DGX Spark vs. RTX 5090 vs. RTX PRO 6000 Blackwell: Welche NVIDIA-Plattform eignet sich für welche KI-Workloads?

Mit der Blackwell-Generation deckt NVIDIA gleich mehrere Einsatzklassen ab: vom kompakten KI-Entwicklungssystem über die schnellste Consumer-GPU bis hin zur professionellen Workstation-Karte mit großem ECC-Speicher. Genau das macht Vergleiche zwischen DGX Spark, GeForce RTX 5090 und RTX PRO 6000 Blackwell spannend — und zugleich schwierig.

Denn obwohl alle drei Produkte auf Blackwell basieren, verfolgen sie unterschiedliche Ziele. Wer nur auf Schlagworte wie FP4, Tensor Cores oder TOPS schaut, übersieht schnell die entscheidenden Unterschiede bei Speicherarchitektur, Bandbreite, Skalierung, Stromverbrauch und Plattformkonzept. In diesem ersten Teil geht es deshalb nicht um Benchmarks im Detail, sondern um die grundlegende Frage: Was ist dieses Produkt überhaupt — und wofür wurde es gebaut? Die Folgen für reale Workloads wie LLM-Inferenz, Diffusion, Gaussian Splatting oder Fine-Tuning folgen in Teil 2.

NVIDIA DGX Spark: Der kompakte KI-Supercomputer für den Schreibtisch

Der NVIDIA DGX Spark ist keine klassische Desktop-GPU, sondern ein komplettes KI-System im Mini-Format. NVIDIA positioniert das Gerät als „Personal AI Supercomputer" [1]. Im Inneren arbeitet der GB10 Grace Blackwell Superchip, der eine Blackwell-GPU mit einer ARM-basierten Grace-CPU in einem gemeinsamen SoC vereint. Konkret kommen 20 CPU-Kerne zum Einsatz, aufgeteilt in 10× Cortex-X925 und 10× Cortex-A725. CPU und GPU kommunizieren dabei direkt über NVLink-C2C [1, 2].

Technisch hebt sich der DGX Spark vor allem durch seinen Speicheransatz ab. Statt klassischen VRAMs setzt das System auf 128 GB LPDDR5X Unified Memory, auf den CPU und GPU über einen gemeinsamen Adressraum zugreifen können [1, 2]. Dazu kommen laut NVIDIA bis zu 1 PetaFLOP FP4-Tensorleistung mit Sparsity [1, 3]. Zusätzlich verfügt das System über einen integrierten 200-GbE-ConnectX-7-Anschluss, über den sich zwei Spark-Systeme koppeln lassen. NVIDIA nennt für diesen Verbund eine kombinierte Memory Capacity von 256 GB und ordnet ihn für Modelle bis ungefähr 405 Milliarden Parameter ein [1, 4]. Als Softwarebasis dient DGX OS, also eine Ubuntu-basierte Umgebung mit vorinstalliertem NVIDIA-AI-Stack [4]. Für das SoC nennt NVIDIA eine TDP von 140 Watt, wobei der Gesamtverbrauch des kompletten Systems darüber liegt [1].

Wo der DGX Spark glänzt

Der DGX Spark ist vor allem dann interessant, wenn Speichergröße, Plattformkonsistenz und lokale Entwicklung wichtiger sind als maximale rohe Rechenleistung. Sein größter Vorteil ist, dass sich auf dem Gerät Modelle lokal betreiben lassen, die auf vielen Consumer-GPUs bereits am Speicher scheitern. NVIDIA spricht hier von Inferenz für Modelle bis etwa 200 Milliarden Parameter [1, 4].

Hinzu kommt die Nähe zum größeren NVIDIA-Ökosystem. Wer lokal entwickelt und später in DGX-Cloud- oder Rechenzentrumsumgebungen weiterarbeiten will, profitiert von einer vergleichsweise geradlinigen Umgebung [1, 4]. Genau darin liegt ein wesentlicher Reiz des Systems: Es ist weniger eine „schnellste GPU", sondern eher eine portable Entwicklungsplattform für große KI-Modelle.

Unabhängige Einordnungen gehen in dieselbe Richtung. LMSYS beschreibt in einem frühen Praxistest die reine Tensor-Leistung grob auf einem Niveau zwischen RTX 5070 und RTX 5070 Ti, verweist aber zugleich auf die LPDDR5X-Bandbreite als limitierenden Faktor gegenüber diskreten GPUs [3]. Das bedeutet praktisch: Wer maximale Geschwindigkeit für mittelgroße lokale Inferenz sucht, ist mit einer starken RTX-Karte häufig besser bedient. Der DGX Spark wird dort interessant, wo der Speicherbedarf klassischer Consumer-Karten zum Problem wird oder wo bewusst auf eine DGX-nahe Entwicklungsumgebung gesetzt wird [1, 3, 4].

GeForce RTX 5090: Maximale Consumer-Leistung für KI, Creator und Rendering

Die GeForce RTX 5090 ist NVIDIAs derzeitiges Consumer-Flaggschiff der Blackwell-Generation. Offiziell richtet sie sich an Gaming- und Creator-Zielgruppen, in der Praxis ist sie aber zugleich eine der spannendsten Karten für lokale KI-Workloads, sofern der verfügbare Speicher ausreicht [5, 6].

Die Karte basiert auf dem GB202-Chip und bringt 21.760 CUDA-Kerne, 680 Tensor-Kerne der fünften Generation und 170 RT-Kerne der vierten Generation mit [5, 6]. Beim Speicher setzt NVIDIA auf 32 GB GDDR7 über ein 512-Bit-Interface mit einer Bandbreite von rund 1,79 TB/s [5, 6, 7]. Ergänzt wird das durch 96 MB L2-Cache, also mehr als bei der RTX 4090, die bei 72 MB liegt [8]. Die Karte nutzt PCIe 5.0 x16, wird im TSMC-4NP-Prozess gefertigt und ist mit 575 Watt TGP klar im High-End-Segment angesiedelt [5, 6]. Besonders relevant für KI ist die Unterstützung von FP4 über Tensor Cores der fünften Generation; damit zählt die RTX 5090 zu den ersten Consumer-GPUs mit nativer FP4-Unterstützung [9].

Wo die RTX 5090 ihre Stärken ausspielt

Die RTX 5090 ist überall dort stark, wo hohe Speicherbandbreite und maximale Rohleistung den Ausschlag geben. Das betrifft etwa Diffusionsmodelle, lokale Bild- und Videogenerierung, Gaussian Splatting, 3D-Rendering oder auch die Inferenz quantisierter Sprachmodelle in einer Größenordnung bis ungefähr 30 Milliarden Parameter [5, 6].

Gerade die Speicherbandbreite ist ein zentraler Punkt. Mit rund 1,79 TB/s liegt die RTX 5090 deutlich über früheren Consumer-Generationen, was insbesondere bei der Token-Generierung großer Sprachmodelle relevant ist [5]. In vielen praktischen Szenarien ist diese Karte daher keine bloße Gaming-GPU mit KI-Marketing, sondern eine ernstzunehmende Workstation für lokale KI-Anwendungen.

Die Begrenzung liegt allerdings klar beim Speicher. 32 GB VRAM sind für eine Consumer-Karte viel, bei größeren Modellen, Fine-Tuning oder anspruchsvolleren Multi-Modal-Workloads wird dieser Rahmen jedoch schnell eng. Dazu kommt, dass NVIDIA bei der RTX 5090 auf NVLink verzichtet. Wer mehrere Karten kombinieren will, ist damit auf PCIe und Software-Stacks wie DeepSpeed oder Ray angewiesen [10]. Auch die Plattformanforderungen sind hoch: Eine Karte mit 575 Watt, großem Kühler und typischem Drei-Slot-Format verlangt nach einem entsprechend dimensionierten System [5, 6].

RTX PRO 6000 Blackwell: Professionelle Desktop-GPU mit 96 GB ECC-Speicher

Die RTX PRO 6000 Blackwell Workstation Edition ist die professionelle Ausbaustufe derselben Architekturidee. Im Kern teilt sie sich die Blackwell-Basis mit der RTX 5090, ist aber klar auf professionelle Desktop- und Enterprise-Szenarien ausgerichtet. NVIDIA nennt hier unter anderem KI-Training, Fine-Tuning, wissenschaftliches Rechnen und High-End-Visualisierung als Zielbereiche [11, 12].

Die Karte verfügt über 24.064 CUDA-Kerne und damit über etwas mehr Recheneinheiten als die RTX 5090 [11, 13]. Der entscheidende Unterschied liegt jedoch im Speicher: Die RTX PRO 6000 bietet 96 GB GDDR7 mit ECC an einem 512-Bit-Interface und erreicht ebenfalls rund 1,79 TB/s Speicherbandbreite [11, 13]. NVIDIA nennt zudem bis zu 4000 AI TOPS in FP4 mit Sparsity [13]. Die Workstation Edition ist auf 600 Watt TGP ausgelegt und nutzt ebenfalls PCIe 5.0 x16 [13, 14]. Hinzu kommen professionelle Funktionen wie MIG (Multi-Instance GPU), also die Möglichkeit, die GPU in mehrere isolierte Instanzen aufzuteilen — ein Merkmal, das bei Consumer-Karten wie der RTX 5090 fehlt [14]. Tensor Cores der fünften Generation mit FP4- und FP8-Unterstützung gehören ebenso dazu wie Features aus dem Visualisierungsbereich [12]. Zusätzlich existiert eine Max-Q-Variante mit 300 Watt, die für dichtere oder leisere Deployments interessant sein kann [15].

Warum die RTX PRO 6000 mehr ist als nur eine größere RTX 5090

Die RTX PRO 6000 wird dort relevant, wo eine RTX 5090 entweder zu wenig Speicher, zu wenig Zuverlässigkeitsfunktionen oder zu wenig Verwaltungsfähigkeit mitbringt. Das betrifft zum Beispiel Fine-Tuning größerer Modelle, lokale Trainingsszenarien mit größeren Batch-Größen, professionelle Simulations- und CAD-Workloads, VFX-Pipelines oder medizinische und wissenschaftliche Anwendungen [11, 12, 13].

Der entscheidende Hebel sind die 96 GB ECC-VRAM. Gegenüber der RTX 5090 ist das die dreifache Speicherkapazität und damit ein Unterschied, der in der Praxis ganze Workload-Klassen verschiebt [11, 13]. ECC ist darüber hinaus in vielen professionellen Umgebungen kein Luxus, sondern Voraussetzung. Dasselbe gilt für MIG, wenn mehrere Teams, Nutzer oder Prozesse kontrolliert auf einer GPU arbeiten sollen [14].

Damit ist die RTX PRO 6000 keine Karte für alle, aber eine sehr klare Antwort auf die Frage, wie viel professionelle KI- und Visualisierungsarbeit sich heute auf einem einzelnen Desktop-System abbilden lässt — sofern Budget, Kühlung und Plattform darauf ausgelegt sind.

DGX Spark vs. RTX 5090 vs. RTX PRO 6000: Die Grundlogik hinter dem Vergleich

Wer diese drei Produkte vergleicht, sollte sie nicht als direkte Varianten desselben Produkts missverstehen. Sie lösen unterschiedliche Probleme.

Der DGX Spark ist vor allem eine kompakte Entwicklungsplattform für große Modelle, mit viel Unified Memory und enger Nähe zum DGX-Stack [1, 4].

Die RTX 5090 ist die leistungsstarke Consumer- und Creator-Karte, die bei vielen KI- und Rendering-Workloads durch rohe Performance und enorme Bandbreite überzeugt [5, 6].

Die RTX PRO 6000 Blackwell ist die professionelle Desktop-Lösung für Workloads, bei denen vor allem Speicherkapazität, ECC, Verwaltungsfunktionen und professionelle Einsatzsicherheit zählen [11, 12, 14].

Genau deshalb führt ein Vergleich über reine Marketingzahlen oft in die Irre. Zwar teilen sich alle drei Produkte die Blackwell-Architektur, Tensor Cores der fünften Generation und Unterstützung für FP4. In der Praxis entscheiden aber andere Faktoren: Wie viel Speicher steht real zur Verfügung? Wie hoch ist die Bandbreite? Wie gut lässt sich die Plattform skalieren? Welche Softwareumgebung ist vorgesehen? Und welche Form von Workload soll eigentlich beschleunigt werden?

Die spannende Frage lautet also nicht, welches Produkt „am besten" ist — sondern: Welches Produkt passt zur Aufgabe? Genau darum geht es im zweiten Teil — dort mit Blick auf konkrete Szenarien wie Gaussian Splatting, Video-Diffusion und lokale LLM-Inferenz.

Quellen

[1] NVIDIA. Personal AI Supercomputer Powered by Blackwell — NVIDIA DGX Spark. Produktseite. https://www.nvidia.com/en-us/products/workstations/dgx-spark/

[2] NVIDIA. DGX Spark — US Marketplace. https://marketplace.nvidia.com/en-us/enterprise/personal-ai-supercomputers/dgx-spark/

[3] LMSYS Org. NVIDIA DGX Spark In-Depth Review: A New Standard for Local AI Inference. 13. Oktober 2025. https://www.lmsys.org/blog/2025-10-13-nvidia-dgx-spark/

[4] NADDOD. NVIDIA DGX Spark Founders Edition — Produkt- und FAQ-Seite. https://www.naddod.com/products/103029.html

[5] NVIDIA. GeForce RTX 5090 Graphics Cards. Produktseite. https://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5090/

[6] NVIDIA. NVIDIA RTX Blackwell GPU Architecture (Whitepaper, v1.1). https://images.nvidia.com/aem-dam/Solutions/geforce/blackwell/nvidia-rtx-blackwell-gpu-architecture.pdf

[7] Vast.ai. NVIDIA GeForce RTX 5090 Specs: Everything You Need to Know. https://vast.ai/article/nvidia-geforce-rtx-5090-specs-everything-you-need-to-know

[8] VideoCardz. NVIDIA GeForce RTX 5090 Graphics Card Specs. https://videocardz.net/nvidia-geforce-rtx-5090

[9] NVIDIA Newsroom. NVIDIA Blackwell GeForce RTX 50 Series Opens New World of AI Computer Graphics. https://nvidianews.nvidia.com/news/nvidia-blackwell-geforce-rtx-50-series-opens-new-world-of-ai-computer-graphics

[10] Fluence. NVIDIA RTX 5090 & Datacenter Choices: Do They Fit AI Cloud? (2026). https://www.fluence.network/blog/nvidia-rtx-5090/

[11] NVIDIA. RTX PRO 6000 Blackwell Workstation Edition. Produktseite. https://www.nvidia.com/en-us/products/workstations/professional-desktop-gpus/rtx-pro-6000/

[12] NVIDIA. RTX PRO 6000 Blackwell Series. Familie-Übersicht. https://www.nvidia.com/en-us/products/workstations/professional-desktop-gpus/rtx-pro-6000-family/

[13] IT Creations. NVIDIA RTX PRO 6000 Blackwell Workstation Edition — Datenblatt. https://www.itcreations.com/nvidia-gpu/nvidia-rtx-pro-6000-blackwell-workstation-edition

[14] NVIDIA. RTX PRO 6000 Blackwell Workstation Edition — Datenblatt (PDF). https://www.nvidia.com/content/dam/en-zz/Solutions/data-center/rtx-pro-6000-blackwell-workstation-edition/workstation-blackwell-rtx-pro-6000-workstation-edition-nvidia-us-3519208-web.pdf

[15] Central Computer. NVIDIA RTX Pro 6000 Blackwell Max-Q Edition — Datenblatt. https://www.centralcomputer.com/nvidia-rtx-pro-6000-96gb-blackwell-max-q-edition-gddr7-24-064-cuda-cores-pci-express-5-0-x16-600w-blackwell-workstation.html