公開：2026年10月24日, 最終更新：2026年10月24日
NVIDIAは2026年10月22日付の公式テクニカルブログで、NVIDIA DGX Sparkの8ノードクラスター正式サポートをGTC Berlinで発表したと明らかにした。ユニファイドメモリが最大1TBに拡張され、GLM 5.3（753Bパラメーター）などフロンティア級モデルをデスクサイドでローカル実行できるようになる。
30秒サマリー
- DGX Spark 8ノードクラスターで統合メモリ1TBを実現、GLM 5.3（753B）などの超大規模モデルをローカル実行可能に
- Spark最適化コレクティブバックエンド「RoCEnante」により、8ノード時のデコードスループットが4.43倍に向上（未使用時は3.05倍）
- NeMo Switchyardによるマルチモデルルーティングで、大半のリクエストを小型モデルに振り分けた場合に集計スループット最大3倍を達成
NVIDIA DGX Spark 8ノードクラスターの発表内容と性能ベンチマーク
NVIDIAはGTC Berlinにおいて、NVIDIA DGX Sparkの8ノードクラスター正式サポートを発表した。1ノードあたり128GBのユニファイドメモリを持つDGX Sparkは、4ノードで512GB、8ノードで1TBに達する。この容量拡張により、4ノード構成では起動できなかったZ.aiのGLM 5.3（753B）全量チェックポイント（NVFP4換算で約470GB）の実行が可能になる。同モデルをGLM 5.3 Flashとして8ノードクラスターで動作させたところ、生成速度は約80トークン毎秒（TPS）を記録し、インタラクティブなローカル開発用途に適するとしている。なお、NVIDIA Syncによる8ノードクラスターのサポートは年内提供予定と案内されている。
スイッチ接続型クラスター向けに、Spark最適化コレクティブバックエンド「RoCEnante」が開発され、FlashInferにマージ済みである。テンソル並列デコード時のall-reduce待ち時間を削減するもので、Qwen3.8-27B（NVFP4）を用いたベンチマークでは、8ノード・スイッチ構成時にRoCEnante使用でデコードスループットが1ノード比4.43倍に達した（未使用の場合は3.05倍）。RoCEnante はall-to-all交換＋ローカルリダクションという方式を採用しており、小メッセージ・低並列数・少ないランク数という条件下で効果を発揮する。一方、メッセージサイズや並列数・クラスター規模が大きくなる場合はNVIDIA Collective Communications Library（NCCL）がより優れた選択肢となる、と原文は明記している。
マルチモデルオーケストレーション機能としてNVIDIA NeMo Switchyardが紹介されている。軽量な分類器がリクエストを検査し、適切なモデルプールへルーティングする仕組みで、プロトタイプではOpenBMBのMiniCPM5 2Bを分類器兼実行モデルに、Qwen3.8 Flash Nextを複雑なタスク用に割り当てた。ツール使用ベンチマーク（92ケース）でルーティングエージェントは91/100を記録し、Qwen単独構成と同等の品質を維持した。
トレーニングスケーリングの検証として、nanochatモデル（約8億9,650万パラメーター）を8ノードでゼロから事前学習したところ、8ノード時のスループットは1ノード比7.79倍、スケーリング効率97.4%を達成した。
NVIDIA DGX Spark 8ノードクラスター対応の主な仕様・数値
- ユニファイドメモリ（1ノード）：128 GB
- ユニファイドメモリ（4ノード）：512 GB
- ユニファイドメモリ（8ノード）：1 TB
- GLM 5.3 Flashの生成速度（8ノード）：約80 TPS
- Qwen3.8-27B（NVFP4）デコードスループット・1ノード：11.86 TPS
- Qwen3.8-27B（NVFP4）デコードスループット・8ノード・スイッチ＋RoCEnante：52.58 TPS（4.43倍）
- nanochat事前学習スケーリング効率（8ノード）：97.4%（7.79倍）
- NVIDIAによる8ノードクラスターサポートの提供開始予定：年内（原文: by the end of the year）
出典: NVIDIA Technical Blog（公式ブログ）
なぜ重要か（編集部の分析）
編集部の見方として、この発表が示す本質的な変化は「フロンティア級AIモデルの実行環境がクラウド専有からデスクサイドへ降りてきた」という点にある。1TBのローカルメモリプールとほぼ線形のトレーニングスケーリングが実現されることで、機密データをクラウドに送出できない用途や、推論コストを固定費で抑えたい用途において、オンプレミス選択肢の重みが増す。RoCEnanteとNeMo Switchyardによるスループット最適化は、単なる「収まるか否か」を超えた実用水準の応答速度を担保するものであり、エンタープライズでの本格展開の前提条件を整えつつある。
日本企業への示唆（編集部の分析）
編集部の分析として、日本企業にとっての実務的示唆は3点ある。第一に、個人情報・営業秘密を含む社内データで大規模モデルを活用したい企業には、クラウド経由を回避できる8ノード構成が有力な選択肢となる。第二に、NeMo Switchyardのようなルーティング層を設けることで、大型モデルと小型モデルを組み合わせたコスト最適化が設計の標準になりうる点は、AIインフラ調達の議論に今から組み込むべきである。第三に、事前学習のほぼ線形スケーリングは、継続事前学習や独自ドメイン適応をオンプレミスで完結させる構成の現実性を高める。ただし年内提供予定のNVIDIA Sync対応や実際の調達・導入リードタイムを踏まえると、2027年度以降の計画に織り込む形が現実的とみられる。
背景・経緯
NVIDIA DGX Sparkはデスクサイド向けAI開発機として位置づけられており、従来から複数ノードの接続（マルチノードクラスター）をサポートしていた。今回GTC Berlinで発表された8ノード対応は、従来の上限を拡張するもの。テンソル並列通信にはConnectX-7 NICとRDMA on Converged Ethernet（RoCE）を活用しており、スイッチ接続とスイッチレスリング接続の双方が選択可能な設計となっている。
NVIDIA DGX Spark 8ノードクラスター対応についてよくある質問
Q. NVIDIA DGX Spark 8ノードクラスターでは何GBのメモリが利用できるか？
A. 8ノード構成では各ノード128GBのユニファイドメモリが合計1TBになる。これによりNVFP4換算で約470GBのGLM 5.3（753B）全量チェックポイントをローカルで実行できる。
Q. RoCEnanteはNVIDIA DGX Sparkのどのような構成で効果があるか？
A. RoCEnanteはスイッチ接続型クラスター専用で、リング接続では使用できない。小メッセージ・低並列数・少ないランク数の条件下でall-reduce待ち時間を削減し、Qwen3.8-27B（NVFP4）の8ノード時デコードスループットを4.43倍に向上させた（未使用時は3.05倍）。
Q. NVIDIA NeMo SwitchyardはDGX Sparkクラスター上でどのように機能するか？
A. NeMo Switchyardは軽量な分類器でリクエストを検査し、複雑度に応じて大型モデルと小型モデルのプールへルーティングする。プロトタイプではツール使用ベンチマークでQwen単独と同等の品質（91/100）を維持しつつ、大半のリクエストを小型モデルに振り分けた場合に集計スループット最大3倍を達成した。
