DGX 스파크와 RTX 스파크 비교: 메모리와 비용을 읽는 방법

DGX 스파크(DGX Spark)는 엔비디아가 2025년 10월에 내놓은 손바닥 크기 AI 컴퓨터입니다. 외부 서버 대신 내 컴퓨터에서 AI 모델을 돌리는 로컬 실행용 장비이고, 일반 처리를 맡는 CPU와 대량 계산을 병렬로 처리하는 GPU가 128GB 통합 메모리를 함께 씁니다. 출시가는 3,999달러였고 2026년 2월에 4,699달러로 올랐습니다. 국내 가격비교 사이트 등재가는 2026년 9월 939만 원이었습니다.

RTX 스파크(RTX Spark)는 엔비디아가 2026년 10월 출시를 밝힌 윈도우 PC용 제품군이고, 그 제품에 들어가는 칩 이름이기도 합니다. 이름 때문에 DGX 스파크의 후속으로 오해하기 쉽지만, 같은 세대 칩을 노트북과 소형 데스크톱 시장에 낸 자매 제품입니다. 상위 구성은 20코어 Grace CPU와 블랙웰 RTX GPU를 한 칩에 묶었고 통합 메모리는 최대 128GB입니다.

사양표는 거의 같아도 GPU가 쓸 수 있는 메모리, 여러 대 연결, 도구 지원이 다릅니다. 상황별로 맞는 쪽을 먼저 보여 드리고, 근거는 아래 여섯 단계 비교에 있습니다. 장비별로 올릴 수 있는 모델 크기는 DGX 스파크와 RTX 5090 비교에 정리했습니다.

이런 경우라면 이 선택

이런 경우	DGX 스파크리눅스 박스	RTX 스파크윈도우 노트북	API쓴 만큼 결제
윈도우 앱과 같은 기기에서 AI 모델을 돌린다	–	제공	–
리눅스용 AI 도구를 그대로 쓴다	제공	–	–
GPU에 넘길 메모리가 많이 필요하다	제공	–	–
한 대에 안 들어가는 모델을 두 대에 나눠 올린다	제공	제공하지 않음	–
별개 요청 여러 개를 기기마다 나눠 처리한다	–	제공	–
사용량이 적고 장비를 관리하고 싶지 않다	–	–	제공

1. 칩 사양과 사용 환경

엔비디아 공식 발표 기준으로 두 제품의 칩 사양은 CUDA 코어 개수까지 같습니다. 달라지는 것은 운영체제와 제품 형태입니다.

칩 사양과 제품 형태

항목	DGX 스파크GB10	RTX 스파크N1X 상위 구성
CPU	20코어 Grace(Arm)	20코어 Grace(Arm)
GPU	블랙웰 CUDA 코어 6,144개	블랙웰 RTX CUDA 코어 6,144개
텐서 코어	5세대(FP4)	5세대(FP4)
AI 연산	최대 1페타플롭	최대 1페타플롭
통합 메모리	128GB LPDDR5X	최대 128GB LPDDR5
CPU와 GPU 연결	NVLink-C2C	NVLink-C2C
운영체제	DGX OS 우분투 기반 리눅스	윈도우
형태	고정형 박스	14~16인치 노트북 소형 데스크톱

FP4는 수를 4비트로 표현하는 형식이고, 1페타플롭은 일부 계산을 건너뛰는 희소 연산 같은 특정 조건에서 나오는 최대 성능입니다. 채팅 답변이 나오는 속도는 이 수치보다 2단계에서 볼 메모리 대역폭이 더 크게 좌우합니다.

RTX 스파크 제품은 에이수스와 델, HP, 레노버, 마이크로소프트 서피스, MSI가 먼저 내고 에이서와 기가바이트가 뒤따릅니다. 같은 칩이어도 냉각과 전력 설정, 드라이버에 따라 제품마다 성능이 달라질 수 있습니다.

엔비디아 발표 이미지로, CPU와 GPU를 묶은 칩 하나와 냉각 팬 두 개가 노트북 하부에 들어간 모습입니다.

이 단계에서는 칩 성능의 우열이 없습니다. 윈도우 노트북이 필요하면 RTX 스파크, 고정해 두는 리눅스 장비가 필요하면 DGX 스파크가 맞습니다.

2. 메모리 대역폭과 생성 속도

메모리 대역폭은 메모리에서 계산 장치로 1초에 옮길 수 있는 데이터 양입니다. 엔비디아 개발자 문서에 따르면 RTX 스파크는 256비트 폭에 300GB/s로, DGX 스파크의 273GB/s보다 10%가량 높습니다.

메모리 대역폭

• RTX 스파크300GB/s256비트 폭
• DGX 스파크273GB/s

대역폭이 생성 속도의 상한을 정하는 이유

모델이 답을 만드는 과정은 질문을 처리하는 프리필과, 답을 토큰 단위로 하나씩 만드는 디코드 두 단계입니다. 토큰은 모델이 처리하는 글 조각이며 한국어 글자 수와 같지 않습니다. 디코드에서는 토큰 하나를 만들 때마다 필요한 가중치를 메모리에서 읽어 와야 해서, 메모리 용량보다 대역폭이 속도를 막습니다.

토큰마다 가중치를 한 번씩 읽는다고 단순하게 보면, 대역폭을 가중치 크기로 나눈 값이 초당 토큰 수(tok/s)의 상한입니다. DGX 스파크의 273GB/s로 4비트 압축 모델을 계산하면 아래와 같습니다. B는 파라미터 수를 십억 단위로 적은 것이고, 4비트 가중치는 파라미터마다 반 바이트로 잡았습니다.

273GB/s에서 4비트 모델의 생성 속도 상한

• 7B(3.5GB)78 tok/s
• 12B(6.0GB)45.5 tok/s
• 30B(15GB)18.2 tok/s
• 70B(35GB)7.8 tok/s273 ÷ 35

같은 70B 모델을 8비트로 저장하면 70GB가 되고 상한은 3.9 tok/s로 절반이 됩니다. 저장 정밀도를 낮추면 읽을 양이 줄어 속도가 오릅니다.

큰 MoE 모델이 작은 모델보다 빠른 이유

MoE(Mixture of Experts)는 모델을 여러 전문가로 나누고 토큰마다 일부 전문가만 쓰는 구조입니다. 2026년에 공개된 큰 모델 상당수가 이 구조로 나왔습니다. 메모리에는 전체 가중치가 올라가야 하지만 토큰마다 읽는 것은 활성 파라미터뿐이어서 대역폭 부담이 작습니다.

llama.cpp 저장소의 DGX 스파크 공식 벤치 기록(2026년 2월 5일, llama-bench의 tg32 디코드)에서 이 차이가 드러납니다.

DGX 스파크 한 대의 디코드 속도

• gpt-oss 120B (MXFP4)58.7 tok/sMoE, 총 117B, 토큰마다 약 2.9GB 읽음
• Qwen2.5-Coder 7B (Q8)29.4 tok/s밀집, 총 7.6B, 토큰마다 약 8.1GB 읽음

총 파라미터가 15배 큰 모델이 두 배 빠릅니다. 두 모델은 저장 형식도 달라서 속도 차이 전부가 MoE 덕분은 아니지만, 총 파라미터만으로 속도를 예측할 수 없다는 점은 분명합니다. MoE가 널리 쓰이면서 메모리가 크고 대역폭이 낮은 두 스파크의 약점이 덜 드러나게 됐습니다.

소프트웨어도 같은 방향으로 움직였습니다. NVFP4라는 4비트 형식을 블랙웰 텐서 코어가 하드웨어로 처리하면서 읽을 바이트가 줄었고, 추측 디코딩과 MTP(Multi-Token Prediction)는 한 번 읽은 가중치로 토큰 여러 개를 만듭니다.

이 단계에서는 RTX 스파크가 유리합니다. 대역폭이 10%가량 높아 같은 모델의 생성 속도 상한도 그만큼 높습니다.

3. GPU가 쓸 수 있는 메모리

두 제품 모두 128GB를 모델에 다 쓰지 못합니다. 운영체제와 CPU가 쓰는 몫이 빠지고, 남은 양을 나누는 방식이 운영체제마다 다릅니다.

엔비디아 RTX 스파크 포팅 가이드는 윈도우에서 메모리를 GPU 전용, CPU와 GPU 공유, CPU 전용 세 영역으로 나누고, CPU 전용 영역은 GPU가 할당받을 수 없다고 설명합니다. 공유 영역은 전용 영역을 뺀 용량에서 16GB를 덜어낸 값으로 잡되, 전용 영역을 뺀 용량의 50%에서 80% 사이로 제한합니다. 아래 식의 min은 두 값 중 작은 값을 고른다는 뜻입니다. 문서가 전용 영역 크기를 정해 두지 않아서 0GB와 16GB 두 경우를 계산했습니다.

• 전용 영역 0GB: min(128 - 16, 128 × 0.8) = 102.4GB
• 전용 영역 16GB: 16 + min(112 - 16, 112 × 0.8) = 105.6GB

DGX 스파크의 리눅스에는 이 규칙이 적용되지 않습니다. 사용자들이 올린 측정에서 GPU 배정량은 제조사에 따라 119GB에서 122GB였습니다.

128GB 가운데 GPU가 쓸 수 있는 메모리

• 전체 통합 메모리128GB
• DGX 스파크119~122GB사용자 측정, 제조사별 차이
• RTX 스파크, 전용 영역 16GB105.6GB포팅 가이드 식으로 계산
• RTX 스파크, 전용 영역 0GB102.4GB포팅 가이드 식으로 계산

GPU가 받은 메모리도 모델 파일만 쓰는 공간은 아닙니다. 대화의 중간 계산을 보관하는 KV 캐시와 프로그램 작업 공간이 더 필요해서, 100GB 모델 파일이 102GB 안에 들어간다고 실행까지 되지는 않습니다.

이 단계에서는 DGX 스파크가 유리합니다. 같은 128GB에서 GPU 몫이 13GB에서 20GB가량 많습니다.

4. 여러 대 연결

DGX 스파크 뒷면에는 사양표에 잘 드러나지 않는 QSFP 포트가 두 개 있습니다. 큰 모델을 여러 대에 나눠 올릴 때 쓰는 포트입니다.

클러스터는 여러 컴퓨터가 함께 작업하도록 연결한 구성입니다. 위 사진은 엔비디아 클러스터 구성 문서에 실린 것으로, 오른쪽 QSFP 포트 두 개 가운데 하나에 케이블이 꽂혀 있습니다. 이 포트는 내장 ConnectX-7 네트워크 카드에 연결되고 포트마다 최대 200Gb/s를 냅니다.

호환 케이블로 연결하고 네트워크와 분산 실행 소프트웨어를 설정하면, 한 대에 안 들어가는 모델 하나를 여러 대에 나눠 올릴 수 있습니다. 파라미터는 학습으로 정해진 모델 내부의 수치이고 저장 정밀도에 따라 필요한 메모리가 달라집니다.

DGX 스파크의 여러 대 연결

• 2개QSFP 포트포트마다 최대 200Gb/s
• 4,050억두 대에 올리는 파라미터엔비디아 안내
• 7,000억네 대에 올리는 파라미터직결은 세 대까지, 네 대는 QSFP 스위치

RTX 스파크 노트북에는 이 포트가 없습니다. 레노버 Yoga Pro 9n과 에이수스 ProArt P14 사양표에 있는 단자는 USB4와 HDMI, 오디오 단자, SD 카드 슬롯이고 네트워크는 와이파이 7과 일반 이더넷입니다.

대신 엔비디아는 PAIR(Personal AI Router)라는 무료 오픈소스 도구를 내놨습니다. PAIR는 같은 네트워크의 여러 컴퓨터에 별개 요청을 나눠 보내는 도구이고, 공식 FAQ에는 이렇게 적혀 있습니다.

기기들은 병렬 작업을 처리하는 별개 시스템으로 남습니다. PAIR는 이들을 하나의 가상 GPU로 합치지 않습니다.

문서 두 개를 각각 다른 장비가 요약하는 일은 PAIR로 할 수 있습니다. 한 대에 안 들어가는 모델 하나를 두 대가 나눠 돌리는 일은 별도의 분산 실행 지원이 있어야 합니다.

DGX 스파크 두 대를 묶었을 때의 속도

한 사용자가 엔비디아 개발자 포럼에 같은 조건에서 한 대와 두 대를 비교한 기록을 올렸습니다.

한 대와 두 대의 생성 속도(포럼 기록)

모델	한 대	두 대
Qwen3-VL-32B FP8	7 tok/s	12 tok/s
GPT-OSS-120B	36 tok/s	55 tok/s
Qwen3-30B-A3B NVFP4	64 tok/s	75 tok/s
Qwen3-VL-235B-A22B NVFP4	실행 불가	21 tok/s
GLM-4.6 AWQ	실행 불가	17 tok/s

엔비디아가 공개한 표에서는 Llama 3.3 70B Instruct NVFP4를 TensorRT-LLM으로 돌렸을 때(입력 32K, 출력 1K, 배치 1) 출력 토큰 하나에 걸리는 시간(TPOT)이 한 대 269ms에서 두 대 133ms로 줄었습니다. 생성 구간이 약 2.02배 빨라졌고, 첫 토큰까지 기다리는 시간(TTFT)은 33.415초에서 21.384초로 줄었습니다.

반대 기록도 있습니다. 2026년 2월 다른 사용자가 llama.cpp로 측정했을 때 Qwen3-235B의 디코드 속도는 한 대 15.51 tok/s에서 두 대 14.57 tok/s로 오히려 떨어졌습니다. 이 설정에서 명목 256GB 가운데 쓸 수 있었던 메모리는 약 170GB였고, 204GB짜리 모델은 두 대로도 올리지 못했습니다. 측정자는 두 대 구성은 이미 한 대에서 돌아가는 모델을 빠르게 하는 데는 맞지 않는다고 적었습니다.

두 대 사이의 연결은 200Gb/s, 초당 25GB로 장비 안의 273GB/s보다 훨씬 좁습니다. 토큰마다 중간 결과가 이 연결을 건너야 해서 통신이 많을수록 이득이 줄어듭니다. 전송 방식도 결과를 바꿉니다. RDMA는 CPU를 거치지 않고 장비 메모리끼리 데이터를 직접 주고받는 방식입니다. llama.cpp 저장소 토론에 올라온 측정에서 같은 모델을 텐서 병렬로 돌린 결과는 아래와 같습니다.

같은 200Gb/s 연결에서 전송 방식별 생성 속도

• 두 대, RDMA76 tok/s
• 한 대65 tok/s
• 두 대, RDMA 없이 TCP 소켓56 tok/s한 대보다 느림

커뮤니티에서는 DGX 스파크를 두고 큰 모델을 올리려면 묶고, 처리량을 늘리려면 같은 구성을 하나 더 둔다는 말로 정리합니다.

이 단계에서는 DGX 스파크가 유리합니다. 모델 하나를 여러 대에 나눠 올리는 QSFP 연결이 DGX 스파크에만 있습니다.

5. 소프트웨어 지원

두 제품의 차이는 쓸 수 있는 AI 도구에서도 납니다. 아래는 공개 릴리스 기록과 엔비디아 문서에 나온 내용입니다.

실행 도구 지원 상황

항목	DGX 스파크	RTX 스파크
운영체제	리눅스	윈도우 Arm
PyTorch	–	Arm64용 CUDA 13.4 안정판과 nightly
vLLM	2026년 8월 GB10 MoE 튜닝 추가	–
TensorRT-LLM	출시 5개월 뒤 단일 노드 베타	–
주의할 점	SM121 파생 구조 최적화 코드 부족	cudaMallocManaged 호환 경로 성능 저하

DGX 스파크의 GB10은 SM121이라는 파생 아키텍처여서 CUDA 생태계 안에 있어도 최적화된 계산 코드가 바로 따라오지 않습니다. 한 사용자는 flash-attention을 직접 빌드해도 PyTorch에 들어 있는 기본 어텐션 계산(SDPA)보다 빠르지 않았다고 측정했습니다.

RTX 스파크 쪽은 NVIDIA의 Windows PyTorch 저장소가 10월 5일 기준 Windows Arm64용 CUDA 13.4 안정판과 nightly 설치 경로를 안내합니다. nightly는 정식 배포 전 개발판입니다. 포팅 가이드는 cudaMallocManaged라는 메모리 할당 함수가 호환 경로로 돌아가 성능이 떨어질 수 있다고 설명합니다. 리눅스용으로 짠 코드와 라이브러리는 윈도우 Arm에서 수정이 필요할 수 있어서, 쓸 프로그램이 그 운영체제와 칩을 지원하는지가 먼저입니다.

이 단계에서는 리눅스용 AI 도구를 그대로 쓰려면 DGX 스파크가, 윈도우 앱과 PyTorch를 한 기기에서 쓰려면 RTX 스파크가 유리합니다.

6. 가격과 운영 비용

DGX 스파크의 가격 변화와 월 환산 비용, 같은 기간 API 비용의 예를 나란히 놓았습니다.

DGX 스파크 가격과 API 비용 예

• 4,699달러현재 출시가3,999달러에서 17.5% 인상
• 939만 원국내 등재가(2026년 9월)두 대면 본체만 1,878만 원
• 26만 원36개월로 나눈 월 기기값939만 원 ÷ 36 = 약 26만 833원
• 12.60달러API 한 달 비용 예GLM-4.5-Air, 하루 입력 100만, 출력 20만 토큰

API는 외부 모델을 프로그램에서 불러 쓰고 사용량만큼 내는 방식입니다. Z.ai의 10월 5일 공식 단가로 GLM-4.5-Air는 100만 토큰당 입력 0.20달러, 출력 1.10달러여서, 하루 입력 100만, 출력 20만 토큰을 30일 쓰면 (0.20 + 0.2 × 1.10) × 30 = 12.60달러입니다. API 모델과 로컬에서 돌릴 모델은 다를 수 있으므로 답변 품질과 자료를 외부로 보내도 되는지를 함께 봅니다.

견적에는 본체 말고도 케이블, 스위치, 저장장치와 유지보수 비용이 들어갑니다. 국내에서 두 대를 6개월 쓰며 전원부 문제로 두 번 수리를 맡긴 한 사용자는 수리 대기가 5주 이상이었다고 적었습니다.

전력은 어댑터 정격이 아니라 벽면에서 측정한 평균 소비전력으로 계산합니다. 평균 50W라면 24시간씩 30일에 36kWh이고, 어댑터 정격 240W로 계산한 172.8kWh는 실제 사용량이 아닙니다. 그래픽카드의 전력 사양도 카드만의 수치라 컴퓨터 전체 전력과 다릅니다. 추가 전기요금은 기존 월 사용량에 이 전력량을 더해 한국전력 요금표로 계산합니다.

이 단계에서는 사용량이 적을수록 API가 유리합니다. 위 예의 API 비용 월 12.60달러는 DGX 스파크 기기값 월 26만 원보다 훨씬 적습니다.

단계별 판정과 고르는 기준

여섯 단계에서 유리했던 쪽을 한 장에 모았습니다.

단계별로 유리한 쪽

비교 단계	DGX 스파크리눅스 박스	RTX 스파크윈도우 노트북	API쓴 만큼 결제
1. 윈도우 노트북 형태	–	제공	–
1. 고정형 리눅스 장비	제공	–	–
2. 메모리 대역폭	–	제공	–
3. GPU가 쓸 수 있는 메모리	제공	–	–
4. 모델 하나를 여러 대에 나눠 올리기	제공	제공하지 않음	–
5. 리눅스 AI 도구 지원	제공	–	–
6. 적은 사용량의 월 비용	–	–	제공

고르는 순서는 장비가 아니라 모델과 프로그램에서 시작합니다. 쓸 모델과 프로그램을 정하고, 그 프로그램이 리눅스와 윈도우 Arm 가운데 어디를 지원하는지 봅니다. 다음으로 모델 파일과 KV 캐시가 3단계의 GPU 몫 안에 들어가는지 계산합니다. 여러 대 연결이 필요한지는 그다음입니다. 연결 포트를 쓰지 않더라도 리눅스 환경과 지원 도구 때문에 DGX 스파크가 맞는 경우가 있습니다.

RTX 스파크를 기다린다면 실제 판매 모델의 가격과 메모리 배정, 쓸 프로그램의 실행 결과가 나온 뒤에 비교합니다. 가격 인하를 기다린다면 현재 견적과 장비가 필요한 시점, 보증 조건을 놓고 정합니다. 목표 모델이 지금 장비에 안 들어가면 더 작은 모델로 같은 작업의 품질을 비교하거나 서버를 검토합니다.

자주 묻는 질문

RTX 스파크 두 대를 사면 DGX 스파크 두 대와 같아지나요?

같아지지 않습니다. PAIR는 두 장비에 요청을 나눌 뿐 모델 하나를 나눠 올리지 않고, RTX 스파크 노트북에는 DGX 스파크의 QSFP 연결이 없습니다.

지금 DGX 스파크를 사면 다음 모델이 나왔을 때 손해인가요?

손해 여부는 미래 가격보다 지금 필요한 작업으로 계산합니다. 그 작업을 얼마나 자주 하는지, 장비로 줄어드는 시간과 유지 비용이 얼마인지 따져서 정합니다.

로컬 장비 대신 API를 쓰는 편이 낫지 않나요?

사용량이 적으면 API가 쌉니다. 9월 등재가 939만 원을 36개월로 나누면 기기값만 월 약 26만 833원이고 여기에 전기료와 수리비가 더해집니다. 예상 중고 판매가는 확정된 수입이 아니므로 이 계산에서 빼지 않습니다. 다만 API로 쓰는 모델이 로컬 모델과 같은지, 답변 품질과 자료 전송 조건이 목적에 맞는지를 함께 봅니다.

Sources

• NVIDIA 공식 페이지: DGX Spark
• NVIDIA 공식 문서: DGX Spark ConnectX-7 Networking
• NVIDIA 공식 문서: DGX Spark Hardware
• NVIDIA 공식 문서: RTX Spark 포팅 가이드 개요
• NVIDIA 공식 문서: RTX Spark 통합 메모리 구조
• NVIDIA 공식 문서: RTX Spark CUDA API 사용
• NVIDIA 보도자료: NVIDIA and Microsoft Reinvent Windows PCs with RTX Spark
• NVIDIA GeForce 뉴스: COMPUTEX 2026 RTX 스파크 발표
• NVIDIA 공식 블로그: Local AI at IFA 2026 (RTX 스파크 출시 시점, NVIDIA PAIR)
• NVIDIA 공식 FAQ: Personal AI Router
• NVIDIA 기술 블로그: Run Local AI Agents with Multi-Node Clustering on DGX Spark
• NVIDIA 기술 블로그: How DGX Spark's Performance Enables Intensive AI Tasks
• NVIDIA 기술 블로그: Introducing NVFP4 for Efficient and Accurate Low-Precision Inference
• NVIDIA 개발자 포럼 공지: 2026-02-23 가격 변경
• llama.cpp 공식 저장소: DGX Spark 벤치마크 기록
• vLLM 공식 저장소: 릴리스 기록
• NVIDIA Windows Arm PyTorch 배포 안내
• NVIDIA 다중 노드 성능 측정
• Z.ai 공식 문서: 모델 API 가격
• Framework 공식 스토어: Desktop 구성별 가격
• 한국전력 주택용 전기요금표

3줄 요약

1. DGX 스파크와 RTX 스파크는 같은 Grace Blackwell 칩 계열에 최대 128GB 통합 메모리를 쓰며 DGX는 리눅스 박스, RTX는 윈도우 노트북과 소형 데스크톱으로 나옵니다.

2. 메모리 대역폭은 RTX 스파크가 300GB/s로 DGX 스파크의 273GB/s보다 높지만 GPU가 쓸 수 있는 메모리는 포팅 가이드 식으로 계산하면 RTX 스파크가 102GB에서 106GB, 사용자 측정으로는 DGX 스파크가 119GB에서 122GB입니다.

3. 모델 하나를 여러 대에 나눠 올리는 QSFP 포트는 DGX 스파크에만 있고 엔비디아의 PAIR는 별개 요청을 여러 기기에 나눌 뿐 메모리를 합치지 않습니다.