NVIDIA RTX Spark: Programmieren, Testen und Ausrollen auf einem einzigen PC

Eine Maschine statt zersplitterter Arbeitsabläufe

NVIDIA beschreibt einen Wandel in der Softwareentwicklung: Entwickler schreiben nicht mehr jede Zeile selbst, sondern steuern Agenten, die den Großteil des Codes erzeugen. Der daraus entstandene Workflow verteilt sich dem Unternehmen zufolge auf einen Laptop, eine Cloud-Modell-API und eine Cloud-VM. RTX Spark soll diese Bausteine zusammenführen.

Entwickler können unter Windows arbeiten, darunter mit einer neuen, gemeinsam mit Microsoft entwickelten Windows Developer Config. Laut NVIDIA installiert sie die wichtigsten Entwicklungs-Frameworks, schaltet Benachrichtigungen stumm, verbessert das Terminal und kann die Taskleiste an den Bildschirmrand verschieben. Zudem lässt sich das Windows Subsystem for Linux nutzen, um dieselbe Umgebung und dieselben Abhängigkeiten wie beim Deployment in der Cloud zu haben, sodass keine Code-Migration nötig ist.

Da die Maschine über eine NVIDIA-GPU verfügt, können Entwickler laut NVIDIA für 150 Millionen RTX-PCs testen und ausrollen sowie für praktisch alle Clouds, die auf NVIDIA-GPUs laufen. Speicher und Rechenleistung erlauben es außerdem, Coding-Modelle wie Qwen 3.8 Flash Next lokal auszuführen, was nach Angaben von NVIDIA den Token-Verbrauch von Cloud-Coding-Agenten senkt.

Leistungsangaben und der Windows-on-Arm-Stack

NVIDIA argumentiert, die Entwicklung habe sich von einer CPU- zu einer GPU-lastigen Arbeitslast verschoben, da Entwickler inzwischen Inferenz für Coding-Agenten ausführen, Modelle feintunen und nebenbei weiterhin Code kompilieren. Im Vergleich zu Intels Panther Lake 12Xe liefert RTX Spark nach Angaben des Unternehmens die 4,6-fache Leistung bei Coding-Agenten, die 2,7-fache beim Fine-Tuning und die 1,8-fache bei der Code-Kompilierung.

In der Fußnote von NVIDIA heißt es, die Werte seien auf einen Intel Core Ultra X9 388H mit 1,0 normiert. Getestet wurden AA-AgentPerf-local mit Qwen3.8-27B, Unsloth LoRA mit Llama-3.1-8B sowie die Kompilierung des Linux-Kernels mit der Phoronix Test Suite.

Gemeinsam mit Microsoft hat NVIDIA zudem die Entwicklungsumgebung für Windows on Arm erweitert. Zu den neuen Veröffentlichungen gehören:

• der erste PyTorch-CUDA-Build
• die erste standardmäßig native Python-Version, Python 3.15
• über 2.000 sofort einsetzbare Conda-Pakete
• Arm-kompatible Versionen für mehr als 97 Prozent der 15.000 beliebtesten Python-Pakete

Entwickler erhalten dem Unternehmen zufolge außerdem Zugriff auf CUDA-X-Bibliotheken, darunter FlashInfer und NeMo-Tools, sowie auf ein Repository mit NVIDIA Skills, die Agenten beibringen, CUDA-X-Bibliotheken ohne tiefes CUDA-Wissen zu nutzen.

Lokale Coding-Agenten und neues Nemotron-Modell

NVIDIA nennt die Zusammenarbeit mit Agenten wie GitHub Copilot, Pi, Hermes und OpenClaw. Zu den Verbesserungen zählen optimierte Rezepte für den Betrieb lokaler Modelle, Sandboxing auf Betriebssystemebene über NVIDIA OpenShell und/oder Microsoft Execution Containers sowie hybride Prompt-Router, die Prompts an lokale Modelle schicken, wenn diese ausreichen, und bei Bedarf an die Cloud weiterreichen.

GitHub Copilot unterstützt jetzt lokale KI über Windows ML, das llama.cpp als Backend nutzt. Der Prompt-Router HydraFusion wurde um lokale Modelle erweitert, und das neue Modell MAI 1.1 Coding Flash lässt sich lokal auf RTX Spark ausführen. Pi, ein quelloffener Coding-Agent mit schlanker Terminal-Oberfläche, ist für die Plattform optimiert. JetBrains hat native Unterstützung für Junie Local eingeführt, das Code liest, Dateien bearbeitet und Tests ausführt, während Modell und Code auf dem Rechner bleiben. Die Größe des Kontextfensters richtet sich nach dem verfügbaren GPU-Speicher.

NVIDIA stellte außerdem Nemotron 3.5 Bolt 74B-A9B 24GB vor, ein Mixture-of-Experts-Modell mit 74 Milliarden Parametern, von denen 9 Milliarden aktiv sind, das per 2-Bit-Quantisierung in 24 GB passt. Laut NVIDIA ist es schneller als die meisten gängigen Dense-Modelle und leistungsfähiger als die meisten gängigen MoE-Modelle mit ähnlichem Speicherbedarf. Zum Start läuft es über llama.cpp, vLLM, Ollama, Unsloth und LM Studio und ist vollständig quelloffen, einschließlich Trainingsdaten, Gewichten und Rezepten.

Entscheidungsmodelle, Media-SDKs und die Portierung von Apps

Decision Models werden jetzt in llama.cpp und Unsloth auf RTX Spark und GeForce-RTX-GPUs unterstützt. NVIDIA zufolge lassen sie Agenten bis zu 200-mal schneller entscheiden, was als Nächstes zu tun ist, etwa Anfragen klassifizieren oder eine Aktion auswählen, als herkömmliche Agenten, die auf lange Reasoning-Schleifen angewiesen sind.

Auch die NVIDIA AI for Media SDKs sind verfügbar, mit einem Python-Wheel auf PyPI, das Video Super Resolution, Frame Generation und TrueHDR unterstützt. C++-SDKs gibt es auf NGC für RTX Spark und Windows on Arm.

Für bestehende Windows-Anwendungen rät NVIDIA, zunächst die Abhängigkeiten unter Windows on Arm zu prüfen und dann entweder einen nativen Arm64-Build zu wählen oder mit Arm64EC Komponenten schrittweise zu migrieren. Entwickler sollten Installation, Funktionsumfang, Leistung sowie die von ihrer App genutzten NVIDIA- und CUDA-Pfade testen.

Was das für Entwickler bedeutet

Für Entwickler lautet das Versprechen: ein einziger PC, der Coding-Agent, Modell, Testumgebung und Deployment-Ziel beherbergt und weniger auf Cloud-Token angewiesen ist. Die Leistungswerte stammen aus einem eigenen Vergleich von NVIDIA und beziehen sich auf die oben genannten Tests. Für Kaufoptionen verweist NVIDIA auf die Seite zu den RTX-Spark-Systemen, für die Einrichtung von Windows und einem Agenten auf ein AI-Development-Playbook.