Nvidia RTX Spark Laptop Almadan Önce Sizin İçin Kimse Söylemeyecek 5 Şey.

Nvidia, DGX Spark‘ından aldığı çipi bir Windows dizüstü bilgisayara yerleştirmiş ve buna RTX Spark demiş. Kağıt üzerinde, yıllardır beklediğim yerel AI dizüstü bilgisayarı bu: 128GB’a kadar birleşik bellek, CUDA ve zaten farklı bir isimle mevcut olan bir chip. Geçen haftayı 64GB’lık bir Lenovo Yoga 9n 2’si-1-arada cihaz üzerinde modeller çalıştırarak, oyunlar ve diğer görevlerle geçirdim.

Ekle

XDA

Google üzerinde

Tercihli Kaynak Olarak Ekle

Google Discover’dan Takip Et

Seriş kapasiteli bir makine bu. Ancak birkaç şey, modelleri yüklemeye ve bellek ayarlarıyla oynamaya başlayana kadar ortaya çıkmadı ve bunların hiçbirisi teknik bir özellik tablosundan belli değil. Tabii ki, yerel bir LLM’i çalıştırmak için pahalı bir GPU’ya ihtiyacın yok, ancak bunlardan birine 3.000 dolar veya daha fazlasını harcıyorsan, çoğu ödeme anında belirleniyor.

Bellek seçimin, çalıştırabileceğin modelleri belirler

Sonsuza kadar, çünkü RAM lehimli

RTX Spark’ın belleği anakarta lehimli, bu yüzden ödeme anında ne seçersen oyla yaşamaya devam edersin. Çip ayrıca iki seviyede geliyor; daha ucuzu, 18 çekirdekli CPU ve 5.120 GPU çekirdeğiyle 64GB’a kadar çıkarken, tam 20 çekirdekli sürüm 128GB’a kadar çıkabiliyor.

Dizüstü bilgisayarinin de çip kadar önemi var. Benim Yoga 9n 2’si-1-aradam 20 çekirdekli tam çip, 64GB bellek ve yaklaşık 3.750 dolar karşılığında 1TB depolama sunuyor. Aynı çip, bellek ve depolamaya sahip Microsoft Surface Laptop Ultra 4.300 dolar tutuyor, ancak 128GB için 5.900 dolar teklif ediyor. Tabii ki Yoga daha ucuz ve ekranına dokunmatik kalem ile dokunmatik panele sahip (Surface bunları sunmuyor), ancak 64GB’ın üzerine asla çıkamayacak.

Bu tavan modeller için gerçektir. Benim birimimde Windows’un bildirdiği en büyük GPU belleği toplamı 48GB bölünmesinde 55.4GB olmuştu (48GB ayrılmış artı 7.4GB paylaşımlı) ve bu 32B’lik bir model için yeterli olsa da, gpt-oss-120b’nin yalnızca ağırlıkları için ihtiyaç duyduğu yaklaşık 65GB’ın çok uzağındadır. Bugün çalıştırdığın modeller için değil, iki yıl sonra çalıştırmayı umduğun modeller için al.

Nvidia uygulamasındaki bellek bölünmesi göründüğü kadar sınır değil

Belki oyun kullanımında, ancak yerel LLM’ler farklı çalışır

Nvidia uygulaması, RTX Spark’ın birleşik belleğini GPU ve CPU arasında bölmene olanak tanır ve belli başlı varsayım, GPU numarasının senin VRAM’ın olduğudır. Tam da öyle değil. Bölünme GPU için 16GB olunca, Ollama Qwen3 32B’yi 28GB yükledi ve %100 GPU raporladı, Görev Yöneticisi ise 15.8GB ayrılmış GPU belleği artı 12.9GB paylaşımlı bellek gösterdi.

Bu, Nvidia’nın aktarım kılavuzuyla örtüşüyor; bu kılavuz, GPU’nun kullanabildiği ayrılmış bir dilim artı paylaşımlı sistem belleğini tanımlıyor. Bu yüzden bölünmeyi 48GB’a taşıdım, yeniden başlattım ve aynı soruyu tekrar çalıştırdım.

Sırrı şu ki, daha büyük bir GPU dilimi Windows’a daha az şey bırakır. 48GB’da Windows’un çalışması için 14.8GB’ı vardı ve model yüklü olduğu halde zaten %86 doluydu, bu da ılık bir çalıştırma için ancak yaklaşık %3 daha fazla hız demek. Bölünme yalnızca uçlarda ne sığdığıni değiştirir; çünkü Windows 16GB bölünmesinde 46.7GB’lık, 48GB bölünmesinde ise 55.4GB’lık bir GPU belleği toplamı bildirdi. GPU’yu 16GB’da tutuyorum ve eğer bir model ancak daha büyük payla sığıyorsa, Windows tarafına meylleneceğim.

Smart App Control yerel AI araçlarının çoğunu engelliyor

Varsayılan olarak yalnızca imzalı uygulamalar

Yeni bir Windows 11 kurulumu, Smart App Control’ün açık gelme ihtimali taşıyor ve uygulamaların çalışması için yalnızca imzalı olmalarını ya da Microsoft’un bulut hizmetinin onları güvenli bulmasını şart koşuyor. Bu da yerel AI için rahatsız edici bir durum; çünkü araçların çoğu GitHub zip dosyaları olarak dağıtılıyor. RTX Spark’ı Strix Halo’ya karşı test ederken, hem dizüstü bilgisayarlarda güncel Lemonade sürümlerini hem de imzalı llama.cpp yayınlarını engelledi ve yalnızca Ollama her iki cihazda da çalışan tek araç oldu.

En tuafı, eski bir Lemonade sürümünün sorunsuz çalışırken güncelinin çalışmamasıydı. Bende, zaten çalışan bir aracın güncellenmesi engellenen şeydi. Smart App Control, Yoga’mda Windows Güvenliği altında açık ve değerlendirme moduna geri dönmek seçeneği gri (kullanılamaz) durumda, yani zorunlu başladıktan sonra kolay bir orta yol yok.

Kendi ayarınızı Windows Güvenliği -> Uygulama ve tarayıcı denetimi -> Smart App Control yolundan kontrol edebilir ve Smart App Control’ü buradan kapatabilirsiniz. Microsoft, son güncellemelerin temiz kurulum olmadan tekrar açmaya olanak tanıdığını söylüyor, yani artık geri dönüşü tek yönlü bir karar değil. Benini açık bırakıyorum, ama araç zincirinizi (toolchain) kurmadan önce karar verin.

Windows on Arm’da CUDA hâlâ 1. sürümde

CUDA çalışıyor, ama yığınınız çalışmayabilir

Nvidia, CUDA’yı bu yıl Windows on Arm’a CUDA 13.4 ile getirdi ve bu, geliştirici önizlemesi olarak yalnızca RTX Spark cihazlarıyla sınırlı geldi. Yoga’mın sürücüsü artık CUDA 13.5 raporluyor ve temeller sağlam; çünkü Ollama, 28GB’lık bir modeli GPU üzerinde herhangi bir zorluk olmadan çalıştırdı.

Sorun yığının daha altında başlıyor. Önizleme sırasında Nvidia, bazı PyTorch geliştirme iş akışlarının GPU zaman aşırımlarını tetikleyebileceğini uyardı ve vLLM’nin Windows için yerel desteği hiç yok (LeCompute üzerinden). Nvidia’nın karşı çıkışı ise üst 15.000 Python paketinin %97’sinin desteklendiği; proje diğer %3’e bağlıysa bu çok güzel gelmeye başlar.

Bu yüzden satın almadan önce yığınınızdaki her parçayı, özel ComfyUI düğümlerinden derlemeli eklentilere ve eğitim araçlarına kadar listeleyin ve her birinin Arm64 derlemesi olup olmadığını kontrol edin. Görev Yöneticisi’nin Ayrıntılar sekmesinde Mimari sütununu eklemek, uygulamalarınızın hangilerinin yerinde çalıştığını, hangilerinin öykünme altında çalıştığını gösterir. Bir şey Windows üzerinde çalışmayı reddederse, WSL2 Microsoft’un cevabıdır; bu da beni Linux’a götürüyor.

Linux çalışıyor, ama onu çalıştıran Nvidia değil

Aynı çip, farklı destek

İşte üzen kısım. RTX Spark’ın ardındaki GB10 çip, Nvidia’nın DGX Spark’ında Ubuntu tabanlı DGX OS çalıştırıyor; ancak RTX Spark dizüstü bilgisayarlar yalnızca Windows ile teslim ediliyor ve Nvidia yazma anında için bunlar için Linux desteğini açıklamadı. Computingforgeeks kontrol ettiğinde, Nvidia’nın halka açık Linux sürücüsü yayınlaması (615.71.09) GB10’u listeledi, ancak dizüstü bilgisayar çipinin cihaz kimliklerini listelemedi (computingforgeeks üzerinden).

Bu, insanların durmasını durdurmadı. Josephine Pfeiffer, 128GB’lık Asus ProArt P16 üzerinde Arch Linux ARM çalıştırdı ve bunun için Nvidia’ın Ubuntu çekirdek çalışmalarına, dizüstü bilgisayarın kendi tablolarından derlenen ACPI geçersiz kilmalarına, yamalı bir klavye sürücüsüne ve özel bir ses sürücüsüne ihtiyacı vardı. CUDA yaklaşık 116GiB gördü ve vLLM, Qwen modelini saniyede yaklaşık 31 token ile çalıştırdı. Etkileyici, ama bu tek bir kişinin tek bir dizüstü bilgisayarda yaptığı için, bunu bir kavram kanıtı olarak değerlendirin.

WSL2 gerçekçi yol ve Yoga’mda iyi çalıştı. Ubuntu 24.04 Arm üzerinde yerinde çalışıyor, GPU WSL2 içinde beliriyor ve WSL2, Nvidia uygulamasında ayarladığım GPU belleğinin tam olarak 16GB ve 48GB’da gördü. Püf noktası RAM çünkü WSL2 varsayılan olarak Windows’un yarısını alıyor, bu yüzden limiti kullanıcı klasörünüzdeki .wslconfig dosyasında artırın. Bu örnek, Windows’un yaklaşık 47GB’a sahip olduğu 16GB’lık bir GPU ayrımı varsayar:

RTX Spark platformu, ne yaptığınızı biliyorsanız harika

Bunların hiçbiri işi bitiren bir konu değil. RTX Spark, yerel AI için kullandığım en yetkin Windows dizüstü bilgisayar olmaya devam ediyor ve bu kadar belleğe sahip bir dizüstü bilgisayarda CUDA bulundurmak büyük önem taşıyor. Ancak bu koşulların çoğu ödeme anında ya da ilk günde netleşiyor, bu yüzden kutu elinize ulaşmadan önce üzerine düşünmek değerli.

Belleğinizi, iki yıl sonra çalıştırmak isteyeceğiniz modeller için seçin; GPU’ya yalnızca bir model başka şekilde sığmıyorsa daha büyük bir pay verin ve Python yığınınızın Arm64 derlemelerini desteklediğini kontrol edin. Bir şey kurmadan önce Smart App Control için ne yapmaya karar vereceğinize karar verin, araçlarınızı güncelledikten sonra bunu tekrar gözden geçirin ve Linux’u bir plan yerine güzel bir sürpriz olarak karşılayın. Bu cihazlardan birinde çalıştırmayı isterdiniz? Yorumlarda bildirin.