Hardware de IA en noviembre de 2026, del escritorio al centro de datos

Si quieres ejecutar modelos abiertos en tu propio hardware, la memoria lo decide casi todo. Decide qué modelos llegan a cargarse, y su velocidad decide lo rápido que responden. Esta guía cubre lo que NVIDIA vende o alquila en noviembre de 2026, desde una caja que cabe en un escritorio hasta un rack completo. Cada máquina se mide frente a modelos que hemos analizado. Los precios han subido mucho este año porque escasean los chips de memoria, así que contrasta las cifras de aquí con un presupuesto actualizado antes de comprar.

DGX Spark y las cajas GB10: 128 GB en tu escritorio

DGX Spark es un mini-PC construido sobre el chip GB10 de NVIDIA. Su CPU y su GPU comparten un único bloque de memoria, y la máquina funciona con Linux. Según la página de especificaciones de NVIDIA, ese bloque es de 128 GB de LPDDR5x a 273 GB/s. NVIDIA indica hasta 1 petaflop de cómputo FP4, una cifra teórica que presupone dispersión, y dice que una unidad maneja modelos de hasta 200.000 millones de parámetros. Acer, ASUS, Dell, GIGABYTE, HP, Lenovo y MSI venden sus propias versiones con GB10. El chip es el mismo en todas, así que lo que pagas es la carcasa, el almacenamiento y la garantía.

El precio es la noticia. Spark salió a 3.999 $ en octubre de 2025. NVIDIA lo subió a 4.699 $ en febrero, culpando al suministro de memoria. En octubre el modelo de 128 GB pasó a 6.950 $, casi un 75% más que un año antes, según The Register. Una versión de 64 GB de los fabricantes asociados salió a la venta el 23 de octubre a 4.999 $, según ServeTheHome. Mantiene el puerto de red de 200 Gbps, así que puedes enlazar hasta cuatro unidades.

Un chip hermano, RTX Spark, se vende ya en portátiles con Windows. Salieron a la venta el 16 de octubre desde 2.599 $, según Tom’s Hardware, pero ese precio da 24 GB. Un modelo de 128 GB cuesta entre unos 5.100 $ y 7.000 $.

Qué cabe en 128 GB: gpt-oss-120b (4,0) es una descarga de 65 GB en Ollama. La versión de 4 bits de Nemotron 3.5 Super VL (4,1), de unos 75 GB, está pensada directamente para DGX Spark. Qwen3.8-27B (4,5) y Gemma 4 (4,4) caben con margen. El modelo de 64 GB es más justo de lo que parece: gpt-oss-120b ya no cabe. Flint (3,9), que necesita 48 GB, sí cabe.

DGX Station y HP ZGX Fury: 748 GB junto al escritorio

DGX Station es el siguiente escalón. Es una torre para colocar junto a la mesa construida sobre el chip GB300, que combina una GPU Blackwell Ultra con una CPU Grace de 72 núcleos. NVIDIA indica 748 GB de memoria direccionable por ambos chips, en dos niveles. Los 252 GB de HBM3e propios de la GPU funcionan a 7,1 TB/s. Los otros 496 GB son LPDDR5X conectada a la CPU, a 396 GB/s. NVIDIA indica hasta 20 petaflops de cómputo de IA. NVIDIA diseña la placa, pero no vende una Station terminada ni publica un precio. ASUS, Dell, Exxact, GIGABYTE, HP, MSI y Supermicro fabrican las máquinas. Un modelo de Exxact apareció a 94.930 $.

El HP ZGX Fury G1n es la versión de HP de la DGX Station, no un chip distinto. La página del producto y las QuickSpecs de HP indican el mismo chip GB300 y 748 GB de memoria, junto con hasta 20 petaflops de cómputo FP4 y dos puertos de red de 400 Gb para enlazar dos unidades. HP dice que un Fury puede alojar modelos de hasta un billón de parámetros en FP4. Viene con Ubuntu 24.04. Windows se mostró públicamente el 7 de octubre, pero HP no ha anunciado precio ni fecha para la versión con Windows.

El modelo con Linux se puede pedir a través del equipo de ventas de HP, y HP no publica precio de lista. Tiene refrigeración líquida, pesa desde 41 kg y lleva una fuente de alimentación de 1.600 W. HP dice que necesita su propio circuito de 200 a 240 V, así que piensa dónde lo vas a enchufar antes de pedirlo.

Qué cabe en 748 GB: MiniMax-M3.1-Flash (4,0), de unos 250 GB, y Beam (3,8), de 273 GiB en NVFP4. Los pesos FP8 de GLM-5.3-Flash (4,3) suman unos 330 GB, y los pesos NVFP4 de Muse Spark Open (4,0) unos 537 GB, aunque su ficha recomienda 700 GB si cuentas la memoria que guarda una conversación larga. Todos caben en el total, pero solo los primeros 252 GB están en la memoria rápida de la GPU. Lo que se desborde funciona a la velocidad más lenta de la memoria de la CPU.

Grace Blackwell Ultra en el centro de datos: GB300 NVL72 y B300

La mayoría de los equipos alquila este nivel en lugar de comprarlo. GB300 NVL72 es un rack con refrigeración líquida que une 72 GPU Blackwell Ultra y 36 CPU Grace en un solo sistema, con 20 TB de HBM3E. NVIDIA indica 1.080 petaflops de cómputo FP4 sin dispersión y lo da como disponible ya. La unidad más habitual es el servidor HGX B300, con ocho GPU y 2,1 TB de memoria en total, que según NVIDIA ya se está entregando.

Por horas, una B300 cuesta 6,94 $ en la nube comunitaria de Runpod y 8,99 $ en su nube segura, según su lista de precios. Verda cobra 11,35 $ por una B300 y 13,05 $ por una GB300. Eso sitúa un servidor de ocho GPU en aproximadamente 55 $ a 90 $ la hora. Para hacerse una idea, los 6.950 $ de un Spark dan para unas 1.000 horas en la B300 más barata de Runpod.

Este es el nivel que necesitan los modelos abiertos más grandes. Kimi K3 (4,3) es un checkpoint de 1,56 TB cuya receta de vLLM fija un mínimo de ocho GPU GB300. Hy4 preview (4,2) funciona en ocho B300 en FP8. GLM-5.3 (4,4), de unos 753 GB, y DeepSeek-V4-Pro (4,3), de unos 865 GB, también necesitan un servidor completo de ocho GPU.

Vera Rubin: ya se entrega, pero no se puede comprar en pequeñas cantidades

Vera Rubin es la generación posterior a Blackwell. Combina la nueva GPU Rubin de NVIDIA con su propia CPU Vera. Su rack principal es el Vera Rubin NVL72, que NVIDIA llamaba antes NVL144 porque contaba por separado los dos chips de GPU de cada encapsulado, explica ServeTheHome. La página de NVIDIA indica 72 GPU Rubin, cada una con 288 GB de HBM4, para un total de 20,7 TB por rack. Indica 3.600 petaflops de FP4 para ejecutar modelos y 2.520 para entrenarlos.

La situación, por orden. En mayo NVIDIA dijo que Vera Rubin estaba pasando a producción completa, con entregas a partir del otoño. Sus resultados de agosto decían que había racks funcionando en CoreWeave, Google Cloud, Microsoft Azure, Oracle y Nebius. Tom’s Hardware informó de que NVIDIA espera que Rubin suponga alrededor del 20% de los ingresos de centros de datos este trimestre. CoreWeave abrió una disponibilidad limitada el 30 de septiembre, y Oracle anunció la disponibilidad general el 27 de octubre. Ninguna de las listas de precios que consultamos muestra una tarifa pública por hora.

Rubin CPX, un chip más barato que NVIDIA anunció para leer prompts largos, no aparece en ninguno de esos comunicados de NVIDIA. Tampoco Rubin Ultra. Trata cualquier fecha que veas para ellos como un rumor hasta que NVIDIA la confirme.

La comparativa

Sistema	Memoria	FP4 (cifra del fabricante)	Precio	Situación
DGX Spark / cajas GB10	64 o 128 GB unificada, 273 GB/s	Hasta 1 PF, con dispersión	4.999 $ (64 GB); 6.950 $ (128 GB)	A la venta
DGX Station / HP ZGX Fury	748 GB (252 GB HBM3e + 496 GB LPDDR5X)	Hasta 20 PF	Sin precio de lista; Exxact anunció 94.930 $	Se puede pedir a través de socios
HGX B300 (8 GPU)	2,1 TB HBM3e	108 PF densos	De 6,94 $ a 11,35 $ por GPU y hora en alquiler	A la venta
Rack GB300 NVL72	20 TB HBM3E	1.080 PF densos	Contactar con ventas; GB300 a 13,05 $ por GPU y hora en Verda	Disponible
Rack Vera Rubin NVL72	20,7 TB HBM4 (288 GB por GPU)	3.600 PF para ejecutar modelos	No publicado	Disponibilidad temprana en la nube

Fuera de NVIDIA

Conviene conocer dos alternativas. Ryzen AI Halo de AMD combina el Ryzen AI Max+ 395 con 128 GB de memoria unificada por 3.999 $, a hasta 256 GB/s. Esa memoria tiene aproximadamente el mismo tamaño y velocidad que la de Spark, por menos dinero, aunque el software CUDA de NVIDIA no funciona en él.

El Mac Studio con M5 Ultra de Apple llega hasta 512 GB a 1,2 TB/s, más de cuatro veces la velocidad de memoria de Spark. La configuración de 512 GB cuesta al menos 22.299 $. Eso basta para la versión de 4 bits y 214 GB de Qwen3.5-397B (3,6), con margen.

La pega: las cifras de FP4 de la tabla son los picos propios de NVIDIA, unas veces con dispersión y otras sin ella, así que no sirven de guía de lo rápido que responderá de verdad un modelo. Para ejecutar modelos en un escritorio, la velocidad de la memoria suele importar más, y los 273 GB/s de Spark son los más lentos de esta lista. El software es el otro límite. Una versión NVFP4 de 4 bits de un modelo necesita una GPU de la generación Blackwell. vLLM (4,7) y SGLang (4,4) son los servidores que dan por hecho las guías de modelos grandes. llama.cpp (4,8) y Ollama (4,6) son la vía fácil en Spark, Halo y Mac, y MLX (4,4) es la opción nativa en un Mac.

Nuestra opinión: calcula cuánta memoria necesita tu modelo antes de mirar las cifras de cómputo. Por debajo de unos 100 GB, un Spark o un Halo de 128 GB lo ejecutará, aunque no deprisa. Entre aproximadamente 200 y 500 GB, un Mac Studio o una DGX Station lo albergan en un solo escritorio, al precio de un coche o de una casa pequeña. Cualquier cosa mayor es un alquiler, y a menos de 10 $ por GPU y hora, unos cientos de horas de B300 te dirán más que una torre de 95.000 $.