Klaster 2× DGX Spark

256 GB Unified Memory QSFP56 · 200 Gb/s 2× GB10 Grace Blackwell Skalowanie do 4 jednostek

Pojedynczy DGX Spark ze 128 GB zunifikowanej pamięci to potężna stacja — ale największe otwarte modele klasy 200B+ potrzebują więcej. Rozwiązanie: dwie jednostki spięte dedykowanym linkiem 200 Gb/s w jedną pulę 256 GB. Bez szafy serwerowej, bez chłodzenia wodnego, bez centrum danych. Dwa pudełka na biurku i jeden kabel.

Node 1 · gx1

SoCGB10 Grace Blackwell

RAM128 GB UM

NICConnectX-7

Rolahead node

200 Gb/s

QSFP56 DAC

Node 2 · gx2

SoCGB10 Grace Blackwell

RAM128 GB UM

NICConnectX-7

Rolaworker node

Wspólna pula pamięci (tensor parallel) 256 GB

Model dzielony między nody techniką tensor parallel — każda warstwa liczona równolegle na obu jednostkach.

Po co spinać dwie jednostki?

Granicą lokalnego AI jest zawsze pamięć. Na pojedynczym DGX Spark (128 GB) komfortowo działają modele do ~120 mld parametrów w kwantyzacji 4-bitowej — jak GPT-OSS 120B. Ale najciekawsze otwarte modele 2026 roku — MiniMax M2.7 (230B) czy duże warianty DeepSeek — po prostu się nie mieszczą.

Połączenie dwóch jednostek podwaja pulę do 256 GB. Według NVIDIA taka konfiguracja pozwala uruchamiać modele do ~405 mld parametrów (w kwantyzacji FP4). W praktyce oznacza to dostęp do klasy modeli, która jeszcze rok temu wymagała serwerów za setki tysięcy złotych — dziś stoi na biurku i pobiera mniej prądu niż czajnik.

2× pamięć

256 GB zunifikowanej pamięci — wagi modelu, KV cache i system w jednej puli, bez swapowania.

2× compute

Tensor parallel dzieli każdą warstwę modelu na oba GPU — liczą równocześnie, nie po kolei.

0 chmury

Cała komunikacja między nodami idzie dedykowanym kablem — dane nie opuszczają biurka.

Dwie jednostki NVIDIA DGX Spark ustawione obok siebie, spięte kablem QSFP56 — klaster AI na biurku — Klaster in vivo: dwie jednostki, jeden kabel, 256 GB.

Kabel QSFP56 200G DAC wpięty w port ConnectX-7 jednostki DGX Spark — zbliżenie na złącze — QSFP56 200G DAC — jeden kabel zamiast całej sieci.

Jak to jest spięte

Każdy DGX Spark ma wbudowaną kartę sieciową NVIDIA ConnectX-7 z dwoma portami QSFP. Dwie jednostki łączy się bezpośrednio — bez switcha — pasywnym kablem miedzianym QSFP56 200G DAC. Link dostaje własną, odizolowaną podsieć (adresacja link-local), więc ruch klastrowy nigdy nie miesza się z siecią firmową ani nie dotyka internetu.

Na tej warstwie działa NCCL — biblioteka komunikacji GPU-GPU od NVIDIA, ta sama, której używają centra danych. Silnik inferencyjny (vLLM) dzieli model techniką tensor parallel na oba nody i synchronizuje aktywacje po linku QSFP przy każdym tokenie. Dlatego przepustowość i opóźnienie tego jednego kabla decydują o wydajności całego klastra.

200

Gb/s przepustowości

<1 ms

opóźnienie node–node

~4 min

synchronizacja 131 GB wag

switchy, routery, chmury

Wartości „in vivo" z naszego wdrożenia (czerwiec 2026): ping poniżej 1 ms, kopiowanie wag modelu ~540 MB/s po linku QSFP.

A jeśli dwa to za mało? Skalowanie do 4 jednostek

Połączenie bezpośrednie kablem obsługuje dokładnie dwa nody. Trzecia i czwarta jednostka wymagają zarządzalnego switcha 200G z portami QSFP — każdy Spark wpina się wtedy do switcha własnym kablem DAC. NVIDIA oficjalnie wspiera konfiguracje 2, 3 i 4 jednostek w takiej topologii.

Cztery nody to 512 GB zunifikowanej pamięci — przestrzeń, w której mieszczą się największe otwarte modele bez agresywnej kwantyzacji, albo kilka modeli równocześnie: jeden do czatu, drugi do kodu, trzeci do analizy dokumentów.

Konfiguracja	Pamięć łączna	Połączenie	Klasa modeli (Q4/FP4)
1× DGX Spark	128 GB	—	do ~120B (GPT-OSS 120B, Llama 4 Scout)
2× DGX Spark nasze wdrożenie	256 GB	kabel QSFP56 DAC (bez switcha)	do ~405B (MiniMax M2.7 230B, DeepSeek)
3–4× DGX Spark	384–512 GB	switch 200G QSFP	największe otwarte modele / kilka modeli równolegle

Co na tym uruchamiamy

MiniMax M2.7 — 230B na biurku

Model klasy frontier (230B MoE) serwowany z klastra z prędkością 33–36 tok/s i kontekstem 131K tokenów — ok. 260 stron A4 w jednym zapytaniu.

Zobacz wpis o modelu ->

Autonomiczny agent 24/7

Klaster to fundament naszego systemu agentowego: OpenClaw + MiniMax odpowiada na Telegramie, przeszukuje internet i wykonuje zadania — w pełni lokalnie.

Zobacz systemy agentowe ->

Klaster AI w Twojej firmie?

Dobieramy konfigurację do zadań: od pojedynczej jednostki po klaster 4 nodów. Dostawa, konfiguracja, modele i wsparcie — wszystko po polsku, wszystko lokalnie.

Porozmawiajmy o wdrożeniu