DGX Spark vs Ryzen AI Max+ 395: 4.699$ mod 2.199$ [2026]

To vidt forskellige filosofier for lokal AI-hardware ramte markedet inden for samme år. NVIDIA satte kursen i oktober 2025 med DGX Spark, en Linux-drevet mini-computer bygget på Grace Blackwell-arkitekturen og prissat som en luksusbil-tilbehørspakke. AMD svarede med Ryzen AI Max+ 395, kendt under kodenavnet Strix Halo, der pakker op til 128 GB samlet hukommelse ind i maskiner der koster under det halve. Begge lover det samme: kør store sprogmodeller lokalt, uden at sende en eneste token til en cloud-server.

For danske og nordiske virksomheder er det ikke kun et spørgsmål om pris. GDPR-følsomme data, forskningsprojekter på DTU og Aalborg Universitet, og en voksende skepsis over for amerikanske cloud-udbydere gør lokal AI-hardware til mere end en hobbyprojekt for entusiaster. Denne sammenligning graver ned i specifikationer, reelle benchmarktal fra tre uafhængige kilder, pris i 2026 og hvilken løsning der giver mest værdi afhængigt af, hvad du faktisk skal bruge den til.

Begge maskiner hører til en ny kategori, som brancheanalytikere har døbt “personlige AI-supercomputere”, en betegnelse der dækker over kompakte enheder bygget specifikt til at køre store sprogmodeller uden for et datacenter. Kategorien fandtes reelt ikke for to år siden. I dag konkurrerer den direkte med cloud-abonnementer fra OpenAI, Anthropic og Google, fordi den løser et problem, som API-adgang ikke kan: fuld kontrol over, hvor dataene fysisk befinder sig. Det gør sammenligningen relevant for alt fra enkeltmandsvirksomheder til offentlige institutioner, der skal overholde strenge krav til databehandling.

Hvad er DGX Spark? NVIDIAs bud på en personlig AI-supercomputer

DGX Spark er NVIDIAs forsøg på at presse datacenter-arkitektur ned i en boks, der kan stå på et skrivebord. Under kølepladen sidder GB10 Grace Blackwell-chippen: 20 Arm-kerner (10 Cortex-X925 til enkelttrådsydelse og 10 Cortex-A725 til effektivitet) parret med en Blackwell-GPU med 6.144 CUDA-kerner. Maskinen leveres med 128 GB LPDDR5X unified memory og en hukommelsesbåndbredde på 273 GB/s, ifølge specifikationerne gennemgået af Tom’s Hardware.

Maskinen kører DGX OS, et Ubuntu 24.04-baseret Linux-styresystem optimeret til NVIDIAs egen software-stak, inklusive CUDA, NeMo og NIM-mikroservices. Det gør DGX Spark til et udviklerværktøj frem for en almindelig computer. StorageReview beskriver den som en “AI-appliance”, der bringer datacenterkapabiliteter til skrivebordet, med fokus på finjustering og inferens fremfor generel brug. NVIDIA sælger selv Founders Edition-modellen direkte via sin egen platform, og produktsiden bekræfter GB10-specifikationerne og softwarepakken, som virksomheden lister på sin officielle DGX Spark-side.

Formfaktoren er kompakt: en boks på størrelse med en kraftig mini-PC, køling via en ekstern 240W-strømforsyning, og et GPU-forbrug omkring 140W under fuld belastning. Det gør den støjsvag nok til at stå på et kontorbord, men den er stadig bygget til at køre kontinuerligt, ikke som en gaming-rig, der tændes lejlighedsvis.

NVIDIA sælger DGX Spark direkte som Founders Edition, men har også åbnet for, at partnere som ASUS og Dell kan bygge deres egne versioner af GB10-platformen under andre navne. Det skaber en vis forvirring i markedet, fordi specifikationerne på papiret er ens, men garantivilkår, medfølgende software og support varierer fra forhandler til forhandler. Køber man Founders Edition direkte fra NVIDIA, får man den mest gennemtestede kombination af hardware og DGX OS, hvilket er den konfiguration, størstedelen af de uafhængige anmeldelser er baseret på.

Hvad er Ryzen AI Max+ 395? AMDs Strix Halo-strategi

Ryzen AI Max+ 395, internt kaldet Strix Halo, tager en anden vej. I stedet for en dedikeret AI-appliance er det en APU (Accelerated Processing Unit), der kombinerer 16 Zen 5-kerner (32 tråde) med en integreret Radeon 8060S-grafikkerne bygget på RDNA 3.5-arkitekturen med 40 compute units. Chippen understøtter op til 128 GB LPDDR5X unified memory og kører almindeligt Windows 11 eller Linux, hvilket betyder, at den fungerer som en helt normal computer, når den ikke fodrer en sprogmodel.

Det er den fleksibilitet, der har gjort platformen populær blandt OEM-partnere. GMKtec, Framework, ASUS, Bosgame og flere andre bygger mini-PC’er og bærbare med chippen, og priserne varierer markant afhængigt af hukommelseskonfiguration. Standard TDP ligger på 55W med en konfigurerbar range fra 45W til 140W, hvilket giver producenterne frihed til at bygge alt fra stillestående mini-PC’er til kraftigere skrivebordsmaskiner.

AMD har positioneret chippen specifikt mod Mixture-of-Experts-modeller (MoE), en arkitektur hvor kun en delmængde af modellens parametre aktiveres per token. Det spiller godt sammen med Strix Halos hukommelsesbåndbredde, som i praksis måler omkring 215 GB/s, lavere end de teoretiske 256 GB/s chippen er designet til at nå.

En vigtig detalje for kommende købere er, at Strix Halo ikke er én fast konfiguration, men en skala af chips under samme familienavn. Ryzen AI Max+ 395 er topmodellen med fuld 40 GPU compute unit-konfiguration, mens billigere Ryzen AI Max 390 og 385-varianter skærer ned på både CPU- og GPU-kerner for at ramme lavere prispunkter. Når man handler efter en “Ryzen AI Max”-maskine, er det derfor afgørende at tjekke det præcise chipnavn i specifikationerne, ikke kun serienavnet, da ydelsesforskellen mellem topmodellen og de billigste varianter kan være markant.

Specifikationer side om side

Specifikation	NVIDIA DGX Spark (GB10)	AMD Ryzen AI Max+ 395 (Strix Halo)
CPU-kerner	20 Arm-kerner (10x Cortex-X925 + 10x Cortex-A725)	16 Zen 5-kerner / 32 tråde
GPU	6.144 CUDA-kerner (Blackwell)	Radeon 8060S, 40 RDNA 3.5 compute units
Unified memory	128 GB LPDDR5X (fast konfiguration)	Op til 128 GB LPDDR5X (varierer efter OEM)
Hukommelsesbåndbredde	273 GB/s	Op til 256 GB/s teoretisk, ca. 215 GB/s reelt
Topydelse (AI)	Op til 1 petaFLOP FP4 med sparsity	Ikke en direkte sammenlignelig FP4-topangivelse fra AMD
Strømforbrug	240W ekstern strømforsyning, GPU ca. 140W	55W standard TDP, konfigurerbar 45-140W
Styresystem	DGX OS (Ubuntu 24.04-baseret)	Windows 11 eller Linux
Software-økosystem	CUDA, NeMo, NIM-mikroservices	ROCm, DirectML, llama.cpp, LM Studio
Anbefalet modelklasse	Op til ca. 120B parametre	70-120B med MoE-arkitektur bedst egnet
Formfaktor	Fast mini-PC/udviklerarbejdsstation	Mini-PC, bærbar og desktop fra flere OEM’er
Lanceringsdato	Oktober 2025	Tidligt 2025 (platformlancering)
Typisk pris	$4.699 (officiel listepris)	$2.199-$2.299 (128 GB-konfiguration)

Den mest slående forskel er ikke rå ydelse, men filosofi. DGX Spark er en lukket, formstøbt løsning med ét sæt specifikationer og ét operativsystem. Ryzen AI Max+ 395 er en platform, hvor OEM-partnere frit kan justere hukommelse, køling og pris, hvilket giver et bredere udvalg, men også mindre konsistens fra maskine til maskine.

Pris og tilgængelighed i 2026

Prisbilledet har ændret sig markant siden lanceringen. DGX Spark startede ved $3.999 i oktober 2025, men steg til en officiel listepris på $4.699 i løbet af 2026. NVIDIA har peget på hukommelsesknaphed i DRAM-markedet som forklaring på stigningen. Gadepriser og OEM-partnerbokse ligger endnu højere, mellem $4.800 og $8.200 afhængigt af konfiguration og forhandler.

Konfiguration	Pris (USD)	Kilde/status
DGX Spark, original lancering (okt. 2025)	$3.999	NVIDIA officiel lanceringspris
DGX Spark, nuværende listepris (2026)	$4.699	Officiel opdateret pris, dækket af flere reviewsider
DGX Spark, gadepris/OEM-bokse (sep. 2026)	$4.800 – $8.200	Observerede forhandlerpriser
Ryzen AI Max+ 395, 128 GB/2 TB (GMKtec)	$2.199	Logget af Tom’s Hardware
Ryzen AI Max+ 395, retail-udsalg	ca. $2.299	Almindelig detailpris
Ryzen AI Halo mini-PC (Micro Center-eksklusiv)	$3.999	Micro Center

Med andre ord: en typisk Ryzen AI Max+ 395-maskine koster mindre end halvdelen af en DGX Spark, og selv de dyrere Micro Center-udgaver rammer stadig under den billigste DGX Spark. For et budget-bevidst dansk udviklerteam er det forskellen mellem at udstyre én udvikler eller hele teamet med lokal AI-hardware.

Totalomkostninger: hvornår betaler lokal AI-hardware sig hjem?

Prisen på selve boksen er kun halvdelen af regnestykket. Det relevante spørgsmål for de fleste virksomheder er, hvor lang tid det tager, før lokal hardware er billigere end at betale for API-adgang til en tilsvarende model måned efter måned. Et team, der bruger et stort sprogmodel intensivt til kodeassistance eller dokumentanalyse, kan let ramme flere hundrede dollar om måneden i API-forbrug, afhængigt af tokenvolumen og modelvalg. Ved den forbrugsrate betaler en Ryzen AI Max+ 395-maskine på $2.199 sig selv hjem inden for et år for et team, der ellers ville bruge $200-300 om måneden på cloud-inferens.

For DGX Spark er regnestykket anderledes, fordi investeringen er markant højere. Ved en pris på $4.699 kræver det et betydeligt højere og mere konsekvent forbrug, før hardwaren er den billigere løsning. Til gengæld er der ingen skalerende omkostning, når forbruget stiger. Et team, der fordobler sin brug af lokale modeller, betaler ikke mere for DGX Spark, mens den samme vækst i cloud-forbrug direkte slår igennem på fakturaen. Det gør lokal hardware særligt attraktiv for teams med forudsigeligt, højt og konstant forbrug, fremfor sporadisk eksperimentering.

Der er dog skjulte omkostninger, som ofte overses i den slags beregninger. Strøm, vedligeholdelse, og den tid en udvikler bruger på at holde en lokal serveringsstak opdateret, tæller ikke på en cloud-faktura, men er reelle udgifter ved lokal hardware. Et konservativt estimat er, at driftsomkostninger (strøm og løbende vedligehold) lægger 10-15 procent oveni anskaffelsesprisen over en treårig periode, hvilket bør indregnes, når man sammenligner den samlede pris med et cloud-abonnement uden faste startomkostninger.

Der er også en kvalitativ faktor, som ikke fanges af rene tal: forudsigelighed i budgettet. En cloud-faktura kan svinge markant fra måned til måned, afhængigt af hvor meget teamet bruger modellen, og en enkelt viral feature eller et uventet spidsbelastet projekt kan sende regningen langt over det forventede. Lokal hardware har et fast anskaffelsestidspunkt og en kendt driftsomkostning, hvilket gør det lettere for en finansafdeling at planlægge langsigtet, selv hvis den samlede pris over tre år ender tæt på hinanden mellem de to modeller.

Sikkerhed, GDPR og NIS2: hvorfor lokal hardware vinder frem i Norden

Danske og nordiske virksomheder opererer under et strengere regelsæt end de fleste amerikanske konkurrenter er vant til. GDPR stiller krav om, at persondata behandles lovligt og forsvarligt, og NIS2-direktivet udvider kravene til risikostyring for en bred kreds af virksomheder inden for kritisk infrastruktur og digitale tjenester. Når en virksomhed sender kundedata, journaltekst eller finansielle oplysninger til en amerikansk cloud-API for at få dem behandlet af en sprogmodel, opstår der juridiske spørgsmål om, hvor dataene reelt befinder sig, og hvem der har adgang til dem undervejs.

Lokal AI-hardware løser det problem ved design. Hverken DGX Spark eller Ryzen AI Max+ 395 behøver internetforbindelse for at køre en model, når modellen først er downloadet og sat op. Det betyder, at en virksomhed kan holde al databehandling inden for egne fire vægge eller eget datacenter, uden at et eneste bit data forlader netværket. For brancher som sundhed, forsikring og offentlig forvaltning, hvor dokumentation for databehandling ofte er lige så vigtig som selve sikkerheden, er den mulighed for fuld isolation en reel konkurrencefordel frem for cloud-baserede alternativer.

Det betyder ikke, at lokal hardware er risikofri. En maskine, der står fysisk i et kontor, skal stadig beskyttes mod tyveri, uautoriseret adgang og forkert konfigureret netværksadgang. Men risikobilledet flytter sig fra “er mine data på en server i et andet land, styret af tredjepart” til “har jeg fysisk og netværksmæssig kontrol over min egen maskine”, et spørgsmål de fleste it-afdelinger er langt mere trænede i at håndtere.

Begge platforme kan desuden bruges som et mellemtrin i en bredere digital suverænitetsstrategi, hvor en virksomhed gradvist flytter kritiske AI-arbejdsbelastninger væk fra amerikanske hyperscalere. Det er en bevægelse, flere nordiske organisationer allerede har sat i gang som reaktion på usikkerhed om, hvordan udenlandsk lovgivning kan påvirke adgangen til data lagret hos udenlandske cloud-udbydere. Lokal AI-hardware er ikke en fuld erstatning for den diskussion, men det er et konkret første skridt, der ikke kræver et helt nyt datacenter for at komme i gang.

Ydelse i praksis: tokens per sekund

Rå specifikationer siger ikke alt. Tre uafhængige benchmarkkilder giver et mere ærligt billede af, hvordan hver platform opfører sig med rigtige sprogmodeller. Bemærk at DGX Spark- og Strix Halo-tallene stammer fra forskellige testopsætninger og modeller, så de kan ikke sammenlignes direkte tal-for-tal, men de viser et klart mønster i hver platforms styrker.

Test	Hardware	Resultat	Kilde
Qwen3.5-397B, afkodning (4K kontekst)	2x DGX Spark i klynge	27,1 tokens/sek	Uafhængig 96-timers benchmarkserie
Qwen3.5-397B, prefill (4K kontekst)	2x DGX Spark i klynge	730 tokens/sek	Samme benchmarkserie
120B-model, afkodning	2x DGX Spark i klynge	38,55 tokens/sek	Samme benchmarkserie
Qwen 3.8-27B, afkodning med vLLM	1x DGX Spark	100-110 tokens/sek	Tom’s Hardware
Phi-3.5	Ryzen AI Max+ 395	Op til 61 tokens/sek	AMDs egne tal
30B MoE-model	Ryzen AI Max+ 395	ca. 100 tokens/sek	Community-benchmarks, Level1Techs-forum
120B-klasse MoE-model	Ryzen AI Max+ 395	ca. 34 tokens/sek	Samme community-benchmarks
Dense 70B-model	Ryzen AI Max+ 395	Under 6 tokens/sek	Samme community-benchmarks

Mønstret er tydeligt. DGX Spark holder en mere stabil afkodningshastighed på tværs af meget store modeller, og dens prefill-ydelse (tiden til det første token dukker op) er markant højere end konkurrenterne i samme testserie. Ryzen AI Max+ 395 kan matche eller overgå det på MoE-modeller, hvor kun en brøkdel af parametrene er aktive per token, men falder hurtigt til enkeltcifrede tal, når man kører tætte (dense) modeller som Llama 70B. Det er den samme observation, som Tom’s Hardware gør i sin gennemgang: DGX Spark har hurtigere tid til første token end Strix Halo, men afkodningshastigheden kan stadig sakke bagud i visse arbejdsbelastninger.

For en dansk udvikler betyder det konkret, at valget af model bør komme før valget af hardware, ikke omvendt. En chatbot bygget på en MoE-model som en Mixtral-variant vil føles hurtig og responsiv på en Ryzen AI Max+ 395-maskine. Den samme chatbot bygget på en tæt 70B-model vil føles langsom og hakkende på samme hardware, mens den kører markant mere jævnt på DGX Spark. At teste den faktiske model, man planlægger at bruge i produktion, før man køber hardware, er derfor vigtigere end at læse specifikationsark isoleret.

Hukommelse og båndbredde: den afgørende flaskehals

Begge maskiner deler samme grundlæggende begrænsning: hukommelsesbåndbredde, ikke regnekraft, styrer hvor hurtigt en sprogmodel kan generere tekst under afkodning. En dense 70B-model skal læse omkring 40 GB vægte per genereret token. Ved 215 GB/s reel båndbredde på Strix Halo giver det et teoretisk loft tæt på 5-6 tokens per sekund, hvilket matcher de observerede benchmarktal præcist.

DGX Sparks 273 GB/s giver den et forspring, men stadig langt fra de 819 GB/s en Mac Studio M3 Ultra med 512 GB hukommelse leverer. I en direkte sammenligning mellem to sammenkoblede DGX Spark-enheder og en enkelt Mac Studio M3 Ultra viste 120B-modelafkodning 38,55 tokens/sek på DGX Spark-klyngen mod 70,79 tokens/sek på Mac Studio. Det illustrerer, at hverken NVIDIA eller AMDs løsninger er de hurtigste mulige lokale AI-maskiner i 2026, de er derimod de mest tilgængelige inden for deres respektive prisklasser og softwareøkosystemer.

For embedding-opgaver, som bruges til søgning og RAG-pipelines (retrieval-augmented generation), viste samme testserie 76,6 sætninger/sek på DGX Spark mod 112 sætninger/sek på Mac Studio med samme Qwen3-Embedding-8B-model. Hukommelsesbåndbredde er med andre ord den variabel, der bør veje tungest, når man vælger lokal AI-hardware, ikke antallet af CUDA-kerner eller marketingtal for TOPS.

Software-økosystem: CUDA mod Windows/Linux og ROCm

Her adskiller platformene sig mest for den daglige bruger. DGX Spark er bygget om CUDA, NVIDIAs modne og bredt understøttede AI-software-stak. Stort set enhver open source-model, ethvert inferens-framework og enhver finjusteringspipeline understøtter CUDA som førsteprioritet. Det betyder færre kompatibilitetsproblemer, men også en binding til NVIDIAs økosystem og priser.

Ryzen AI Max+ 395 kører derimod almindeligt Windows 11 eller Linux, hvilket giver adgang til værktøjer som LM Studio, llama.cpp og Ollama uden ekstra opsætning. AMDs ROCm-platform har historisk haltet efter CUDA i modenhed, men llama.cpp-baserede værktøjer omgår ofte den begrænsning ved at bruge Vulkan- eller direkte CPU/GPU-hybrid-inferens. For udviklere, der allerede lever i et Windows-miljø, er overgangen til lokal AI markant mindre friktionsfyldt på en Strix Halo-maskine end på en DGX Spark, som kræver Linux-kendskab.

Den praktiske konsekvens: teams med eksisterende CUDA-pipelines fra cloud-udvikling (fx trænet på AWS eller Azure GPU-instanser) kan flytte kode til DGX Spark med minimale ændringer. Teams, der primært har brugt API-baserede modeller som OpenAI eller Anthropic, og nu vil eksperimentere med åbne modeller, finder ofte en lavere adgangsbarriere på Ryzen AI Max+ 395 takket være det brede udvalg af brugervenlige lokale AI-apps.

Der er også en forskel i, hvor hurtigt et nyt modelslip bliver understøttet. Fordi de fleste modeludgivere, herunder Meta, Alibaba og Mistral, tester og optimerer deres udgivelser mod CUDA før noget andet, er DGX Spark typisk klar til at køre en ny model dagen den udgives. Ryzen AI Max+ 395-brugere venter ofte nogle dage til uger på, at community-projekter som llama.cpp tilføjer optimeret understøttelse, især for helt nye arkitekturer. For teams der arbejder med de nyeste modeller som en konkurrencefordel, er den forsinkelse værd at tage med i overvejelserne.

Strømforbrug, støj og formfaktor

DGX Sparks eksterne 240W-strømforsyning og GPU-forbrug omkring 140W under belastning placerer den i samme kategori som en kraftig gaming-laptop, der kører kontinuerligt. Det kræver aktiv køling, og selvom NVIDIA har designet kabinettet til at være stille nok til et kontor, er det stadig en maskine bygget til at stå tændt, ikke til at blive slukket og tændt flere gange dagligt.

Ryzen AI Max+ 395s lave standard-TDP på 55W gør den markant mere fleksibel. Mange OEM-bokse, som GMKtecs modeller, kører passivt eller med minimal blæserstøj ved almindelig brug, og kan konfigureres helt op til 140W for maksimal ydelse ved tunge arbejdsbelastninger. Det gør chippen velegnet til både bærbare, hvor batteritid og varmeafledning betyder noget, og stillestående skrivebordsmaskiner, hvor støj er en faktor. DGX Spark findes udelukkende som en fast skrivebordsenhed uden bærbar variant.

For et kontor med flere maskiner kører side om side, batter strømforbruget over tid. Et team med fire DGX Spark-enheder, der kører kontinuerligt, trækker markant mere strøm end fire Ryzen AI Max+ 395-mini-PC’er ved samme brugsmønster, hvilket direkte påvirker eldriftsbudgettet, især relevant i lande med høje elpriser som Danmark. Det er et argument, der sjældent nævnes i de tekniske specifikationsark, men som bør indgå, når man budgetterer for en flåde af lokale AI-maskiner frem for en enkelt testenhed.

5 virkelige brugsscenarier for lokal AI-hardware

Valget mellem de to platforme afhænger mindre af rå ydelse og mere af, hvad opgaven faktisk kræver. Her er fem konkrete scenarier, der viser, hvornår hver løsning giver mening, baseret på de arbejdsbelastninger og begrænsninger, der er dokumenteret i benchmarktallene ovenfor.

• AI-udvikler der bygger agent-baserede applikationer: En dansk startup, der udvikler AI-agenter til kundeservice, har brug for CUDA-kompatibilitet for at genbruge kode fra cloud-udvikling. DGX Spark passer bedre, fordi pipelinen sandsynligvis allerede kører på NVIDIA-GPU’er i skyen.
• GDPR-følsom databehandling i sundhedssektoren: Et regionshospital, der vil eksperimentere med lokal AI til journalanalyse uden at sende patientdata ud af huset, kan vælge den billigere Ryzen AI Max+ 395-platform til proof-of-concept, før et større DGX-indkøb godkendes.
• Universitetsforskning med begrænset budget: Et forskningslaboratorium på DTU eller Aalborg Universitet, der skal finjustere modeller på 70-120B parametre til flere studerende samtidig, får mere hardware for pengene ved at købe tre til fire Ryzen AI Max+ 395-maskiner frem for én DGX Spark.
• Uafhængig konsulent, der demonstrerer AI-løsninger hos kunder: En freelance AI-konsulent, der skal vise offline-demoer hos kunder uden internetadgang, drager fordel af Ryzen AI Max+ 395s bærbare formfaktor, som ikke findes på DGX Spark.
• Finjustering og eksperimentering med NeMo-værktøjer: En dataingeniør, der arbejder tungt med NVIDIAs NeMo-framework til modeltræning og -tilpasning, får den bedste understøttelse og de færreste kompatibilitetsproblemer ved at blive på DGX Sparks native CUDA-miljø.

Fælles for alle fem scenarier er, at valget sjældent handler om, hvilken maskine der er “bedst” i absolut forstand. Det handler om, hvilken flaskehals der gør mest ondt: pris, softwarekompatibilitet, formfaktor eller rå ydelse på store dense modeller. En organisation, der ikke kender svaret endnu, gør klogt i at starte med den billigere Ryzen AI Max+ 395-platform som testmiljø, før den investerer i en dyrere DGX Spark-opsætning.

Sådan migrerer du fra cloud-AI til lokal hardware

Overgangen fra API-baserede modeller til lokal hardware kræver mere planlægning end blot at bestille en boks. Mange teams undervurderer, hvor meget arbejde der ligger i at genskabe den samme oplevelse lokalt, som de er vant til fra en cloud-API med indbygget skalering, overvågning og fejlhåndtering. Følg disse trin for at undgå de mest almindelige faldgruber.

1. Kortlæg dit nuværende forbrug. Gennemgå tre måneders cloud-API-fakturaer og noter, hvilke modelstørrelser og kontekstlængder du reelt bruger. Det afgør, om 128 GB unified memory er nok, eller om du skal klynge flere enheder.
2. Vælg modelarkitektur før hardware. Skal du køre MoE-modeller som Mixtral-varianter, favoriserer det Ryzen AI Max+ 395. Skal du køre dense modeller eller bruge NVIDIA-specifikke finjusteringsværktøjer, peger det mod DGX Spark.
3. Test kvantisering før køb. Kør de samme modeller i FP8 eller FP4 på en lejet cloud-GPU først, for at se hvor meget nøjagtighed du kan ofre uden at skade dine resultater.
4. Sæt en lokal serveringsstak op. Brug vLLM eller NVIDIAs NIM på DGX Spark, eller llama.cpp og LM Studio på Ryzen AI Max+ 395, til at eksponere modellerne som et lokalt API, der kan erstatte dine eksisterende cloud-kald med minimale kodeændringer.
5. Tjek netværks- og GDPR-krav. Hvis formålet er databeskyttelse, skal du sikre, at maskinen kører isoleret fra internettet eller bag en streng firewall, og at logning ikke utilsigtet sender data til tredjepartstjenester i software-stakken.
6. Budgetter for strøm og plads. DGX Sparks 240W-forsyning og krav om aktiv køling kræver mere planlægning i et almindeligt kontormiljø end en Ryzen AI Max+ 395-mini-PC, der ofte kan stå på et skrivebord uden ekstra ventilation.
7. Kør en pilotperiode på 30 dage. Flyt kun én arbejdsbelastning ad gangen fra cloud til lokal hardware, og mål svartider, fejlrate og brugertilfredshed før du udruller det bredere i organisationen. Det giver et realistisk billede af, om ydelsen rent faktisk er tilstrækkelig til den konkrete opgave.
8. Planlæg en exitstrategi. Behold cloud-API’et som backup i en overgangsperiode, så du kan skifte tilbage hurtigt, hvis den lokale løsning viser sig utilstrækkelig til spidsbelastninger eller uventet store forespørgsler.

# Eksempel: start en lokal OpenAI-kompatibel server med vLLM på DGX Spark
pip install vllm
vllm serve Qwen/Qwen3.5-32B-Instruct --port 8000 --max-model-len 8192

# Eksempel: kør en GGUF-kvantiseret model lokalt på Ryzen AI Max+ 395 med llama.cpp
./llama-server -m qwen3.5-32b-instruct-q4_k_m.gguf --port 8080 -ngl 99

Fordele og ulemper ved DGX Spark

DGX Sparks største styrke er konsistens. Fordi NVIDIA kontrollerer både hardware og software fuldt ud, ved du præcis, hvad du får, og CUDA-økosystemets modenhed betyder, at stort set alt open source-tilgængeligt AI-værktøj virker uden tilpasning. Prefill-hastigheden er markant bedre end konkurrenternes, hvilket betyder hurtigere svar på lange prompts, en vigtig faktor for RAG-baserede applikationer og agent-workflows med store kontekstvinduer. Den konsistens har en pris, men for teams der bygger produkter på toppen af lokal AI-infrastruktur, er forudsigelighed ofte vigtigere end den laveste mulige anskaffelsespris.

• Fordel: Fuld CUDA-kompatibilitet, ingen driver- eller kompatibilitetsproblemer med de fleste AI-frameworks.
• Fordel: Markant hurtigere prefill/tid-til-første-token end konkurrerende platforme i samme prisklasse.
• Fordel: Officiel NVIDIA-support og et modent software-økosystem med NeMo og NIM.
• Ulempe: Prisen er steget fra $3.999 til $4.699 på under et år, med gadepriser helt op til $8.200.
• Ulempe: Findes kun som fast skrivebordsenhed, ingen bærbar variant, og kræver Linux-kendskab.
• Ulempe: 273 GB/s hukommelsesbåndbredde begrænser stadig ydelsen på meget store dense modeller.

Fordele og ulemper ved Ryzen AI Max+ 395

Ryzen AI Max+ 395s klare styrke er pris og fleksibilitet. For under halvdelen af prisen på en DGX Spark får man adgang til 128 GB unified memory og et alsidigt operativsystemvalg. Svagheden viser sig tydeligt i benchmarktallene: platformen er stærk på MoE-modeller, men falder markant i ydelse på dense modeller, hvor hukommelsesbåndbredden bliver den begrænsende faktor. Den brede vifte af OEM-partnere betyder også, at kvaliteten af den enkelte maskine varierer mere, end tilfældet er med NVIDIAs mere kontrollerede Founders Edition-model.

• Fordel: Op til $2.500 billigere end DGX Spark ved sammenlignelig hukommelseskonfiguration.
• Fordel: Fungerer som en almindelig Windows- eller Linux-computer, ikke kun en AI-appliance.
• Fordel: Bredt OEM-udvalg giver adgang til bærbare og stillestående formfaktorer.
• Ulempe: Ydelsen falder drastist på dense modeller som Llama 70B, ned til enkeltcifrede tokens/sek.
• Ulempe: ROCm-økosystemet er stadig mindre modent end CUDA for avanceret finjustering.
• Ulempe: Reel hukommelsesbåndbredde (ca. 215 GB/s) ligger under den teoretiske spec på 256 GB/s.

Næste generation: RTX Spark og Ryzen AI Max PRO 400

Begge producenter har allerede annonceret efterfølgere, og de ændrer spillereglerne igen. NVIDIA har sat en lanceringsvinding i oktober 2026 for RTX Spark, kodenavn N1X, en helt anden chip end DGX Spark. Hvor DGX Spark kører Linux og er bygget til udviklere, er RTX Spark en Arm-baseret chip designet til at køre Windows on Arm på almindelige forbruger-pc’er, bærbare og kompakte desktops. Den kommer i to konfigurationer: en 20-kerners Grace-CPU parret med en 6.144-kerners Blackwell-GPU, og en mindre variant med 18 kerner og 5.120 GPU-kerner, med hukommelse fra 24 GB til 128 GB afhængigt af model.

Seks OEM-partnere, ASUS, Dell, HP, Lenovo, Microsoft Surface og MSI, gør sig klar til lancering i efteråret 2026, med Acer og Gigabyte bekræftet til at følge senere. Ingen officiel pris er annonceret endnu, men en analytikernote fra Morgan Stanley har peget på omkring $2.899 for topkonfigurationen. Ingen uafhængige benchmarks findes endnu, da maskinerne ikke er kommet i hænderne på anmeldere.

AMD svarer med Ryzen AI Max PRO 400-serien, kodenavn Gorgon Halo, der udvider hukommelsen yderligere til op til 192 GB, hvoraf 160 GB kan allokeres direkte til GPU’en. Det åbner reelt for at køre modeller i 300B-parameter-klassen lokalt, ifølge Tom’s Hardwares gennemgang af specifikationerne. Topmodellen, Ryzen AI Max+ PRO 495, har 16 Zen 5-kerner og 40 RDNA 3.5 compute units, mens mellemklassen (PRO 490) og basismodellen (PRO 485) skalerer ned til henholdsvis 12 og 8 kerner. AMD har bekræftet HP og Lenovo som launch-partnere med systemer ventet i tredje kvartal 2026, men prisen for 192 GB-konfigurationerne er, som HotHardware rapporterede fra AMDs Advancing AI-event, endnu ikke offentliggjort.

Konklusionen for nu: hvis du kan vente til udgangen af 2026, vil begge næste-generations-platforme sandsynligvis give mere hukommelse og bedre ydelse per dollar. Men for teams, der har brug for lokal AI-hardware i dag, er DGX Spark og Ryzen AI Max+ 395 de eneste modne, veltestede valg med reelle priser og verificerede benchmarks.

Det er værd at bemærke, at RTX Spark og DGX Spark ikke er samme produkt under to navne, en forveksling der florerer i flere internationale medier. DGX Spark forbliver NVIDIAs Linux-baserede udviklerplatform, mens RTX Spark er et helt nyt spor målrettet almindelige Windows-brugere og forbrugerorienterede AI-pc’er. De to vil sandsynligvis eksistere side om side, ligesom AMD nu tilbyder både forbrugerorienterede Ryzen AI Max-chips og de mere hukommelsestunge PRO-varianter til professionelle brugere.

Verdict: hvem vinder sammenligningen?

Der findes ikke ét entydigt svar, men dataene peger på to klare anbefalinger. Vælg DGX Spark, hvis dit team allerede arbejder i CUDA-økosystemet, hvis I skal bruge NeMo til finjustering, eller hvis den markant hurtigere prefill-tid betyder noget for jeres use case, for eksempel RAG-pipelines med lange dokumenter. Prisen på $4.699 og opefter er en reel barriere, men konsistensen og softwaremodenheden retfærdiggør den for professionelle udviklingsteams.

Vælg Ryzen AI Max+ 395, hvis budgettet er den afgørende faktor, hvis I primært arbejder med MoE-modeller, eller hvis I har brug for fleksibilitet i formfaktor, fra bærbar til stillestående mini-PC. Til under det halve af DGX Sparks pris får man adgang til samme hukommelseskapacitet, med det forbehold at ydelsen på dense modeller falder markant. For de fleste danske og nordiske teams, der eksperimenterer med lokal AI for første gang, giver Ryzen AI Max+ 395 det bedste forhold mellem risiko og investering, mens DGX Spark forbliver valget for teams, der allerede ved præcis, hvad de skal bruge kraften til.

Tallene understøtter den konklusion konsekvent på tværs af alle tre kategorier, denne sammenligning har dækket. På pris vinder Ryzen AI Max+ 395 med mere end $2.000 i besparelse ved sammenlignelig hukommelse. På rå afkodningsydelse for store dense modeller vinder DGX Spark klart, med en prefill-fordel der er svær at overse for enhver, der arbejder med lange dokumenter. På fleksibilitet i formfaktor og styresystem vinder Ryzen AI Max+ 395 igen, fordi den fungerer som en almindelig computer. Ingen af platformene vinder på alle tre parametre samtidig, hvilket er præcis, hvorfor valget bør styres af den konkrete arbejdsbelastning frem for et generelt “bedste”-mærkat.

Ofte stillede spørgsmål

Kan DGX Spark og Ryzen AI Max+ 395 erstatte en cloud-GPU helt?
For mindre modeller op til omkring 70B parametre og MoE-arkitekturer, ja. For meget store dense modeller eller høj samtidig brugerbelastning vil begge platforme sakke bagud i forhold til dedikerede cloud-GPU-klynger som H200 eller B200.

Hvilken platform er bedst til GDPR-følsomme data?
Begge kan køre fuldstændig offline og isoleret fra internettet, hvilket opfylder de fleste datalokaliseringskrav. Valget afhænger mere af budget og software-økosystem end af sikkerhedsniveau, da begge understøtter fuld lokal drift uden ekstern datatrafik.

Hvorfor er DGX Spark blevet dyrere siden lanceringen?
NVIDIA har officielt henvist til knaphed på hukommelseschips i DRAM-markedet som årsag til, at listeprisen steg fra $3.999 til $4.699 mellem oktober 2025 og 2026.

Kan Ryzen AI Max+ 395 køre store dense modeller som Llama 70B overhovedet?
Ja, men langsomt. Community-benchmarks viser under 6 tokens per sekund på dense 70B-modeller, fordi hukommelsesbåndbredden bliver flaskehalsen. Modellen kører, men interaktiv brug føles trægt.

Hvad er forskellen på DGX Spark og det kommende RTX Spark?
DGX Spark er en Linux-baseret udviklermaskine, der allerede sælges. RTX Spark er en kommende Windows-on-Arm-chip til forbrugerorienterede pc’er og bærbare, ventet på markedet i oktober 2026, og er et helt separat produkt bygget på en anden arkitektur.

Skal jeg vente på Ryzen AI Max PRO 400 i stedet for at købe Ryzen AI Max+ 395 nu?
Hvis du kan vente til tredje kvartal 2026, giver PRO 400-serien op til 192 GB hukommelse og understøtter markant større modeller. Har du brug for hardware nu, er Max+ 395 det eneste modne, testede valg med kendt pris.

Er strømforbruget en reel bekymring for et kontormiljø?
DGX Sparks 240W-forsyning kræver aktiv køling og bør placeres et sted med luftcirkulation. Ryzen AI Max+ 395s lave standard-TDP på 55W gør den langt lettere at integrere i et almindeligt kontor uden særlige ventilationskrav.

Hvilken platform har det bedste software-udvalg til begyndere?
Ryzen AI Max+ 395 er lettere at komme i gang med for de fleste, fordi værktøjer som LM Studio og Ollama kører direkte på Windows uden ekstra opsætning. DGX Spark kræver Linux-erfaring og kendskab til CUDA-baserede værktøjer.

Kan man klynge flere enheder sammen for mere ydelse?
Ja, begge platforme understøtter netværkssammenkobling af flere enheder. Benchmarks med to sammenkoblede DGX Spark-enheder viser markant bedre prefill-ydelse end en enkelt enhed, selvom afkodningshastigheden for meget store modeller stadig begrænses af den samlede hukommelsesbåndbredde. Det samme princip gælder for Ryzen AI Max+ 395, hvor flere maskiner kan fordele arbejdsbelastningen, men det kræver ekstra opsætning af klyngesoftware, som ikke er lige så veldokumenteret som enkeltmaskine-opsætninger.