RTX Spark em teste: notebooks da Nvidia rodam IA pesada, mas jogam abaixo do prometido

Uma GeForce RTX 5090, placa de vídeo para computadores de mesa, cumpriu uma tarefa de inteligência artificial em 4,9 minutos. Um notebook com o novo chip RTX Spark, da Nvidia, levou 18,7 minutos para fazer o mesmo. Num teste com um modelo de IA bem maior, a comparação mudou de natureza: o notebook terminou o serviço e a RTX 5090 ficou de fora, porque seus 32 GB de memória não comportavam o modelo. Os números são da Artificial Analysis (abre em nova aba), que publica comparativos de desempenho em IA, e dão uma boa ideia do tipo de máquina que a Nvidia colocou no mercado.

Segundo a Nvidia, os primeiros notebooks com RTX Spark já estão à venda, e as avaliações de uso começaram a sair. Em 16 de outubro, o site americano The Verge publicou o balanço de uma semana em que três jornalistas se revezaram em cinco máquinas com o chip:

• Microsoft Surface Laptop Ultra, com 128 GB de memória;
• Asus ProArt P16, em duas versões, com 64 GB e com 128 GB;
• Lenovo Yoga 9n 2 em 1, com 64 GB;
• HP OmniBook Ultra, com 32 GB.

Quando se junta esse relato ao teste da Artificial Analysis e ao que a própria Nvidia divulgou, aparece um computador que roda jogos atuais sem grande folga, aguenta algumas horas longe da tomada e guarda sua vantagem mais nítida para a IA executada no próprio aparelho.

Um chip só, uma memória para tudo

Segundo o The Verge, o RTX Spark N1X é um SoC, sigla em inglês para "sistema em um chip": processador, parte gráfica e outros componentes reunidos numa única peça. Ele segue a arquitetura Arm, a mesma família de projeto usada na maioria dos celulares, e foi pensado para notebooks e pequenos desktops. A parte gráfica é da geração Blackwell, da Nvidia, e a memória é unificada.

Memória unificada significa que processador e gráfico tiram do mesmo estoque, como uma casa com uma despensa única em vez de um armário para cada morador. Num PC tradicional, a placa de vídeo guarda seus dados numa memória própria e separada. Para modelos de IA, que precisam caber na memória para rodar, o tamanho desse estoque decide o que funciona e o que fica de fora.

Todas as unidades da semana de testes tinham o mesmo chip: processador de 20 núcleos e gráfico com 6.144 núcleos CUDA, as pequenas unidades de cálculo que trabalham em paralelo nas placas da Nvidia. A Artificial Analysis, citando páginas da fabricante, detalha que os 20 núcleos se dividem em dois tipos (dez Cortex-X925 e dez Cortex-A725), que a memória chega a 128 GB do tipo LPDDR5X-9400, com 300 GB/s de transferência, e que o chip consome de 45 a 80 W no notebook.

Os preços citados pelo The Verge, em dólares, vão de US$ 3.199,99, no HP OmniBook, a US$ 6.999,99, no Asus ProArt. Uma versão mais contida do chip, com 18 núcleos e 5.120 núcleos CUDA, parte de US$ 2.599,99 no Surface Laptop Ultra ou no Asus ProArt P14, menor, com 24 GB de memória. Essa versão de entrada não fazia parte do lote avaliado.

Nos jogos, a memória extra não virou velocidade

A intuição diria que o notebook mais caro, com mais memória, rodaria jogos melhor. O teste de Cyberpunk 2077 em resolução de 2560 x 1600 e qualidade Ultra aponta para outro lado. O Asus ProArt de 128 GB fez média de 41 quadros por segundo (fps, a medida de fluidez de um jogo: quanto mais quadros, mais suave a imagem). O HP OmniBook, com 32 GB e o menor preço do grupo, chegou a 46.

O relato não explica a diferença, e esses números não bastam para cravar uma causa. O que eles mostram é mais modesto e talvez mais útil: nesse jogo, pagar pela versão de 128 GB não comprou nenhum quadro a mais.

A memória grande serve a outra coisa.

Nas mesmas condições, os rivais foram melhores. Um Framework Laptop 16 com placa RTX 5070 marcou 57 fps, e um MacBook Pro com chip M5 Max, 56. Se a régua fosse só Cyberpunk, os RTX Spark testados ficariam atrás dos dois.

Segundo Di Benedetto, um dos autores do The Verge, a Nvidia afirma que o gráfico do chip equivale a uma RTX 5070 para notebooks. Nos testes dele, o resultado ficou entre essa placa e a RTX 5060 para notebooks, um degrau abaixo na linha da empresa.

Com recursos de aceleração ligados, a conta melhora. Tom Warren, também do The Verge, mediu cerca de 70 fps em Black Myth: Wukong, 66 fps em Cyberpunk 2077 e 57 fps em Forza Horizon 6, todos em resolução de 3270 x 2180, qualidade média e DLSS no modo desempenho. O DLSS é uma tecnologia da Nvidia que desenha a imagem em resolução menor e usa IA para reconstruí-la em alta definição, ganhando velocidade.

Dá para ler esse conjunto de duas formas. Na primeira, é um notebook de mais de US$ 3 mil que joga como um modelo intermediário. Na segunda, é um computador feito para IA que, de quebra, roda jogos recentes em resolução alta. A escolha entre as duas depende do que acontece longe dos jogos.

Cinco horas, de olho na tomada

Sean Hollister usou o Asus ProArt como computador principal do dia a dia. Com a bateria de 99,9 Wh (watts-hora, a medida de quanta energia ela armazena), conseguiu entre 5 horas e 5 horas e 40 minutos de uso. Em jogos, segundo ele, o notebook chegava a puxar cerca de 120 W, e o desempenho caía conforme a carga diminuía. É o chamado throttling, quando o chip reduz a velocidade para poupar energia ou controlar a temperatura.

Uma conta simples, que não fez parte dos testes, ajuda a dimensionar: se os 120 W fossem constantes, 99,9 Wh durariam pouco menos de uma hora. O consumo real oscila, e o relato não traz a duração da bateria jogando, mas a ordem de grandeza diz algo a quem pensa em jogar longe de uma tomada.

Onde os 128 GB fazem diferença

A Artificial Analysis publicou seu teste em 15 de outubro, com um protótipo do Surface Laptop Ultra de 15 polegadas e 128 GB, vendido a US$ 5.899,99. O teste, chamado AA-AgentPerf-Local, mede quanto tempo o computador leva para cumprir uma carga de trabalho típica de agentes de IA (programas que executam tarefas em várias etapas por conta própria) com o modelo rodando no próprio aparelho. A máquina estava ligada na tomada, em modo de alto desempenho, com Windows 11 para Arm e uma versão nativa do llama.cpp (abre em nova aba), programa de código aberto para rodar modelos de linguagem localmente.

O Qwen3.8 27B é um modelo de linguagem com 27 bilhões de parâmetros, os ajustes internos que um modelo aprende durante o treinamento. Nele, o notebook ficou 1,4 minuto atrás do DGX Spark, o pequeno computador de mesa da Nvidia voltado para IA, e terminou em cerca de metade do tempo do MacBook Pro. Com outro modelo, o Qwen3.6 35B A3B, a distância para o DGX Spark encolheu: 7,6 contra 7,3 minutos.

O modelo grande do começo é o Ling 3.0 Flash, com 124 bilhões de parâmetros e 77 GB de pesos, os números que formam o modelo e ocupam a memória. O notebook concluiu a tarefa em 15,3 minutos. Nem o MacBook Pro de 64 GB nem a RTX 5090 tinham espaço para carregá-lo.

No blog técnico da Nvidia (abre em nova aba), a empresa descreve o RTX Spark como a combinação do chip GB10, o mesmo do DGX Spark, com até 128 GB de memória unificada e 1 petaflop de capacidade de IA em FP4. Petaflop é um quatrilhão de operações por segundo; FP4 é um formato numérico compacto, de 4 bits, que acelera a IA abrindo mão de precisão. A Artificial Analysis, porém, apresenta números distintos para os dois: 45 a 80 W e 300 GB/s no chip do notebook, 140 W e 273 GB/s no GB10. As descrições não se encaixam por completo, e os dados públicos não resolvem a diferença. Se as medições se confirmarem, o chip do notebook chega perto do DGX Spark com um teto de consumo menor.

O que a Nvidia promete aos programadores

A Nvidia afirma que, em comparação com um notebook equipado com o Intel Core Ultra X9 388H, da geração Panther Lake, o RTX Spark é 4,6 vezes mais rápido como agente de programação, 2,7 vezes no ajuste fino (treinar um modelo já pronto com dados próprios) e 1,8 vez na compilação, etapa que transforma o código escrito por uma pessoa num programa executável. Os testes citados pela empresa são o próprio AA-AgentPerf-Local com Qwen3.8-27B, a técnica LoRA no Unsloth com Llama-3.1-8B e a compilação do kernel do Linux, medida pelo Phoronix.

Boa parte do material da Nvidia trata de compatibilidade, o que sugere onde a empresa enxerga atrito. Segundo ela, uma parceria com a Microsoft levou ao Windows para Arm a primeira versão do PyTorch com CUDA. O PyTorch é uma das bibliotecas mais usadas para criar IA, e o CUDA é a plataforma da Nvidia para programar suas placas. A empresa cita ainda Python 3.15 nativo por padrão, mais de 2.000 pacotes Conda e versões compatíveis com Arm para mais de 97% dos 15.000 pacotes Python mais usados. Pacotes são blocos de código prontos que os programadores reaproveitam.

Para agentes rodando no próprio aparelho, a Nvidia destaca o Nemotron 3.5 Bolt, modelo de 74 bilhões de parâmetros dos quais só 9 bilhões trabalham a cada etapa. É o formato MoE, sigla em inglês para mistura de especialistas, em que o modelo se divide em partes especializadas e aciona apenas algumas por vez. Ele vem comprimido em 2 bits, uma forma agressiva de encolher os números do modelo, e, segundo a empresa, já roda em Ollama (abre em nova aba), LM Studio (abre em nova aba), llama.cpp, vLLM e Unsloth. A Nvidia também diz que modelos de decisão no llama.cpp e no Unsloth escolhem ações até 200 vezes mais rápido que os ciclos tradicionais de raciocínio, uma alegação da própria fabricante.

Uma ressalva pesa sobre os números de IA. O teste da Artificial Analysis rodou num protótipo, na tomada, com as "receitas" de configuração recomendadas pela Nvidia, incluindo decodificação especulativa: um modelo auxiliar adianta alguns tokens, os pedaços de texto com que a IA trabalha, para o modelo principal conferir. No Qwen3.8 27B foram sete. A própria Artificial Analysis avisa que receitas, formatos dos modelos e uso dessa técnica variam de um sistema para outro, e que seus gráficos se atualizam continuamente e podem divergir do texto. O ganho de 4,6 vezes anunciado pela Nvidia se apoia nesse mesmo teste. Somado à queda de desempenho que Hollister viu com a bateria baixa, é prudente ler o resultado de IA como o de um notebook ligado na tomada.

Mesmo com essa cautela, a leitura do computador de IA que também joga é a que os números sustentam melhor. Nos jogos, os RTX Spark testados ficaram atrás de um notebook com RTX 5070 e de um MacBook Pro. Com modelos grandes, rodaram o que máquinas mais rápidas nem conseguiram abrir. Os notebooks já estão nas lojas, e a Nvidia promete para novembro os pequenos desktops com o chip.

Perguntas frequentes