SUPERCAT.DEV

Per scegliere tra una workstation con RTX 5090 o RTX PRO, un NVIDIA DGX Spark, un Mac Studio o un sistema a memoria unificata non basta confrontare TOPS e teraflop. Prima bisogna capire quale risorsa limita davvero il carico: capacità di memoria, banda, latenza, contesto o richieste concorrenti.

Questa guida confronta le principali piattaforme per l'AI locale con dati verificati al 2 ottobre 2026, esempi su modelli open-weight, KV cache, RAG e due semplici calcoli in C#. L'obiettivo è pratico: capire quale hardware serve davvero a una persona o a un team di 2-4 utenti, evitando sia macchine sottodimensionate sia acquisti inutilmente costosi.

Risposta breve: workstation o DGX Spark ?

• Se il modello non entra in 32-96 GB, la priorità è la capacità: DGX Spark, Mac Studio ad alta memoria o più nodi diventano interessanti.
• Se il modello entra già nella GPU, la priorità passa spesso alla banda: RTX 5090 e RTX PRO possono generare testo molto più velocemente del DGX Spark.
• Per 1-4 utenti con modelli 20-30B, 72-128 GB offrono in genere molto margine; con 32 GB bisogna controllare più attentamente context, KV cache e concorrenza.
• Per un server condiviso, il motore di serving, il continuous batching, TTFT e p95 possono contare quanto la GPU.
• Non esiste quindi una macchina migliore in assoluto: esiste la piattaforma più adatta al collo di bottiglia del tuo workload.

---

1. VRAM dedicata vs memoria unificata: cosa cambia davvero

La VRAM dedicata

È l'architettura che conosciamo tutti. La GPU ha la sua memoria (GDDR7 sulle schede attuali), separata dalla RAM di sistema gestita dalla CPU. Per ottenere le prestazioni migliori conviene che pesi, cache e tensori necessari all'inferenza restino nella VRAM; quando si ricorre a offload verso la RAM di sistema, il modello può continuare a funzionare ma il trasferimento attraverso PCIe diventa spesso un collo di bottiglia.

Esempio concreto: la RTX PRO 6000 Blackwell ha 96 GB di GDDR7 ECC con una banda di 1.792 GB/s [46]. Un modello che richiede più di 96 GB non entra interamente su una singola scheda: per usarlo bisogna quantizzarlo, fare offload oppure distribuirlo su più GPU.

La memoria unificata

Il DGX Spark fa l'opposto. Il chip GB10 mette CPU e GPU nello stesso sistema Grace Blackwell e le fa lavorare su un unico pool coerente da 128 GB di LPDDR5X. CPU e GPU non devono quindi essere dimensionate su due budget separati di RAM e VRAM, e molti flussi possono evitare le copie esplicite tipiche di una GPU discreta [5][10]. Questo non significa che ogni allocazione sia gratuita: runtime, cache e workspace continuano a consumare memoria dello stesso pool.

La differenza si vede subito con un esempio: un modello da 70 miliardi di parametri in FP16 richiede circa 140 GB per i soli pesi. Non entra in una scheda da 96 GB. A 8 bit il minimo teorico dei pesi scende a circa 70 GB e a 4 bit a circa 35 GB, lasciando sullo Spark spazio variabile per cache, runtime e contesto a seconda del formato e dell'architettura.

La scheda tecnica del DGX Spark

Fonti: [5][7][8].

NVIDIA supporta oggi lo scaling da uno a quattro Spark: due nodi portano la memoria fisica complessiva a 256 GB e sono indicati da NVIDIA per inferenza fino a modelli di circa 400B parametri; quattro nodi, collegati attraverso la rete RoCE/ConnectX-7, sono indicati fino alla classe 700B [54]. La memoria resta distribuita tra i nodi: non diventa un singolo banco locale con la latenza della LPDDR5X.

---

2. Banda di memoria e token/s: capacità e velocità sono due problemi diversi

Questo è il punto centrale del confronto: capacità e velocità non sono la stessa cosa.

Nel decode single-stream di un modello denso, soprattutto a batch basso, la banda di memoria è spesso il principale collo di bottiglia. A ogni passo devono essere attraversati gran parte dei pesi del modello; una roofline molto semplice è quindi banda / byte dei pesi letti per token. Se un modello richiede idealmente 35 GB di letture e la memoria trasferisce 273 GB/s, il tetto puramente bandwidth-bound è nell'ordine di 7-8 token/s. È un limite teorico, non una previsione universale: kernel, quantizzazione, cache, attention, batching e speculative decoding possono spostare parecchio il risultato.

I numeri:

• DGX Spark: 273 GB/s (LPDDR5X)
• RTX PRO 6000 Blackwell: ~1,79 TB/s (GDDR7), oltre sei volte tanto [6]

Risultato pratico: nei confronti citati, sui modelli che entrano in entrambe le macchine una workstation con GPU dedicata può risultare da circa 2 a 7 volte più veloce nel decode, a seconda di modello, quantizzazione, runtime e carico [6]. È un ordine di grandezza osservato, non un moltiplicatore universale: Spark privilegia cosa ci sta, la GPU discreta quanto rapidamente può correre quel workload.

Prefill e decode: le due fasi dell'inferenza

C'è una sfumatura importante. L'inferenza di un LLM ha due fasi:

1. Prefill: il modello elabora il prompt in ingresso. Ha molta più parallelizzazione del decode ed è spesso più compute-bound, soprattutto con prompt lunghi.
2. Decode: il modello genera la risposta un token alla volta. A batch basso è spesso più bandwidth-bound, perché il rapporto tra calcolo e dati letti è sfavorevole. Con batch elevato, però, l'intensità aritmetica cresce e questa separazione diventa meno netta.

Il GB10 dispone di Tensor Core di quinta generazione e supporto FP4, ma la sua banda di 273 GB/s è molto inferiore a quella delle GPU discrete di fascia alta. Per questo può risultare relativamente competitivo nel prefill e molto meno nel decode di modelli densi. Un confronto pubblicato ad agosto 2026 lo mostra bene: contro un Mac Studio M3 Ultra, il DGX Spark elaborava il prompt circa 3,8 volte più velocemente, mentre il Mac generava token circa 3,4 volte più in fretta [11].

Tradotto: se il tuo lavoro consiste nel dare in pasto al modello documenti lunghi e ottenere risposte brevi (classificazione, estrazione, ricerca su archivi aziendali), il Spark può essere più competitivo di quanto suggeriscano i soli benchmark di decode. Se invece produci risposte molto lunghe con un modello denso e batch basso, la banda tende a pesare molto di più.

---

3. Come stimare memoria, KV cache e token/s

Per ragionare senza farsi guidare dal marketing basta un'aritmetica molto semplice. Ma bisogna distinguere due cose:

• la dimensione ideale dei pesi, ottenuta da parametri × bit / 8;
• la dimensione reale dell'artifact quantizzato, che include scale, metadati e talvolta tensori mantenuti a precisione più alta.

Il primo numero serve per capire gli ordini di grandezza; per decidere se un modello entra davvero in memoria va sempre controllata la dimensione del file o del checkpoint che si intende usare. Per esempio, 27,8 miliardi di parametri a 4 bit danno 13,9 GB ideali, ma un Qwen3.8-27B Q4_K_M reale occupa circa 17-19 GB a seconda della conversione [49].

Questo primo programma C# stima:

• la dimensione ideale dei pesi;
• la memoria della KV cache per un Transformer con GQA classico;
• una roofline teorica del decode single-stream, assumendo un workload bandwidth-bound.

// Stime di ordine di grandezza, non benchmark.
// La dimensione reale di un file Q4 può essere superiore a params × 4 / 8.
// Anche la roofline del decode non è una previsione: runtime, kernel, batch,
// attention, quantizzazione e speculative decoding possono cambiare molto il risultato.

static double IdealWeightsGB(double paramsB, double bitsPerWeight)
    => paramsB * bitsPerWeight / 8.0;

// KV cache classica: 2 (K e V) × layer × kv_heads × head_dim × byte × token.
// Non è universale: MLA, sliding-window e architetture ibride possono comportarsi diversamente.
static double KvCacheGB(Model m, int contextTokens, double bytesPerElem = 2)
    => 2.0 * m.Layers * m.KvHeads * m.HeadDim * bytesPerElem * contextTokens / 1e9;

// Roofline bandwidth-bound: banda / dimensione ideale dei pesi attivi.
static double DecodeRooflineTokS(Machine hw, Model m, double bitsPerWeight)
    => hw.BandwidthGBs / IdealWeightsGB(m.ActiveParamsB, bitsPerWeight);

var dense70b = new Model("Denso 70B ipotetico", 70, 70, Layers: 80, KvHeads: 8, HeadDim: 128);

var machines = new[]
{
    new Machine("DGX Spark",            128,  273),
    new Machine("RTX PRO 6000",          96, 1792),
    new Machine("Mac Studio M5 Ultra",  256, 1200),
};

double bits = 4;
int ctx = 128_000;

double idealWeights = IdealWeightsGB(dense70b.ParamsB, bits);
double kv = KvCacheGB(dense70b, ctx);

Console.WriteLine($"Pesi ideali: {idealWeights:F1} GB, KV @128k: {kv:F1} GB, " +
                  $"totale minimo: {idealWeights + kv:F1} GB\n");

foreach (var hw in machines)
{
    bool fitsAsLowerBound = idealWeights + kv < hw.MemoryGB * 0.9;
    Console.WriteLine($"{hw.Name,-22} stima minima ci sta: {(fitsAsLowerBound ? "sì" : "no"),-3} " +
                      $"roofline decode ≈ {DecodeRooflineTokS(hw, dense70b, bits):F0} token/s");
}

record Model(string Name, double ParamsB, double ActiveParamsB,
             int Layers, int KvHeads, int HeadDim);

record Machine(string Name, double MemoryGB, double BandwidthGBs);

Output (arrotondato):

Pesi ideali: 35.0 GB, KV @128k: 41.9 GB, totale minimo: 76.9 GB

DGX Spark              stima minima ci sta: sì  roofline decode ≈ 8 token/s
RTX PRO 6000           stima minima ci sta: sì  roofline decode ≈ 51 token/s
Mac Studio M5 Ultra    stima minima ci sta: sì  roofline decode ≈ 34 token/s

Quattro cose da notare:

1. La KV cache può diventare enorme. Con contesti lunghi può occupare quanto i pesi o più, ma il valore dipende dall'architettura. I modelli moderni con MLA, attention compressa o finestre scorrevoli possono usare molta meno memoria di questa formula classica.
2. La banda dà un tetto, non una velocità garantita. A parità di modello e batch basso, più banda tende a tradursi in decode più veloce; non esiste però una percentuale universale di efficienza rispetto alla roofline.
3. La dimensione reale della quantizzazione conta. 4 bit non significa automaticamente 0,5 byte per parametro su disco o in memoria. Per il capacity planning bisogna usare l'artifact reale.
4. I MoE cambiano il rapporto fra capacità e traffico. Solo una parte degli expert viene attivata per ciascun token, quindi il calcolo e le letture possono essere molto inferiori rispetto a un modello denso con lo stesso numero totale di parametri. Ma parametri attivi × bit / 8 resta una stima ideale: shared expert, attention, router, batch e token instradati verso expert diversi aumentano il traffico effettivo.

Per questo una macchina con molta memoria ma banda relativamente bassa, come Spark, può essere molto più interessante con alcuni MoE che con un denso di pari dimensione totale. I benchmark reali restano indispensabili: un utente che usa DGX Spark riporta circa 50,7 token/s su un modello da 27 miliardi servito con SGLang [8], un numero impossibile da ricavare correttamente dalla sola banda senza conoscere architettura e runtime.

---

4. Multi-GPU: due RTX 5090 da 32 GB fanno davvero 64 GB?

Come slogan è utile, ma va interpretato bene: due GPU da 32 GB hanno davvero 64 GB di VRAM fisica complessiva, però non formano automaticamente un unico pool trasparente da 64 GB. Ogni scheda continua ad avere il proprio spazio di memoria.

Per far girare un modello più grande della VRAM di una singola scheda bisogna distribuirlo:

• Pipeline parallelism: gruppi di layer diversi finiscono su GPU diverse. È semplice da capire, ma introduce bolle e trasferimenti tra stadi.
• Tensor parallelism: ogni layer viene suddiviso fra le GPU, che devono comunicare a ogni passo. Se il collegamento tra le schede è lento rispetto alla loro memoria locale, la comunicazione diventa il nuovo collo di bottiglia.
• Offload CPU/RAM: una parte dei pesi resta nella memoria di sistema. Può rendere eseguibile un modello che altrimenti non entrerebbe, ma PCIe è molto più lento della GDDR7.

Una parte della VRAM viene inoltre usata da runtime, workspace e KV cache. La formulazione più precisa quindi è: due schede da 32 GB possono ospitare un modello shardato sfruttando quasi 64 GB aggregati, ma non equivalgono a una singola GPU da 64 GB e non garantiscono il doppio delle prestazioni. Vanno messi in conto software, topologia PCIe, alimentazione, raffreddamento e spazio nel case.

---

5. RTX 5090 vs RTX PRO 5000/6000 per l'AI locale

È la domanda a cui Syspack dedica un altro articolo [2]: per l'AI in locale serve davvero una scheda professionale, o basta la top di gamma consumer?

Fonti: [29][31][43][45][46][47].

Cosa ci dice la tabella:

• La 5090 non è lenta di memoria. NVIDIA dichiara 1.792 GB/s, la stessa banda nominale della RTX PRO 6000 Workstation [45][46]. Per l'inferenza di un modello che entra comodamente in 32 GB, la 5090 può quindi essere estremamente veloce.
• Il vero discrimine è soprattutto la capacità. I 32 GB della 5090 bastano per molti modelli 20-30B quantizzati, ma il margine può ridursi rapidamente con contesti lunghi, multimodalità, speculative decoding o richieste concorrenti. Le PRO da 72 e 96 GB spostano molto più in alto questo limite.
• Le PRO aggiungono funzioni professionali. ECC, driver e supporto professionale, maggiore capacità e MIG possono essere più importanti della sola potenza di calcolo in un server condiviso.
• Consumi e multi-GPU. Una PRO 6000 Max-Q da 300 W è molto più semplice da replicare in una workstation multi-GPU rispetto a più 5090 ad alto assorbimento; alimentazione, airflow e numero di slot diventano parte del progetto.
• MIG serve soprattutto per l'isolamento. La RTX PRO 6000 Blackwell supporta fino a quattro istanze MIG [47]. È utile quando servono tenant separati, QoS o modelli differenti. Se quattro colleghi interrogano lo stesso modello, però, una singola istanza grande con continuous batching può essere più efficiente: dividere la GPU in quattro partizioni può richiedere quattro copie dei pesi e rinunciare a parte del batching condiviso.

In sintesi: la RTX 5090 può essere eccellente per una persona e anche per piccoli carichi condivisi se il modello, la KV cache e il runtime entrano nei 32 GB. Le RTX PRO diventano interessanti quando servono più capacità, isolamento, affidabilità o densità multi-GPU, non semplicemente perché la 5090 sarebbe troppo lenta.

---

6. Prezzi di DGX Spark e workstation AI nell'autunno 2026

Un aspetto che rende la scelta più difficile oggi rispetto a un anno fa è il prezzo. Il mercato DRAM del 2026 resta sotto forte pressione: a fine settembre TrendForce descriveva il mercato ancora sottocapacità e stimava ulteriori aumenti dei prezzi contrattuali nel quarto trimestre [56]. Le macchine “ricche di memoria” sono quindi particolarmente esposte alla volatilità dei componenti.

Per uniformare il confronto, in questa sezione tutti i prezzi sono espressi in euro. Quando la fonte riportava dollari USA ho applicato il cambio di riferimento BCE del 1° ottobre 2026: 1 € = 1,1298 $, cioè 1 $ ≈ 0,8851 €. Le conversioni sono arrotondate e servono a confrontare gli ordini di grandezza: non equivalgono a un prezzo retail europeo, che può includere IVA, dazi, margini e condizioni commerciali diverse [57].

DGX Spark. Il prezzo di lancio statunitense equivale a circa 3.540 € al cambio indicato. A febbraio 2026 NVIDIA ha aumentato quel listino di circa 620 € equivalenti, citando la scarsità di memoria [7][12]. A settembre 2026 il prezzo più basso osservato su Amazon USA corrispondeva a circa 4.430 € [7]. In Europa, però, un distributore tedesco riporta prezzi reali tra 5.038 e 8.096 € netti, a seconda di marca e storage, con la variante più economica (Lenovo ThinkStation PGX da 1 TB, senza sistema operativo) in consegna a metà ottobre [7]. La differenza fra conversione e prezzo europeo mostra perché i due valori non vanno confusi.

Tutti i modelli OEM (Lenovo, Dell, HP, ASUS, MSI, Acer, Gigabyte) usano lo stesso GB10 con 128 GB: cambiano storage, chassis, raffreddamento, sistema operativo preinstallato e disponibilità [7].

RTX PRO 6000 Blackwell. Il prezzo di lancio statunitense equivale a circa 7.580 €. Nel corso del 2026 il marketplace NVIDIA è salito a circa 11.730 € equivalenti [13], e ad agosto il listino statunitense ha raggiunto circa 14.160 € [14]. Sul mercato secondario USA, a settembre, la media dei prezzi più bassi corrispondeva a circa 13.100 € al cambio utilizzato [15].

RTX PRO 5000 Blackwell 72 GB. A fine settembre il prezzo più basso rilevato tra i rivenditori europei era di circa 11.200 euro [31].

RTX 5090. La scheda consumer con 32 GB di VRAM è stata travolta dalla stessa ondata: a metà settembre su Amazon USA si superavano circa 5.750 € equivalenti al cambio BCE utilizzato, con segnalazioni di acquisti in blocco da parte di aziende che la usano per costruire workstation AI [14]. Anche qui si tratta della conversione di un prezzo USA, non di un listino europeo.

Workstation complete. Per avere un'idea dei costi "chiavi in mano" in Italia, questi sono alcuni prezzi di listino Syspack (IVA esclusa) rilevati per questo articolo [33]:

C'è un modo utile di leggere tutti questi numeri, proposto da un rivenditore statunitense: il DGX Spark costa poco per gigabyte di memoria, ma tanto per gigabyte al secondo di banda [12]. Le due letture sono entrambe valide: quale conta dipende dal modello e dal carico che vuoi eseguire.

---

7. Alternative a DGX Spark: Mac Studio, RTX Spark, Strix Halo e DGX Station

Il confronto non si ferma a Spark e workstation NVIDIA: nel 2026 sono emerse alternative con profili di memoria e software molto diversi.

Mac Studio M5 Ultra

Annunciato da Apple il 25 agosto 2026 e disponibile dal 22 settembre, Mac Studio con M5 Ultra arriva fino a 512 GB di memoria unificata con 1,2 TB/s di banda [48]. È quindi molto più vicino a una workstation ad altissima capacità che a un normale desktop consumer. Per dare un ordine di grandezza coerente con il resto dell'articolo, il listino USA citato nelle fonti equivaleva a circa 4.870 € per la configurazione di ingresso; l'upgrade fino a 256 GB aggiungeva circa 3.540 € equivalenti, portando quella configurazione a circa 8.410 € al cambio BCE usato qui [18]. Sono conversioni del listino USA, non prezzi Apple Italia.

Nella recensione citata in precedenza, il M5 Ultra ha generato token quasi quattro volte più velocemente del DGX Spark su uno specifico modello Qwen da 27 miliardi quantizzato a 4 bit [18][19]. È un benchmark utile, ma non va generalizzato a qualunque modello o runtime.

Il limite principale resta l'ecosistema: niente CUDA. Lo stack Apple ruota attorno a MLX, Core AI e runtime compatibili come LM Studio e llama.cpp. Per chi sviluppa codice destinato a infrastruttura NVIDIA, una macchina CUDA evita una classe di differenze fra ambiente locale e produzione.

D'altra parte il Mac non è più soltanto una macchina "da singolo utente": Apple supporta clustering di più Mac Studio attraverso Thunderbolt 5 e RDMA, con un pool di memoria distribuito e fino a 3× le prestazioni di inferenza rispetto a un singolo sistema nel test dichiarato da Apple [48]. Lo stack di serving multiutente più maturo resta comunque nel mondo CUDA, quindi va distinto ciò che l'hardware può fare da quanto è semplice gestirlo come server condiviso.

RTX Spark (N1X): la memoria unificata arriva su Windows

NVIDIA ha annunciato i sistemi RTX Spark con Windows 11 basati sul superchip N1X [44]. La configurazione superiore combina CPU Grace a 20 core e GPU Blackwell da 6.144 CUDA core con fino a 128 GB di LPDDR5X unificata; la variante inferiore usa 18 core CPU e 5.120 CUDA core con fino a 64 GB, non 24-32 GB [44].

Al 2 ottobre 2026 NVIDIA presenta ancora la piattaforma come disponibilità in arrivo, quindi è più prudente parlare di prime consegne annunciate/attese per ottobre invece che di consegne già iniziate. Tra i produttori annunciati figurano diversi grandi OEM [21][23].

È la stessa idea generale del GB10 portata più vicino al mercato PC Windows: memoria unificata capiente, GPU Blackwell e CUDA in un sistema compatto. Attenzione però al nome e alla configurazione: "RTX Spark" descrive una famiglia, non una quantità fissa di memoria. Prima di comprare bisogna controllare RAM installata, TDP, chassis e banda effettiva del modello specifico.

AMD Ryzen AI Max+ 395 ("Strix Halo")

È l'alternativa x86 più economica per avere 128 GB di memoria unificata sulla scrivania: 16 core Zen 5, GPU integrata Radeon 8060S, LPDDR5X-8000 su bus a 256 bit. In pratica la GPU può indirizzarne circa 96 GB [25]. Gira Windows e Linux, ma l'ecosistema ROCm è meno maturo di CUDA. Lo stesso distributore europeo citato sopra la elenca tra le alternative dirette al Spark [7].

DGX Station GB300: il fratello maggiore

All'estremo opposto c'è la DGX Station con il superchip GB300: 748 GB di memoria coerente, di cui 252 GB di HBM3e a 7,1 TB/s e 496 GB di LPDDR5X a 396 GB/s, fino a 20 petaFLOP in FP4, rete ConnectX-8 fino a 800 Gb/s e alimentatore da 1.600 W [26]. Un integratore statunitense la lista a partire da circa 84.020 € equivalenti al cambio BCE utilizzato [27]; in Europa il prezzo indicativo rilevato è invece intorno ai 90.000 € netti [26].

È un esempio istruttivo: "coerente" non significa "uniforme". La DGX Station ha due tipi di memoria con bande molto diverse, e le prestazioni dipendono da dove finiscono i pesi del modello.

---

8. Come scegliere l'hardware per un LLM locale: 8 domande

Prima di comprare hardware per un LLM locale conviene trasformare l'uso previsto in requisiti misurabili. Queste otto domande coprono i vincoli che cambiano davvero il dimensionamento.

1. Cosa ci devi fare? Chat e scrittura, ricerca su documenti, assistenza al codice, agenti autonomi, fine-tuning. → Decide la classe di modello necessaria.
2. Quanto deve essere bravo il modello? Un 27-30B moderno può coprire molto lavoro quotidiano; i modelli open-weight più grandi richiedono centinaia di GB. → Decide soprattutto la capacità di memoria.
3. Quanto testo entra e quanto ne esce? Documenti lunghi e risposte brevi spostano il carico verso il prefill; risposte lunghe aumentano il peso del decode. → Decide il rapporto fra calcolo e banda.
4. Quante richieste sono davvero contemporanee? Non quante persone hanno un account, ma quante richieste risultano attive nello stesso momento. → Decide KV cache, batching e throughput.
5. Qual è la latenza accettabile? Per una chat contano soprattutto il TTFT (time to first token) e la ITL (inter-token latency); per gli agenti conta anche il throughput aggregato. → Decide se il sistema è piacevole da usare, non soltanto quanti token/s produce in totale.
6. I dati possono uscire dall'infrastruttura controllata? Se no, le opzioni si restringono verso on-premise o cloud privati/controllati con requisiti adeguati; non basta la parola “locale” se il software continua a chiamare servizi esterni. → Decide architettura e sicurezza.
7. Devi sviluppare per infrastruttura NVIDIA? Se il codice finirà su server CUDA, avere CUDA anche sulla scrivania riduce le differenze fra sviluppo e produzione. → Decide ecosistema (CUDA, MLX, ROCm).
8. Quanto conta la piattaforma CPU? DGX Spark e RTX Spark sono Arm; una workstation classica è in genere x86. Wheel Python, container, estensioni native o software aziendale vanno verificati prima dell'acquisto. → Decide compatibilità operativa.

---

9. Quanta memoria serve ai modelli AI locali nel 2026?

Il panorama open-weight cambia abbastanza in fretta da rendere pericolose le tabelle troppo rigide. La memoria richiesta dipende non solo dai parametri totali, ma da formato reale dei pesi, architettura, precisione della KV cache, runtime e contesto. Questa tabella va quindi letta come fascia pratica, non come garanzia.

Un esempio chiarisce perché la parola “4 bit” da sola non basta. Qwen3.8-27B ha un minimo matematico di circa 13,5-13,9 GB a 4 bit, ma conversioni Q4_K_M reali disponibili su Hugging Face occupano circa 17-19 GB [49]. All'opposto, DeepSeek V4-Flash ha 284B parametri totali e 13B attivi per token [50]: il fatto che ne attivi pochi riduce il calcolo, non elimina la necessità di tenere residenti i pesi degli expert. Una quantizzazione Q4_K_M community è nell'ordine di 161 GB, mentre Q2 scende intorno a 96 GB [51].

Due osservazioni:

• Il contesto dichiarato non è il contesto che puoi sempre usare. Un model card può supportare 128k, 262k o 1M token, ma la finestra effettivamente utilizzabile sul tuo hardware dipende dalla memoria della KV cache, dal runtime e dall'architettura.
• Controlla la licenza modello per modello. Non si può più riassumere il panorama con “quasi tutto Apache o MIT”. Qwen3.8-Flash-Next usa per esempio la Qwen Community License 1.0, con condizioni specifiche per alcuni usi commerciali e servizi [52]. Llama 4 applica inoltre una restrizione specifica ai diritti sui modelli multimodali per individui domiciliati o aziende con sede principale nell'UE, con un'eccezione per gli end user di prodotti che incorporano tali modelli [53]. Per un'azienda italiana la licenza è parte del dimensionamento tanto quanto la VRAM.

---

10. AI locale per 1-4 utenti: concorrenza, batching e latenza

Qui la questione cambia natura. Quando un modello serve più persone, non conta solo “quanti token al secondo fa”, ma come si dividono memoria, banda e tempo GPU.

Batching: perché quattro utenti non costano quattro volte

Se più richieste sono attive insieme, un buon motore di inferenza può raggrupparle in batch dinamici e riutilizzare in modo più efficiente il passaggio dei pesi. È il principio del continuous batching. In genere:

• il throughput complessivo cresce molto;
• la velocità e la latenza per singolo utente peggiorano rispetto al caso isolato, ma non necessariamente in proporzione lineare al numero di utenti;
• il vantaggio dipende da modello, lunghezza dei prompt, lunghezza delle risposte, scheduler e batch effettivo.

Due misure recenti mostrano l'ordine di grandezza, ma non vanno confrontate come se fossero benchmark identici: su RTX PRO 6000 un modello MoE di classe media (Laguna S 2.1) passa da circa 146 token/s su una richiesta a circa 383 token/s aggregati con otto richieste [37][38]. Su due DGX Spark, un test community di DeepSeek V4-Flash riporta circa 55 token/s su una singola richiesta e circa 269 token/s aggregati con 16 richieste [39].

Il software conta quanto l'hardware

Ollama e LM Studio sono comodi per l'uso personale; per un server che deve gestire richieste parallele, vLLM e SGLang offrono scheduler, continuous batching e gestione della KV cache più sofisticati [36]. In un caso di produzione citato nell'articolo, cambiare motore di inferenza a parità di GPU e modello ha prodotto una differenza di 7,8× nel throughput aggregato [40]. È un buon promemoria: comprare più hardware prima di ottimizzare il serving può essere la spesa sbagliata.

Le quattro metriche da guardare

Per un team non basta una sola cifra “token/s”. Le metriche utili sono:

• TTFT — Time To First Token: quanto aspetti prima che inizi la risposta;
• ITL — Inter-Token Latency: quanto rapidamente arrivano i token successivi;
• throughput aggregato: quanti token/s produce il server sommando tutti gli utenti;
• p95 latency: quanto peggiora l'esperienza nelle richieste più lente, non solo nella media.

Una chat può sembrare fluida già a 15-20 token/s di decode, ma se il TTFT è di 10 secondi l'esperienza resta scadente. Gli agenti di coding sono ancora più esigenti: generano e consumano testo senza aspettare la lettura umana, quindi beneficiano molto di throughput e latenza bassi.

Facciamo i conti per un team

Per il capacity planning conviene usare la dimensione reale del modello quantizzato, non parametri × bit / 8. Il frammento seguente assume volutamente un modello denso da circa 28B con artifact quantizzato da 18 GB e una KV cache classica FP8 da 32k token per utente. È un modello didattico, non la descrizione di uno specifico LLM.

// Esempio di capacity planning per ~28B.
// modelFileGB va preso dal file/checkpoint reale, non calcolato solo dai bit nominali.

static double KvPerUserGB(int layers, int kvHeads, int headDim,
                          double bytesPerElem, int ctxTokens)
    => 2.0 * layers * kvHeads * headDim * bytesPerElem * ctxTokens / 1e9;

double modelFileGB = 18.0;  // esempio realistico per una quantizzazione Q4 di classe ~27-30B

double kvPerUser = KvPerUserGB(
    layers: 64,
    kvHeads: 8,
    headDim: 128,
    bytesPerElem: 1,        // FP8
    ctxTokens: 32_768);

var machines = new (string Name, double MemGB, double BwGBs)[]
{
    ("RTX PRO 5000 72GB",     72, 1344),
    ("RTX PRO 6000 96GB",     96, 1792),
    ("DGX Spark 128GB",      128,  273),
    ("Mac Studio M5U 256GB", 256, 1200),
};

Console.WriteLine($"Pesi reali ipotizzati: {modelFileGB:F1} GB, " +
                  $"KV per utente @32k FP8: {kvPerUser:F2} GB\n");

foreach (var m in machines)
{
    double usable = m.MemGB * 0.9;      // riserva semplice per OS/runtime/workspace
    int usersByMemory = Math.Max(0, (int)((usable - modelFileGB) / kvPerUser));
    double rooflineSingle = m.BwGBs / modelFileGB;

    Console.WriteLine($"{m.Name,-22} utenti per sola memoria: {usersByMemory,3}   " +
                      $"roofline decode single ≈ {rooflineSingle:F0} token/s");
}

Output:

Pesi reali ipotizzati: 18.0 GB, KV per utente @32k FP8: 4.29 GB

RTX PRO 5000 72GB      utenti per sola memoria:  10   roofline decode single ≈ 75 token/s
RTX PRO 6000 96GB      utenti per sola memoria:  15   roofline decode single ≈ 100 token/s
DGX Spark 128GB        utenti per sola memoria:  22   roofline decode single ≈ 15 token/s
Mac Studio M5U 256GB   utenti per sola memoria:  49   roofline decode single ≈ 67 token/s

Questi numeri dicono soltanto quante sessioni potrebbero stare in memoria con quelle ipotesi. Non dicono che il server riesca a servirle tutte con latenza accettabile: il limite può diventare molto prima il throughput.

Per 1-4 persone su un modello 27-30B, quindi, la memoria spesso non è il primo collo di bottiglia su sistemi da 72-128 GB. Su una GPU da 32 GB il quadro è diverso: con 18 GB di pesi, una riserva del 10% e la KV ipotetica sopra rimangono circa 10,8 GB, cioè spazio per appena due contesti da 32k prima di considerare ulteriori workspace. Con context più corto può bastare ampiamente; con agenti o finestre lunghe può diventare il limite.

---

11. RAG locale sui documenti aziendali: cosa serve davvero

Uno degli usi più richiesti in azienda è far rispondere un modello su documenti interni: manuali, contratti, procedure e pratiche. Si può fare senza riaddestrare il modello sui documenti: la conoscenza resta aggiornabile separatamente dai pesi dell'LLM.

La tecnica si chiama RAG (Retrieval-Augmented Generation):

1. I documenti vengono estratti, puliti e spezzati in blocchi.
2. I blocchi vengono trasformati in vettori da un modello di embedding e indicizzati.
3. Quando qualcuno fa una domanda, il sistema recupera i contenuti più pertinenti — spesso combinando ricerca semantica e ricerca lessicale — e può applicare un reranker.
4. I blocchi scelti vengono passati al modello generativo insieme alla domanda.
5. Il modello risponde usando quel contesto e, se l'applicazione lo prevede, cita le fonti.

Cosa significa per l'hardware:

• Il modello di embedding è in genere molto più piccolo del generativo e spesso può condividere la stessa macchina. L'indice vettoriale, per installazioni piccole o medie, può vivere tranquillamente in RAM di sistema e su disco; esistono anche implementazioni accelerate su GPU, quindi non è una regola architetturale che debba stare fuori dalla VRAM.
• A dimensionare l'inferenza interattiva è soprattutto il modello generativo, insieme al contesto recuperato e alla sua KV cache [41]. Il RAG tende ad aumentare il prefill perché ogni domanda porta con sé documenti aggiuntivi.
• L'indicizzazione iniziale è un lavoro batch, ma la durata può andare da minuti a molte ore o più a seconda di quantità di documenti, OCR, chunking, modello di embedding e hardware. Quando cambiano i documenti non serve riaddestrare l'LLM: si aggiornano gli indici interessati.
• Il fine-tuning non è necessario per aggiornare la conoscenza documentale. Può essere utile per stile, comportamento o task molto specifici, ma non è il meccanismo normale con cui si aggiungono nuovi contratti o manuali a un archivio RAG.

Per un piccolo studio o un ufficio con qualche migliaio di documenti, un sistema RAG con un modello da 20-30B può girare su una sola macchina. La qualità dipende spesso più dalla pipeline documentale che da qualche miliardo di parametri in più: OCR, chunking, metadati, hybrid retrieval, reranking e un evaluation set di domande reali possono fare più differenza di un semplice upgrade del modello.

---

12. Configurazioni AI locali per 1-4 persone

Mettiamo tutto insieme. Questi scenari sono punti di partenza, non configurazioni garantite: vanno verificati con il modello, la quantizzazione, il context e il motore di serving che userai davvero. I prezzi restano quelli citati nelle sezioni precedenti e fotografano il mercato fra settembre e inizio ottobre 2026.

Un caso estremo citato nelle fonti è una build quantizzata di GLM-5.3 da circa 178 GiB eseguita su due DGX Spark [42]. Va letta come prova di fattibilità, non come indicazione che due Spark offrano la stessa latenza di quattro RTX PRO 6000: il modello entra, ma banda locale e comunicazione tra nodi restano molto diverse.

Non dimenticare infrastruttura, piattaforma e TCO

Un server AI condiviso in ufficio è un servizio di rete a tutti gli effetti. Servono autenticazione, logging controllato, backup di configurazione e indici, segmentazione di rete, aggiornamenti e controllo del traffico in uscita. Un endpoint LLM esposto indiscriminatamente sulla LAN non diventa sicuro solo perché il modello è on-premise.

Ci sono poi due costi che le tabelle GPU nascondono:

• compatibilità della piattaforma: DGX Spark e RTX Spark sono Arm, mentre molte workstation sono x86. Prima dell'acquisto va verificato lo stack reale: container, wheel Python, librerie native, driver, software aziendale e strumenti di amministrazione;
• TCO (Total Cost of Ownership): prezzo di acquisto, energia, raffreddamento, amministrazione, storage, backup e tempo di gestione. Per un utilizzo sporadico, le API o un cloud controllato possono costare meno di una workstation da decine di migliaia di euro; per uso intenso e dati sensibili il locale può invece diventare conveniente.

---

13. DGX Spark o workstation? Scelta rapida per scenario

Dopo i numeri, la scelta si può ridurre a una matrice semplice. Non è una classifica: ogni piattaforma risolve un collo di bottiglia diverso.

La regola pratica resta questa: se il modello non entra, compra capacità; se entra ma è lento, compra banda; se gli utenti aumentano, misura il serving prima di comprare altra GPU.

---

14. AI locale, privacy e GDPR: cosa cambia davvero

Su questo blog parlo spesso di privacy, quindi vale la pena distinguere locale da isolato.

Eseguire un LLM on-premise permette di progettare un sistema in cui prompt, documenti, embedding e risposte restano nell'infrastruttura controllata dall'organizzazione. Non lo garantisce automaticamente: un'interfaccia locale può comunque usare telemetria, ricerca web, API esterne, modelli di embedding cloud, logging SaaS o tool remoti. La privacy dipende quindi dall'intera architettura, non dalla sola posizione dei pesi.

Per un'azienda europea, un'architettura interamente locale può ridurre trasferimenti verso fornitori terzi e semplificare alcuni aspetti di data governance, ma non elimina gli obblighi GDPR. Il tema si collega direttamente al problema più ampio della sovranità digitale europea e dell'AI Act, perché possedere l'hardware non significa automaticamente controllare ogni livello dello stack. Restano, a seconda dei dati e del trattamento, controllo degli accessi, minimizzazione, retention, sicurezza, basi giuridiche e gli altri adempimenti applicabili. Questo è particolarmente importante per categorie di dati sensibili come quelli sanitari.

Il RAG offre un vantaggio operativo: i documenti non devono essere incorporati nei pesi per essere interrogati. Restano file e indici aggiornabili separatamente. Ma anche qui vanno protetti archivio originale, chunk, embedding, log delle query e backup.

Da questo punto di vista DGX Spark, Mac Studio, Strix Halo e workstation classiche possono tutti essere parte di una soluzione privata: ciò che conta è come vengono configurati, collegati e amministrati. Per il lato complementare — quante informazioni possono essere inferite anche senza un ascolto diretto — rimando anche a I nostri dispositivi ci leggono nel pensiero?.

Per le aziende italiane c'è anche un aspetto pratico: alcuni rivenditori propongono questi sistemi in noleggio operativo e tramite canali per la pubblica amministrazione [28][33]. In un mercato molto volatile può essere utile confrontare acquisto, noleggio e cloud sul TCO reale, non soltanto sul prezzo della GPU.

---

Domande frequenti

DGX Spark è più veloce di una RTX 5090?

Non in generale. Il DGX Spark offre 128 GB di memoria unificata, ma circa 273 GB/s di banda; la RTX 5090 ha soltanto 32 GB di VRAM ma circa 1.792 GB/s. Se il modello entra nei 32 GB della 5090, il decode può essere molto più veloce. Spark diventa interessante quando il problema principale è far entrare modelli o contesti che superano la VRAM della GPU consumer.

128 GB di memoria unificata equivalgono a 128 GB di VRAM?

No. Sul DGX Spark CPU e GPU condividono un unico pool coerente da 128 GB, che deve ospitare anche runtime, cache e altre allocazioni. Il vantaggio è la capacità accessibile senza un budget RAM/VRAM separato; la differenza rispetto alla VRAM GDDR7 è soprattutto nella banda disponibile.

Una RTX 5090 da 32 GB basta per un LLM locale?

Per molti modelli quantizzati di classe 20-30B, sì. Il limite emerge quando aumentano la dimensione del modello, la finestra di contesto, la KV cache, la multimodalità o le richieste contemporanee. Per questo 32 GB possono essere abbondanti per un singolo utente e stretti per un server condiviso.

Due RTX 5090 da 32 GB permettono di usare 64 GB di modello?

Possono sfruttare quasi 64 GB aggregati distribuendo il modello tra le due GPU, ma non creano una singola GPU virtuale da 64 GB. Servono sharding e comunicazione tra le schede; topologia PCIe, runtime e strategia di parallelismo influenzano prestazioni e memoria realmente utilizzabile.

Quanta memoria serve per 4 utenti che usano un'AI locale?

Non esiste un numero unico. Con un modello quantizzato 20-30B, 72-128 GB offrono spesso ampio margine per 1-4 utenti, ma il collo di bottiglia può diventare prima la latenza o il throughput. Con 32 GB si può comunque lavorare, soprattutto con contesti più brevi e poche richieste concorrenti; la verifica corretta è misurare TTFT, ITL e p95 sul workload reale.

---

Conclusione: dimensiona il carico, non la scheda tecnica

La domanda giusta non è “qual è la macchina più potente?”, ma “qual è il mio collo di bottiglia?”

• Se il modello non entra, serve prima di tutto capacità: più VRAM/memoria unificata, quantizzazione o distribuzione su più nodi.
• Se il modello entra ma il decode è lento, la banda e il runtime diventano centrali.
• Se siete in più di uno, guardate TTFT, ITL, throughput aggregato e p95, non soltanto i token/s di una singola richiesta.
• Se fate RAG, misurate anche retrieval, reranking e qualità delle risposte: una GPU più grande non corregge una pipeline documentale scadente.
• Se i dati devono restare sotto il vostro controllo, progettate un'architettura locale davvero chiusa o una soluzione privata con vincoli equivalenti: “modello locale” da solo non basta.

Prima di comprare, scegli il modello e la quantizzazione che userai davvero, misura il file reale, stima il context medio e p95, definisci quante richieste saranno concorrenti e stabilisci un obiettivo di TTFT/ITL. Poi prova lo stesso workload sul runtime candidato. Cinque minuti di aritmetica restringono il campo; un benchmark rappresentativo decide l'acquisto.

---

Fonti e metodo

Le specifiche, i prezzi e i benchmark citati sono stati verificati fino al 2 ottobre 2026. Dove possibile sono state privilegiate fonti primarie NVIDIA, Apple e model card ufficiali; benchmark community e listini sono usati per ordini di grandezza e disponibilità di mercato.

Tutte le fonti sono state consultate il 2 ottobre 2026. Dove indicata, la data è quella di pubblicazione o ultimo aggiornamento della pagina.

Articoli Syspack di partenza. Il sito blocca l'accesso automatico ai contenuti degli articoli del blog: i temi sono ricavati da titoli, sottotitoli e pagine prodotto accessibili.

1. Syspack — DGX Spark o workstation: la macchina giusta per l'AI e Due 5090 32GB non fanno 64 GB (titoli e sottotitoli dalla homepage). https://syspack.com/Blog/post/120-dgx-spark-o-workstation-la-macchina-giusta-per-l-ai.html — https://syspack.com/
2. Syspack — Basta una RTX 5090 per l'AI in locale? 5090 vs RTX PRO 5000 e 6000. https://syspack.com/Blog/post/118-basta-una-rtx-5090-per-l-ai-in-locale.html
3. Syspack — LLM in locale: 6 domande prima di scegliere l'hardware. https://syspack.com/Blog/post/103-llm-in-locale-domande-prima-hardware.html
4. Syspack — AI sui documenti aziendali: la workstation giusta (sottotitolo dalla homepage). https://syspack.com/Blog/post/115-l-ai-che-risponde-sul-tuo-archivio.html

Architettura, specifiche e prezzi DGX Spark

5. NVIDIA — DGX Spark Porting Guide: System Overview (documentazione ufficiale, pagina vivente). https://docs.nvidia.com/dgx/dgx-spark-porting-guide/overview.html
6. EveZone (Evetech) — DGX Spark vs a High-VRAM Workstation: Unified Memory vs Discrete VRAM, aggiornato il 18 agosto 2026. https://evezone.evetech.co.za/deep-dives/dgx-spark-vs-a-high-vram-workstation-unified-memory-vs-discrete-vram
7. pi3g — NVIDIA DGX Spark Price In September 2026, 24 settembre 2026. https://pi3g.com/nvidia-dgx-spark-price/
8. Kevin Welter — DGX Spark: Price and Alternatives, settembre 2026 (dati al 16 settembre 2026). https://kevinwelter.com/en/blog/dgx-spark-kaufen
9. Syspack — NVIDIA DGX Spark Founders Edition (scheda prodotto). https://syspack.com/listino-workstation/54258-nvidia-dgx-spark-founders-edition.html
10. NVIDIA — DGX Spark: Personal AI Supercomputer (pagina prodotto ufficiale, pagina vivente). https://www.nvidia.com/en-us/products/workstations/dgx-spark/
11. Implicator.ai — Apple Mac Studio M5 Ultra Targets Local AI Prompt Speed, 25 agosto 2026. https://www.implicator.ai/apple-mac-studio-m5-ultra-prompt-processing/
12. PCSP (PC Server and Parts) — DGX Spark, Cloud, or a GPU Inference Node in 2026, settembre 2026 (dati al 20 settembre 2026). https://pcserverandparts.com/news/gpu-inference-server-vs-dgx-spark-2026/

Prezzi GPU

13. Tom's Hardware — Nvidia raises RTX Pro 6000 Blackwell GPU pricing to $13,250 (data non indicata nell'estratto, precedente ad agosto 2026). https://www.tomshardware.com/pc-components/gpus/nvidia-raises-rtx-pro-6000-blackwell-gpu-pricing-to-usd13-250-55-percent-increase-over-msrp-in-a-years-time
14. PC Guide — RTX 5090 now costs more than $6,500, some close to $10,000, as AI firms reportedly buy in bulk for servers, 14 settembre 2026. https://www.pcguide.com/news/rtx-5090-now-costs-more-than-6500-some-close-to-10000-as-ai-firms-reportedly-buy-in-bulk-for-servers/
15. GPU Poet — NVIDIA RTX PRO 6000 Blackwell Workstation Edition Price in September 2026. https://gpupoet.com/gpu/learn/price/september-2026/nvidia-rtx-pro-6000-blackwell-workstation

Mac Studio M5

16. Pasquale Pillitteri — Apple launches the 512GB Mac Studio M5 Ultra, antirez explains why the missing 1TB tier is no loss for local AI, fine agosto 2026. https://pasqualepillitteri.it/en/news/12825/mac-studio-m5-ultra-512gb-antirez-local-ai
17. NYU Shanghai RITS — Apple's M5 Ultra Mac Studio: 512GB of Unified Memory for Local AI, agosto 2026. https://rits.shanghai.nyu.edu/ai/apples-m5-ultra-mac-studio-512gb-of-unified-memory-for-local-ai/
18. AI Weekly — Apple M5 Ultra Mac Studio outpaces DGX Spark on local LLMs (sintesi della recensione Tom's Hardware), settembre 2026. https://aiweekly.co/alerts/apple-m5-ultra-mac-studio-outpaces-dgx-spark-on-local-llms
19. Implicator.ai — Apple M5 Ultra Nearly Quadruples DGX Spark Token Speed in Qwen Test, settembre 2026 (rimanda alla recensione Tom's Hardware del 21 settembre 2026). https://www.implicator.ai/apple-m5-ultra-dgx-spark-qwen-test/
20. Petronella Technology Group — Mac Studio M5 Ultra vs NVIDIA DGX Spark for Local AI, fine agosto 2026. https://petronellatech.com/blog/mac-studio-m5-ultra-vs-nvidia-dgx-spark-for-local-ai/

RTX Spark, Strix Halo, DGX Station

21. Windows Central — NVIDIA confirms RTX Spark configurations and availability, settembre 2026. https://windowscentral.com/hardware/nvidia/nvidia-confirms-rtx-spark-configurations-and-availability-first-devices-expected-to-begin-shipping-as-soon-as-next-month-with-two-n1x-configs-on-offer
22. Tech-ish — Nvidia's RTX Spark PCs ship in October, and both configurations are the N1X, 4 settembre 2026. https://tech-ish.com/2026/09/04/nvidias-rtx-spark-pcs-ship-in-october-and-both-configurations-are-the-n1x/
23. Zamin.uz — Nvidia introduces RTX Spark platform for Windows-PC market, settembre 2026. https://zamin.uz/en/technology/220144-nvidia-introduces-rtx-spark-platform-for-windows-pc-market.html
24. VideoCardz — DGX Spark prices are already climbing before RTX Spark mini PCs launch, metà settembre 2026. https://videocardz.com/newz/dgx-spark-prices-are-already-climbing-before-rtx-spark-mini-pcs-launch
25. ComputingForGeeks — AMD Ryzen AI Max+ 395 Mini PCs Compared. Data non indicata: usata solo per specifiche tecniche stabili. https://computingforgeeks.com/ryzen-ai-max-395-mini-pc-comparison/
26. pi3g — NVIDIA DGX Station available now for purchase. https://pi3g.com/?p=31780
27. Tom's Hardware — Nvidia's GB300-powered DGX Station desktop tower listed for nearly $100,000 online, agosto 2026. https://www.tomshardware.com/desktops/nvidias-gb300-powered-dgx-station-desktop-tower-listed-for-nearly-usd100-000-online-enterprise-ai-powerhouse-now-available-to-buy-for-mere-mortals-with-lots-of-cash

Schede RTX PRO, workstation e listini

28. Syspack — NVIDIA DGX Spark e DGX Station (categoria prodotti, noleggio operativo e MePA). https://syspack.com/3400-workstation-nvidia-dgx
29. Syspack — NVIDIA RTX Pro 6000 96GB Max-Q Workstation Edition (scheda prodotto: 300 W, fino a 4 GPU, MIG 4×24 GB, 1.792 GB/s). https://syspack.com/h-schede-video-pci-express/53954-RTX-Pro-6000-96GB-MaxQ-Workstation-Edition.html
30. Syspack — NVIDIA RTX Pro 5000 48GB (scheda prodotto: 300 W, ECC, MIG). https://syspack.com/h-schede-video-pci-express/53952-RTX-Pro-5000-48GB.html
31. GPUPrix — RTX PRO 5000 Blackwell 72GB: lowest price in Europe, aggiornato il 24 settembre 2026 (prezzo e specifiche). https://gpuprix.com/eu/gpus/rtx-pro-5000-blackwell-72gb
32. Tech Insider — RTX PRO 6000 Blackwell vs RTX 5090 vs W7900: 96GB Gap, 14 settembre 2026. https://tech-insider.org/?p=23242
33. Syspack — Workstation AI (listino configurazioni con RTX PRO 5000/6000, prezzi IVA esclusa). https://syspack.com/workstation-ai/54285-Workstation-AI-Core-Ultra-9-285K-256GB-SSD-2TB-4TB-RTX-PRO-6000-96GB.html

Modelli, concorrenza e RAG

34. ModemGuides — Best Open-Source LLMs of 2026: Ranked by Capability, License, and Hardware, aggiornato il 5 settembre 2026. https://www.modemguides.com/blogs/ai-infrastructure/best-open-source-llms-hardware-april-2026
35. PromptQuorum — Best Local LLMs 2026: Qwen3.8-27B, Gemma 4, Phi-4-mini, settembre 2026. https://www.promptquorum.com/local-llms/best-local-llms-2026
36. Convly — Ollama vs LM Studio vs vLLM vs llama.cpp: quale scegliere nel 2026?, 6 agosto 2026. https://convly.ai/it/ollama-vs-lm-studio-vs-vllm-vs-llama-cpp-2026/
37. Hugging Face (ennerd) — Laguna S 2.1 NVFP4, scheda modello con benchmark su DGX Spark e RTX PRO 6000 (data non indicata, misure su vLLM 0.25.1). https://huggingface.co/ennerd/Laguna-S-2.1-NVFP4
38. Hugging Face (poolside) — Issues running on an RTX Pro 6000, discussione con misure di concorrenza su RTX PRO 6000 (data non indicata, vLLM 0.25.1). https://huggingface.co/poolside/Laguna-S-2.1-NVFP4/discussions/3
39. GitHub (Mirrdhyn) — DeepSeek-V4-Flash on 2× DGX Spark, tensor-parallel, agosto 2026 (build 0731 del modello). https://github.com/Mirrdhyn/dsv4-flash-dgx-spark
40. HelixML — SGLang vs DwarfStar vs vLLM+DSpark: Running DeepSeek 4 on the RTX Pro 6000, 14 agosto 2026. https://helix.ml/blog/running-ds4-on-rtx-pro-6000
41. GPU Mart — Right-Sizing a GPU Server for Enterprise RAG, aggiornato il 22 agosto 2026. https://rdp.in/gpu-mart/knowledge-base/right-sizing-a-gpu-server-for-enterprise-rag/
42. Hugging Face (canada-quant) — glm-5.3-w4a16-mtp, risultati al 31 agosto 2026. https://huggingface.co/canada-quant/glm-5.3-w4a16-mtp

Aggiunta

43. Syspack — NVIDIA RTX PRO 6000 96GB Server Edition (scheda prodotto: riferimento ai 600 W della Workstation Edition, MIG 4×24 GB). https://syspack.com/h-gpu-computing/54082-RTX-PRO-6000-96GB-Server-Edition.html

Verifiche e fonti primarie aggiunte nella revisione del 2 ottobre 2026

44. NVIDIA — RTX Spark (specifiche ufficiali N1X: 20 core/6.144 CUDA core/fino a 128 GB e 18 core/5.120 CUDA core/fino a 64 GB). https://www.nvidia.com/it-it/products/rtx-spark/
45. NVIDIA — GeForce RTX 5090 (32 GB GDDR7, 1.792 GB/s, 575 W per la Founders Edition). https://www.nvidia.com/it-it/geforce/graphics-cards/50-series/rtx-5090/
46. NVIDIA — RTX PRO 6000 Blackwell Workstation Edition (96 GB GDDR7 ECC, 1.792 GB/s, 600 W). https://www.nvidia.com/it-it/products/workstations/professional-desktop-gpus/rtx-pro-6000/
47. NVIDIA Docs — Multi-Instance GPU User Guide — Supported GPUs (RTX PRO 6000 Blackwell: fino a 4 istanze MIG). https://docs.nvidia.com/datacenter/tesla/mig-user-guide/supported-gpus.html
48. Apple — Apple presenta il nuovo Mac Studio con M5 Max e M5 Ultra, 25 agosto 2026, più aggiornamento disponibilità 22 settembre 2026 (fino a 512 GB, 1,2 TB/s, clustering Thunderbolt 5/RDMA). https://www.apple.com/it/newsroom/2026/08/apple-introduces-new-mac-studio-with-m5-max-and-m5-ultra/
49. Hugging Face / ggml-org e quantizzazioni community — Qwen3.8-27B-GGUF: artifact Q4_K_M osservati nell'ordine di ~17-19 GB, a seconda della conversione. https://huggingface.co/ggml-org/Qwen3.8-27B-GGUF
50. DeepSeek — DeepSeek-V4-Flash model card ufficiale: 284B parametri totali, 13B attivi, contesto fino a 1M. https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash
51. Hugging Face (Preyazz) — DeepSeek-V4-Flash-GGUF community quants: circa 96 GB Q2_K, 125 GB Q3_K_M, 161 GB Q4_K_M. https://huggingface.co/Preyazz/DeepSeek-V4-Flash-GGUF
52. Qwen — Qwen3.8-Flash-Next — License: Qwen Community License 1.0 e relative condizioni. https://huggingface.co/Qwen/Qwen3.8-Flash-Next/blob/main/LICENSE
53. Meta — Llama 4 Acceptable Use Policy: restrizione UE sui diritti concessi per i modelli multimodali, con eccezione per end user di prodotti o servizi che li incorporano. https://github.com/meta-llama/llama-models/blob/main/models/llama4/USE_POLICY.md
54. NVIDIA Technical Blog — Scaling Autonomous AI Agents and Workloads with NVIDIA DGX Spark, 16 marzo 2026: fino a 2 nodi per modelli ~400B e 4 nodi per modelli fino a 700B. https://developer.nvidia.com/blog/?p=114188
55. Meta / Hugging Face — Muse Glimmer 30B model card e repository GGUF, agosto 2026 (29,6B denso, Apache 2.0; quantizzazioni per hardware consumer). https://huggingface.co/meta-models/Muse-Glimmer-30B-GGUF
56. TrendForce — AI Server Demand Sustains Memory Contract Price Increases in 4Q26, 30 settembre 2026: DRAM ancora sottocapacità e prezzi contrattuali convenzionali previsti +10-15% QoQ nel Q4 2026. https://www.trendforce.com/presscenter/news/20260930-13258.html
57. Banca Centrale Europea (BCE) — Euro foreign exchange reference rates, riferimento del 1° ottobre 2026: 1 EUR = 1,1298 USD. https://www.ecb.europa.eu/stats/policy_and_exchange_rates/euro_reference_exchange_rates/html/index.en.html

Nota sui prezzi: nel corpo dell'articolo tutti i prezzi sono espressi in euro. I prezzi originariamente pubblicati in dollari USA sono convertiti al cambio di riferimento BCE del 1° ottobre 2026 (1 EUR = 1,1298 USD) e arrotondati; sono equivalenti valutari, non listini europei. I prezzi già rilevati in Europa restano quelli delle fonti e possono essere IVA esclusa. In un mercato molto volatile vanno verificati nuovamente prima dell'acquisto.

Nota sui benchmark: i numeri di velocità provengono da configurazioni diverse (modelli, quantizzazioni, motori di inferenza). Servono a capire gli ordini di grandezza, non a confrontare le macchine al decimale.