# NVIDIA RTX Spark llega a sobremesa con 128 GB para IA local

> Los primeros equipos compactos con el superchip N1X salen a la venta con hasta 128 GB de memoria unificada y 1 PFLOP en FP4. Qué modelos caben y qué falta.
> Por José Maldonado · Tecnología · 2026-11-19

Los primeros ordenadores compactos con RTX Spark llegaron a las tiendas el 18 de noviembre de 2026, con sistemas de Acer, Asus, Dell, Gigabyte, HP, Lenovo y MSI. [Nvidia cifra el precio de salida en 4.399 dólares](https://uk.pcmag.com/ai/168443/nvidia-and-microsoft-bring-rtx-spark-to-compact-desktops) para la configuración de 64 GB, de modo que esa cifra hay que leerla como suelo de gama. Lo que cambia la categoría es la memoria: hasta 128 GB unificados bajo el escritorio.

Esa memoria decide qué se puede ejecutar. Un modelo grande en local se queda fuera por capacidad, no por potencia de cálculo. Un portátil con gráfica dedicada de gama alta se mueve entre 16 y 24 GB de memoria de vídeo, y un modelo de 70.000 millones de parámetros cuantizado a 4 bits ocupa alrededor de 40 GB: no entra. El superchip N1X comparte un único espacio entre CPU y GPU, y el problema deja de ser el reparto y pasa a ser el tamaño del modelo.

En Ignite, Microsoft puso estos equipos como escalón de entrada de su estrategia híbrida y reservó el DGX Station for Windows para los modelos de un billón de parámetros. Entre ambos queda un hueco de precio, y ahí está la decisión de compra.

## Qué lleva el superchip N1X

El RTX Spark N1X combina una GPU Blackwell de 6.144 núcleos RTX con una CPU Grace de 20 núcleos, diseño de Nvidia y fabricación de MediaTek, la misma alianza que ya usaron los portátiles semanas antes. [Nvidia resume en tres cifras el RTX Spark N1X](https://blogs.nvidia.com/blog/rtx-spark-desktop-local-ai-available-now/): 1 PFLOP en FP4, hasta 128 GB unificados y modelos de 120.000 millones de parámetros corriendo en local.

De las tres cifras, la que ordena la compra es la memoria. El petaflop en FP4 queda bien en la ficha, pero no dice cuántos tokens por segundo vas a ver: el formato de baja precisión solo describe cómo se hacen las cuentas. El consumo tampoco aparece en el argumento de venta, y Nvidia no lo detalla con la misma insistencia que la capacidad.

El paquete es el mismo de los portátiles, y el salto al escritorio sirve para estandarizar la configuración alta: 20 núcleos de CPU, 6.144 de GPU y 64 o 128 GB de memoria, sin versiones recortadas.

## Qué modelos caben de verdad

La cuenta se hace con dos cifras: parámetros y bits por parámetro. Un modelo de 70.000 millones en 4 bits se acerca a los 40 GB y deja margen para una ventana de contexto larga en un equipo de 128 GB. Uno de 120.000 millones en la misma precisión ronda los 70 GB y sigue entrando, con menos holgura para el estado de la conversación. Si el modelo no cabe, ninguna configuración lo salva.

Los de un billón de parámetros, los que Microsoft menciona para el DGX Station, no entran aquí. El DGX Station marca el techo de la gama y no promete que un sobremesa mueva el modelo de un servidor.

La otra mitad de la cuenta es el ancho de banda. La memoria unificada resuelve la capacidad y no la velocidad, y en inferencia local el cuello de botella suele estar en cuántos tokens por segundo puede procesar la GPU. Nvidia no ha publicado rendimiento por vatio para estos equipos, y sin esa cifra cualquier promesa de velocidad es una estimación.

## El software es la mitad del producto

[GitHub Copilot Fusion ya enruta hacia modelos locales](https://blogs.windows.com/windowsexperience/2026/11/17/microsoft-ignite-2026-building-windows-for-the-next-era-of-work/) en equipos con RTX Spark. La función está en vista previa y disponible en la aplicación de Copilot, en la línea de comandos y en Visual Studio Code. La lógica comercial es sencilla: si el modelo corre en el equipo, el coste por token desaparece y la factura se traslada al hardware.

Si administras un parque con Windows 11, mira un detalle antes de estrenar la vista previa: [la versión 26H2 acumula fallos una semana después de su despliegue](https://observatorioblockchain.com/tecnologia/windows-11-26h2-fallos-una-semana), y un puesto que se actualiza solo no es un buen banco de pruebas.

La pieza que falta es el ecosistema. La estrategia de Microsoft pasa por sus modelos MAI en local y por los formatos habituales, y el equipo funciona si un desarrollador ejecuta lo que ya usa sin reescribir nada. Nvidia empuja con [el paquete Nemotron for Science abierto a los agentes científicos](https://observatorioblockchain.com/inteligencia-artificial/nemotron-for-science-agentes-cientificos). [La documentación de Foundry Local explica cómo cargar un modelo](https://learn.microsoft.com/en-us/windows/ai/foundry-local/get-started) en el propio equipo sin permisos especiales, que es el trabajo aburrido que decide si el chip se usa.

## Lo que cuesta y con qué se compara

Cuatro mil cuatrocientos dólares es el punto de partida, no el precio final: la configuración de 64 GB se queda en esa cifra, el importe varía algo según el fabricante y las de 128 GB suben desde ahí.

La comparación honesta es de categorías: el compacto, la estación con varias tarjetas y la suscripción en la nube. La estación tradicional gana en potencia bruta y pierde en consumo, espacio y ruido. La nube gana en flexibilidad y pierde en privacidad, y su factura se lee en el acto: [Gemini 4 Hydrogen cobra 1,50 dólares por millón de tokens de entrada y 7,50 por millón de salida](https://observatorioblockchain.com/inteligencia-artificial/gemini-4-hydrogen), con precio plano en toda la ventana de contexto. El equipo local gana en latencia y control del dato, y pierde en todo lo que un modelo de frontera hace mejor.

Hay un factor que pesa más de lo que parece. [La escasez de memoria que SK hynix sitúa hasta 2030](https://observatorioblockchain.com/tecnologia/escasez-memoria-2030-sk-hynix-hardware) encarece justo el componente que da sentido al equipo, y quien compre hoy paga la prima de un mercado tenso. Quien espere puede encontrar la misma capacidad por menos, o no encontrarla.

## A quién le sirve hoy

El perfil que justifica el gasto no es el que quiere un ordenador rápido. Es el desarrollador que prueba modelos sin subir datos fuera, el equipo pequeño que hace inferencia repetitiva sobre documentos propios y prefiere coste fijo a factura mensual, y quien trabaja con datos que no pueden salir del despacho. Para ese caso, la memoria local es la única respuesta.

El usuario doméstico que solo quiere un equipo para jugar y navegar no lo necesita: para eso hay opciones más baratas y la memoria unificada no aporta nada si el software no la aprovecha.

La pregunta que decide la compra no es cuántos núcleos tiene el chip: es qué modelo se va a ejecutar el primer día y si cabe. Con la respuesta delante, 128 GB es una cifra útil o un número de folleto, y la distancia entre ambas cosas se mide en miles de euros. Un equipo de 4.399 dólares con 64 GB deja poco margen para probar.

## Un paso más en el traslado del cómputo

La llegada de estos equipos cierra un año en el que el discurso pasó del entrenamiento a la inferencia. Si el modelo corre en el escritorio, la nube deja de ser el centro de la factura y pasa a ser el respaldo para lo difícil.

Falta ver si el software acompaña. Un chip con 128 GB es condición necesaria y no suficiente, y la historia de la computación local está llena de hardware capaz que nadie supo aprovechar. Esta vez el fabricante del sistema operativo y el del chip empujan en la misma dirección, y el 18 de noviembre de 2026 es la primera fecha en la que ambos productos se venden juntos. Lo nuevo es esa coincidencia, no el petaflop.
