NVIDIA GB10: 1 PFLOP e 128 GB di memoria per AI locale

Il GB10 è progettato per stazioni AI compatte come la NVIDIA DGX Spark e differisce notevolmente dalle comuni schede grafiche Blackwell. In un'unica unità sono integrati un processore Arm a 20 core, la grafica Blackwell e 128 GB di memoria LPDDR5X condivisa. NVIDIA dichiara prestazioni fino a 1 PFLOP FP4, e i test reali confermano questo livello. In pratica, per i compiti AI, la larghezza di banda della memoria diventa un importante vincolo.

In cosa si differenzia il GB10 dalla GeForce

Il GB10 è stato mostrato per la prima volta a gennaio 2025 all'interno del Project DIGITS. Successivamente, questo concetto ha gettato le basi per la DGX Spark, e la piattaforma è stata adottata anche da altri produttori. Sui modelli basati su GB10 si trovano il ASUS Ascent GX10, il Lenovo ThinkStation PGX, l'HP ZGX Nano G1n, il GIGABYTE AI TOP ATOM, l'Acer Veriton GN100 e altri sistemi AI compatti.

Il principale vantaggio del GB10 risiede nei 128 GB di memoria condivisa per CPU e GPU.

Grazie a questo volume, il GB10 può eseguire localmente modelli che non rientrano nei 16-32 GB di VRAM della maggior parte delle schede grafiche per consumatori. Secondo NVIDIA, i sistemi basati su GB10 sono in grado di lavorare con modelli fino a 200 miliardi di parametri con una quantizzazione e ottimizzazioni appropriate.

I test confermano l'affermazione di 1 PFLOP

Il valore di 1 PFLOP si riferisce ai calcoli FP4 con una sparsità di 2:4. Da questo numero non si può giudicare direttamente la velocità complessiva della parte grafica o la velocità di generazione dei token negli LLM.

Nel 2026 sono emersi risultati riproducibili da nvfp4bench, che testa i Tensor Cores del GB10 nei calcoli NVFP4. I sistemi in serie mostrano circa 486-504 TFLOPS in NVFP4 denso e circa 1 PFLOP con sparsità 2:4.

GB10 in dispositivi specifici

Tutti i risultati sono stati ottenuti con un unico tipo di test, quindi possono essere confrontati direttamente. La variazione tra i sistemi è minima, e le differenze nel case, nel raffreddamento e nelle impostazioni hanno un impatto limitato sul risultato finale.

Vincolo di larghezza di banda della memoria

I Tensor Cores offrono alte prestazioni in bassa precisione, mentre la larghezza di banda ufficiale di 128 GB LPDDR5X è fino a 273 GB/s. Nei test pratici, i sistemi mostrano solitamente circa 200-214 GB/s.

Per l'inferenza locale degli LLM, questo dato è particolarmente importante. Durante la generazione sequenziale dei token, i pesi del modello vengono costantemente letti dalla memoria, pertanto la velocità è spesso limitata dalla larghezza di banda della memoria.

Quindi, 1 PFLOP non può essere tradotto direttamente in velocità di funzionamento di una specifica rete neurale.

Con lungo prefill, elaborazione batch e richieste parallele, i Tensor Cores vengono caricati in modo più efficace. Il GB10 è in grado di allocare nella memoria condivisa modelli che non si adattano nella VRAM di una normale scheda grafica desktop.

Il volume di memoria è ampio, ma la sua larghezza di banda è notevolmente inferiore rispetto a quella della GDDR7 su potenti GPU discrete.

Quanti token al secondo produce il GB10

I test pratici con gli LLM mostrano meglio la natura del GB10 rispetto alla massima prestazione FP4. Su NVIDIA DGX Spark con Ollama 0.18.3 e CUDA 13.0, la velocità diminuisce notevolmente con l'aumento della densità del modello, ma i 128 GB di memoria consentono di eseguire modelli che non si adattano alla maggior parte delle schede grafiche per consumatori.

I risultati mostrano bene il vincolo dell’LPDDR5X. Llama 3.1 8B genera circa 43 token al secondo, mentre la Llama 3.1 70B vede la velocità ridursi a circa 4,8 token al secondo. Mistral Large 123B funziona ancora più lentamente, ma la possibilità stessa di allocare un modello di tale dimensione nella memoria di un'unica sistema compatto rappresenta uno dei vantaggi del GB10.

L'architettura del modello influisce notevolmente sul risultato. In test separati, la llama.cpp Qwen3 30B con architettura MoE ha mostrato circa 89 token al secondo, mentre la densa Qwen3 32B raggiungeva circa 11 token al secondo. Con la MoE, durante la generazione viene utilizzata solo una parte dei parametri, quindi questo modello dipende molto meno dalla larghezza di banda della memoria del GB10.

Quanto costano i computer con GB10

Fino ad agosto 2026, il GB10 è utilizzato in diversi sistemi in serie. Le prestazioni del chip variano leggermente, mentre i prezzi e la capacità di archiviazione dipendono notevolmente dal modello specifico.

I prezzi si riferiscono alle offerte sul mercato europeo e dipendono dalla configurazione specifica.

In termini di rapporto qualità-prezzo, l'ASUS Ascent GX10 appare più vantaggioso rispetto agli altri. È più economico di oltre €1.000 rispetto ad alcuni concorrenti, e i risultati NVFP4 differiscono solo di alcuni punti percentuali.

Il sovrapprezzo per i modelli più costosi è solitamente relativo agli SSD, al set di porte, alla garanzia e al supporto. Non fornisce un sostanziale incremento delle prestazioni del GB10.

Come sono correlati Project DIGITS, DGX Spark e GB10

Il GB10 ha diversi nomi correlati, emersi in vari stadi dello sviluppo della piattaforma. A gennaio 2025, NVIDIA ha presentato la piattaforma con il nome di Project DIGITS. Successivamente, il sistema di proprietà di NVIDIA è stato chiamato DGX Spark, e il GB10 è stato utilizzato anche da ASUS, Lenovo, HP, GIGABYTE e altri produttori.

ASUS GX10, Lenovo PGX e HP ZGX utilizzano la stessa piattaforma di calcolo GB10. Le differenze tra questi sistemi riguardano principalmente il case, l'archiviazione, il raffreddamento e le periferiche.

Il GB10 è più corretto considerarlo come un SoC specializzato per stazioni di lavoro AI. La parte grafica utilizza l'architettura Blackwell, mentre la piattaforma riunisce CPU, GPU e memoria condivisa in un'unica soluzione.

Conclusione

Con un prezzo a partire da circa €4.000, il GB10 è orientato a un pubblico ristretto di compiti. Se il modello desiderato si adatta alla VRAM di una comune RTX, una scheda grafica discreta fornirà più prestazioni di calcolo per lo stesso prezzo.

Il vantaggio del GB10 emerge in compiti in cui 24-32 GB di VRAM non sono più sufficienti. I suoi 128 GB di memoria condivisa permettono di eseguire localmente grandi modelli AI senza la necessità di più GPU discrete e di una complessa distribuzione dei pesi tra di esse.

I sistemi reali confermano il livello dichiarato di circa 1 PFLOP FP4 con sparsità di 2:4. I test pratici sugli LLM rivelano simultaneamente il vincolo della larghezza di banda dell’LPDDR5X: modelli densi di grandi dimensioni vengono caricati in memoria, ma generano token relativamente lentamente. Il punto di forza del GB10 risiede nella combinazione di 128 GB di memoria condivisa, CUDA e un fattore di forma compatto.