyanazokat a függőségeket és környezetet adja, mint a felhőbe történő telepítés.
Ez lehetővé teszi, hogy a munkafolyamat a céloperációs rendszeren belül maradjon, migráció nélkül. Mivel az RTX Spark NVIDIA GPU-val rendelkezik, a fejlesztők a legnagyobb helyi AI‑telepített bázison tesztelhetnek és telepíthetnek: mintegy 150 millió RTX PC-n, valamint a felhők nagy részén, amelyek NVIDIA GPU-kon futnak.
Teljesítmény AI‑fejlesztéshez
A fejlesztői feladatok ma már gyakran GPU‑korlátosak, hiszen az ügynökök inferenciát futtatnak, finomhangolnak modelleket és még fordítanak is. Az RTX Sparkban található NVIDIA Grace CPU és Blackwell GPU együtt biztosítják az inferencia, a finomhangolás és a fordítás igényeit. Az NVIDIA közölt mérési összehasonlítás szerint Intel Core Ultra X9 388H‑hez képest az RTX Spark 4,6× nagyobb teljesítményt ad a kódolóügynök‑tesztekben, 2,7×‑et a finomhangolásban és 1,8×‑ot a kódkompilálásban (tesztek: AA‑AgentPerf‑local Qwen3.8‑27B; Unsloth LoRA Llama‑3.1‑8B; Linux kernel compilálás Phoronix Test Suite‑tel).
Ismert szoftverközeg, kiterjesztve Windowsra
Az NVIDIA és a Microsoft együtt dolgozott a Windows on Arm fejlesztői élmény előrelendítésén. RTX Spark mellé több eszköz és előrecsomagolt komponens érkezik: az első PyTorch‑CUDA build, alapértelmezettként natív Python 3.15 kiadás, több mint 2000 Conda‑csomag, valamint Arm‑kompatibilis változatok több mint 97%-ához a legnépszerűbb 15 000 Python‑csomagnak.
Az RTX Spark egyik előnye a széles fejlesztői ökoszisztémahez való hozzáférés: a kódolóügynököktől és AI‑modellektől a CUDA‑X könyvtárakig. Az NVIDIA CUDA‑X csomagjaiba olyan eszközök tartoznak, mint a FlashInfer (LLM gyorsításhoz) és a NVIDIA NeMo könyvtárai. Az NVIDIA Skills nevű tárház segít ügynököket tanítani a CUDA‑X használatára, így a fejlesztők GPU‑gyorsított alkalmazásokat építhetnek anélkül, hogy mély CUDA‑szakértelemre lenne szükségük.
Helyi kódolóügynökök támogatása
Az RTX Spark kifejezetten alkalmas helyi kódolóügynökök futtatására. Az NVIDIA együttműködött ismert ügynökökkel, köztük a GitHub Copilot, Pi, Hermes és OpenClaw fejlesztőivel a jobb integrációért és használhatóságért. A fejlesztések között szerepelnek:
- helyi modellek zökkenőmentes telepítése optimalizált receptekkel
- fokozott biztonság NVIDIA OpenShell és/vagy Microsoft Execution Containers segítségével (OS‑szintű sandboxing)
- hibrid prompt‑routerek, amelyek helyi modellekre küldenek kéréseket, ha ezek elegendőek, és csak szükség esetén emelik át a felhőbe, így csökkentve a token‑költségeket
A Microsoft GitHub Copilot mostantól Windows ML‑en keresztül zökkenőmentes helyi AI‑t támogat, amelyben llama.cpp is backendként használható. A prompt router HydraFusion továbbfejlesztett, hogy helyi modelleket is kezeljen. Az új MAI 1.1 Coding Flash modell szintén képes helyben futni RTX Sparkon.
A Pi, egy nyílt forrású kódolóügynök könnyű terminál‑felülettel és helyi/felhő modellek támogatásával, szintén optimalizálva van RTX Sparkra; kiterjesztései és sablonjai lehetővé teszik a fejlesztői munkafolyamatok finomhangolását. A JetBrains natív támogatást indított Junie Local számára RTX Sparkon: az ügynök olvassa a kódot, szerkeszti a fájlokat és futtatja a teszteket, miközben a modell és a kód a gépen marad. Junie Local a GPU‑memória alapján méretezi a kontextusablakot, így az egységesített memória több kódot, eszközkimenetet és beszélgetés történetet tud a helyi kontextusban tartani.
Új Nemotron modellek helyi ügynökökhöz
A Nemotron 3.5 Bolt 74B‑A9B 24GB egy új, kifejezetten RTX Sparkon futó helyi ügynökök számára tervezett nagynyelvi modell. A modell 74 milliárd paraméteres, 9 milliárd aktív paraméterrel rendelkező mixture‑of‑experts (MoE) felépítéssel készült, és 24 GB‑ba sűrítették 2‑bites kvantálással, kvantálás‑tudatos tanítással a minőség megőrzése mellett. A cél egyensúlyt teremteni a sebesség és az intelligencia között: gyorsabbnak kell lennie a legtöbb népszerű dense modellnél, ugyanakkor okosabbnak, mint a hasonló memóriaméretű MoE modellek többsége.
A Nemotron 3.5 Bolt 74B elérhető lesz induláskor olyan futtatókkal, mint llama.cpp, vLLM, Ollama, Unsloth és LM Studio, valamint közvetlenül elérhető lesz Hermes és OpenClaw ügynökökön keresztül. Ahogy a többi Nemotron modell, a Bolt 74B is teljesen nyílt forrású: nyilvánosak a betanító adatok, a súlyok és a receptek, így a fejlesztők finomhangolhatják és testre szabhatják saját ügynökeiket.
Döntési modellek és média SDK‑k
A döntési modellek (decision models) gyors döntéshozatalt tesznek lehetővé az ügynökök számára, akár 200×‑kal gyorsabban, mint a hagyományos, hosszú érvelési hurkok. Ezek mostantól támogatottak a llama.cpp‑ben és az Unslothban RTX Spark és GeForce RTX GPU‑kon.
Az NVIDIA AI for Media SDK‑k is elérhetők RTX Sparkra: Python wheel, amely támogatja a videó felbontásnövelést (video super resolution), képkocka‑generálást és TrueHDR‑t, PyPI‑n érhető el, továbbá C++ SDK‑k találhatók az NGC‑n RTX Spark és Windows on Arm támogatással.
Alkalmazások áthozatala és elérhetőség
Egy meglévő Windows alkalmazás RTX Sparkra történő áttelepítésekor először vizsgálni kell a Windows on Arm függőségeket. Dönteni kell natív Arm64 buildről vagy Arm64EC használatáról a komponensek fokozatos migrálásához; ezután tesztelni kell a telepítést, a funkciókat, a teljesítményt és az NVIDIA/CUDA útvonalakat.
Az NVIDIA app‑porting erőforrásai részletes útmutatást nyújtanak a migrációs lehetőségekről és eszközökről.
RTX Spark laptopok már elérhetők; kis formátumú asztali rendszerek, amelyek ideálisak a folyamatos, 24×7 ügynökfuttatáshoz, novemberben érkeznek. Az érdeklődők megkereshetik az RTX Spark rendszereket és vásárlási opciókat, majd az AI Development playbook segítségével konfigurálhatják Windowsukat, beállíthatják ügynöküket és csatlakoztathatják az NVIDIA Skills‑t.
A platform célja, hogy egyszerűbbé tegye a helyi AI‑alkalmazások fejlesztését NVIDIA GPU‑kon, és hogy a fejlesztők teljes munkafolyamatukat egyetlen, erős gépen végezhessék el.
