// Unternehmen & Märkte 16.10.2026 · 18:00 Uhr 8 Min. Lesezeit

RTX Spark im Notebook: Lokale KI profitiert vom Speicher, bleibt aber teuer

Mindverse News

KI-gestützt erstellt 2 Quellen Originalmeldung: heise.de Arbeitsweise

KI-generierte Illustration: RTX Spark im Notebook: Lokale KI profitiert vom Speicher, bleibt aber teuer — KI-generierte Illustration

Das Wichtigste in Kürze

Ein Test des Asus ProArt P14 mit 32 GB Unified Memory zeigt, dass RTX Spark lokale Sprachmodelle ausführen kann, die mit herkömmlichem Notebook-Grafikspeicher oft nicht hineinpassen. [1]
Bei einem getesteten Qwen-Modell erreichte das Gerät laut c’t 3003 rund 14,5 Token pro Sekunde; ein schnelleres Mixture-of-Experts-Modell kam auf knapp 61 Token pro Sekunde, lieferte im Praxistest aber schwächere Ergebnisse. [1]
Für parallele KI- und Kreativ-Workflows erwiesen sich 32 GB als knapp. Asus’ getestetes Gerät kostete laut Test 3.300 Euro; Varianten mit mehr gemeinsamem Speicher lagen deutlich höher. [1]
CUDA ist ein Vorteil für bestimmte KI- und Kreativprogramme. Linux ließ sich zwar nach manueller Anpassung betreiben, war aber zunächst nicht vollständig unterstützt und erforderte zusätzliche Arbeit. [1]
Nvidia bewirbt bis zu 128 GB Unified Memory und weitreichende lokale KI-Fähigkeiten; diese Herstellerangaben sind nicht mit den Ergebnissen des Tests gleichzusetzen. [3]

// Inhalt · 8 Abschnitte

Ein Notebook-Chip mit ungewöhnlichem Schwerpunkt
Was der Test tatsächlich untersucht
Speicher entscheidet über den praktikablen KI-Einsatz
Benchmarks: unterschiedliche Modelle, unterschiedliche Prioritäten
Lokale Agenten und kreative Workflows
CUDA ist ein Ökosystemvorteil, Linux bleibt ein Projekt
Mobilität, Geräusch und Spieleleistung
Preis und Einordnung für die Beschaffung
Quellen

Ein Notebook-Chip mit ungewöhnlichem Schwerpunkt

Mit RTX Spark bringt Nvidia einen Arm-basierten Chip in Notebooks, dessen auffälligstes Merkmal nicht allein die GPU-Leistung ist: CPU und GPU greifen auf einen gemeinsamen, schnellen Speicherbereich zu. Nvidia bezeichnet das Paket als Superchip; im Test wird der Chip mit dem Namen N1X in Verbindung gebracht. Das Unternehmen stellte die Plattform als Rechner für lokale KI, Kreativarbeit und Spiele vor. [1][3]

Der Ansatz zielt auf ein praktisches Problem bei lokalen Sprachmodellen. Deren Gewichte müssen in den Speicher passen, auf den die GPU zugreifen kann. Bei vielen herkömmlichen Notebooks ist der schnelle Grafikspeicher begrenzt, während der größere Arbeitsspeicher langsamer ist. Unified Memory kann den Engpass entschärfen, weil CPU und GPU denselben Speicherpool nutzen. Es erhöht jedoch nicht automatisch die Rechengeschwindigkeit und ersetzt auch keine Prüfung, wie viel Speicher eine konkrete Anwendung neben dem Modell benötigt. [1]

Nvidia nennt für RTX Spark bis zu 128 GB Unified Memory und bewirbt unter anderem die Ausführung sehr großer Sprachmodelle direkt auf dem Gerät. Auch die vom Unternehmen angegebene KI-Rechenleistung von bis zu einem Petaflop bezieht sich auf eine bestimmte Rechenpräzision. Solche Plattformangaben beschreiben das Angebot des Herstellers, sind aber kein Ersatz für unabhängige Messungen mit konkreten Modellen und Anwendungen. [3]

Was der Test tatsächlich untersucht

Der c’t-3003-Test konzentrierte sich auf das Asus ProArt P14 mit 32 GB gemeinsamem Speicher und einer 1-TB-SSD. Es handelt sich damit um einen Test eines konkreten Geräts und einer bestimmten Speicherausstattung, nicht um einen Vergleich sämtlicher angekündigter RTX-Spark-Notebooks. Die Tester erhielten das Gerät vorab; der Beitrag nennt keine Vorgaben des Herstellers für die Tests. [1]

Nvidia beschreibt die Plattform mit einer 20-Kern-CPU und einer Blackwell-GPU mit 6.144 CUDA-Kernen; die CPU-Entwicklung erfolgte nach Unternehmensangaben gemeinsam mit MediaTek. Diese Angaben helfen, die Architektur einzuordnen, sagen aber allein wenig darüber aus, welche dauerhafte Leistung ein bestimmtes Notebook unter seiner jeweiligen Kühlung erreicht. [3]

Für Unternehmen ist diese Trennung wichtig: Eine Chipkonfiguration, ein Gerätepreis und ein unabhängiges Anwendungsergebnis sind unterschiedliche Informationsarten. Die Herstellerangaben skizzieren mögliche Kapazitäten; die Messungen am Asus-Gerät zeigen, was eine konkrete Notebook-Ausführung in ausgewählten Szenarien leistet. [1][3]

Speicher entscheidet über den praktikablen KI-Einsatz

Als Beispiel für den Speicherbedarf führt der Test ein dichtes Qwen-Modell mit 27 Milliarden Parametern an. In der stark komprimierten Quantisierung IQ4_XS beanspruche es rund 14 GB, noch ohne den zusätzlichen Speicherbedarf für den Kontext. Im praktischen Einsatz könne der gesamte Bedarf dadurch deutlich wachsen. Genau hier liegt der Nutzen eines großen gemeinsamen Speichers: Das Modell konkurriert weniger schnell mit einem kleinen, separaten GPU-Speicherpool. [1]

Die 32-GB-Ausführung reichte im Test für lokale Sprachmodelle, aber nicht ohne Einschränkungen für parallele Aufgaben. Mit einer weniger stark komprimierten Quantisierung konnte der Tester neben dem Modell höchstens einen Agenten im Terminal einsetzen; zusätzliche Arbeit im Browser oder in Programmen wie Blender und Photoshop brachte das System an seine Speichergrenzen. Eine kleinere Quantisierung sparte Speicher und ermöglichte im Versuch auch Photoshop parallel. Der Tester hätte für mehr Spielraum dennoch mindestens 48 GB bevorzugt. [1]

Daraus folgt eine konkrete Beschaffungsfrage: Die maximale Speichermenge ist nicht nur ein Merkmal für besonders große Modelle, sondern bestimmt auch, ob neben der Inferenz weitere Anwendungen und Agenten gleichzeitig laufen können. Das ist eine Analyse aus dem beschriebenen Test, keine Garantie dafür, dass 48 GB für jeden betrieblichen Workflow genügen. Ausschlaggebend bleiben Modellgröße, Quantisierung, Kontextlänge und die übrigen parallel genutzten Programme. [1]

Benchmarks: unterschiedliche Modelle, unterschiedliche Prioritäten

Bei der Textgenerierung erreichte das Asus-Gerät mit dem getesteten Qwen-Modell mit 27 Milliarden Parametern laut c’t 3003 etwa 14,5 Token pro Sekunde. In diesem Vergleich lag es vor den getesteten Apple-M6- und Strix-Halo-Konfigurationen, aber hinter einem Apple-System mit M5 Pro. Diese Rangfolge ist an die jeweiligen Testgeräte und das verwendete Modell gebunden; der Beitrag weist selbst darauf hin, dass für den M5 Pro ein Mac mini statt eines Notebooks eingesetzt wurde. [1]

Ein zweites Modell, Qwen 3.6-35B-A3B, erreichte auf dem RTX-Spark-Notebook knapp 61 Token pro Sekunde. Es gehört zur Klasse der Mixture-of-Experts-Modelle: Bei einer Anfrage werden nicht alle Modellteile gleichzeitig aktiviert. Der Test beschreibt es als schneller, aber in der Qualität schwächer als das dichte 27-Milliarden-Parameter-Modell. Die Tokenrate allein bildet daher nicht ab, welches Modell für eine konkrete Aufgabe besser geeignet ist. [1]

Auch die Bedingungen des Vergleichs begrenzen die Aussagekraft. Das Strix-Halo-Ergebnis stammte laut Test von einem Desktop-System mit bis zu 120 Watt Dauerleistung, während das Asus-Notebook für den betreffenden Vergleich mit etwa 40 Watt und kurzzeitig rund 60 Watt angegeben wurde. Der Tester schätzte den Nvidia-Chip in diesem Vergleich als effizienter ein; die abweichende Leistungsaufnahme macht daraus aber keinen kontrollierten Vergleich identischer Notebook-Systeme. [1]

Neben der Token-Generierung untersuchte der Test die Verarbeitung längerer Eingaben, bevor ein Modell mit der Ausgabe beginnt. Bei langen Prompts kann diese Vorverarbeitung für Agenten wichtig sein, die große Kontexte erhalten. Der Tester sah das RTX-Spark-Notebook hier vor den verglichenen Strix-Halo- und Apple-Systemen, nennt im Transkript jedoch keine konkreten Messwerte. Eine belastbare Bewertung der Größenordnung lässt sich daraus deshalb nicht ableiten. [1]

Lokale Agenten und kreative Workflows

Der Test erprobte die Modelle auch mit einem Coding-Agenten. Bei einer Aufgabe, für eine Person eine Website zu erstellen und dafür Informationen aus dem Netz zu recherchieren, lieferte das größere dichte Modell nach Einschätzung des Testers ein brauchbareres Ergebnis. Das schnellere Modell produzierte in diesem Beispiel Fehler und unpassende Inhalte. Der Versuch zeigt, dass lokale Ausführung zwar einen Agenten-Workflow ermöglichen kann, die Qualität aber weiterhin stark vom gewählten Modell abhängt. [1]

Für Unternehmen ist zudem entscheidend, dass ein Agent nicht nur Text erzeugt, sondern Werkzeuge bedienen kann. Im Test steuerte ein Modell Photoshop über eine MCP-Schnittstelle. Die technische Verbindung funktionierte, doch das Ergebnis der konkret ausprobierten Bildaufgabe überzeugte den Tester inhaltlich nicht. Als plausibleren Einsatz nennt der Beitrag wiederkehrende Änderungen an vielen Dateien, etwa eine gleichartige Anpassung in einer Ebene. Das ist eine mögliche Anwendung, kein Nachweis eines produktionsreifen Automatisierungsprozesses. [1]

Der Test unterscheidet dabei zwischen Sprachmodellen und speziellen Neural Processing Units. Für die dort ausprobierten großen Sprachmodelle lief die Berechnung auf den GPU-Kernen; die NPU, die bei manchen PC-Kategorien für bestimmte KI-Funktionen vorgesehen ist, war dafür nach Darstellung des Testers nicht ausschlaggebend. Unternehmen sollten deshalb prüfen, welche Hardware tatsächlich von ihren Modellen und Laufzeitumgebungen genutzt wird, statt die bloße Bezeichnung „KI-PC“ als Leistungsnachweis zu behandeln. [1]

CUDA ist ein Ökosystemvorteil, Linux bleibt ein Projekt

Bei der Ausführung von Sprachmodellen mit verbreiteten Werkzeugen wie llama.cpp, Ollama oder LM Studio sieht der Test die Plattformwahl weniger entscheidend: Auf Systemen mit schnellem gemeinsamem Speicher lasse sich die Modellklasse grundsätzlich auch auf unterschiedlichen Hardwareplattformen betreiben. Anders bewerte der Beitrag Anwendungen für Bild- und Videogenerierung. Dort sei Nvidia durch die Unterstützung von CUDA häufig besser aufgestellt; ComfyUI habe der Tester zwar auch auf anderen Plattformen zum Laufen gebracht, teilweise aber mit zusätzlichem Aufwand. [1]

Für Organisationen, die bereits CUDA-abhängige Software einsetzen, kann das ein relevantes Argument sein. Es ist jedoch eine Aussage über Kompatibilität und den getesteten Softwarestand, keine pauschale Garantie, dass jede Anwendung ohne Anpassungen auf RTX Spark funktioniert. Die Nvidia-Mitteilung hebt CUDA und weitere eigene Entwicklungswerkzeuge als Teil der Plattform hervor; die konkrete Unterstützung muss für jede eingesetzte Anwendung geprüft werden. [1][3]

Auch Linux ist nicht als unkomplizierte Alternative belegt. Ein Ubuntu-System für Arm startete im Test zunächst ohne Nvidia-Treiber und ohne funktionierende interne Tastatur und Touchpad. Der Tester brachte GPU, Eingabegeräte und Kernel später mit manuellen Eingriffen zum Laufen. Bei zwei Sprachmodellen liefen die Benchmarks unter diesem angepassten Linux laut Test um neun beziehungsweise 14 Prozent schneller als unter Windows. Das Ergebnis beruht auf einem einzelnen Gerät und einem vom Tester eingerichteten System; es belegt weder offiziellen Linux-Support noch eine allgemeine Leistungsgarantie. [1]

Der praktische Unterschied zwischen angekündigter Plattformunterstützung und betrieblicher Einsetzbarkeit ist damit deutlich: Windows 11 für Arm war vorinstalliert, während Linux zunächst zusätzliche Treiberarbeit erforderte. Für verwaltete Unternehmensumgebungen sind daher Treiberpflege, Supportzusagen und Kompatibilität mit vorhandenen Sicherheits- und Managementwerkzeugen ebenso wichtig wie einzelne Benchmarkwerte. Diese Bewertung folgt aus dem beobachteten Installationsaufwand, nicht aus einer umfassenden Kompatibilitätsprüfung. [1]

Mobilität, Geräusch und Spieleleistung

Das ProArt P14 bietet laut Test ein OLED-Display mit 2.880 × 1.800 Pixeln. Eine im Beitrag genannte Messung ergab eine maximale Helligkeit von 599 Nits. Beim Videoabspielen und einer Displayhelligkeit von 200 Nits hielt das Gerät im Test mehr als 19 Stunden durch. Diese Werte beschreiben den getesteten Rechner und ein bestimmtes Nutzungsszenario; sie lassen sich nicht ohne Weiteres auf andere RTX-Spark-Modelle oder gemischte Arbeitslasten übertragen. [1]

Im Gegenzug fiel die Lüftersteuerung negativ auf. Der Lüfter sprang dem Tester zufolge gelegentlich auch auf einem ruhenden Desktop an; unter Volllast wurden bis zu 2,7 Sone gemessen. Das kann für mobile Kreativarbeit oder gemeinsam genutzte Arbeitsräume relevant sein, selbst wenn die Akkulaufzeit bei leichter Videowiedergabe gut ausfällt. [1]

Spiele liefen im Test ebenfalls. Cyberpunk 2077 erreichte mit Ultra-Einstellungen, ohne Raytracing und ohne Upscaling bei Full-HD-Auflösung 63 Bilder pro Sekunde. Dabei kam unter Windows die Prism-Kompatibilitätsschicht zum Einsatz, die x86-Programme auf der Arm-Plattform ausführt. Der Test liefert damit einen konkreten Einzelwert, bestätigt aber nicht Nvidias allgemeine Ankündigung, AAA-Spiele mit mehr als 100 Bildern pro Sekunde bei 1440p ausführen zu können. [1][3]

Preis und Einordnung für die Beschaffung

Das getestete Asus ProArt P14 mit 32 GB Unified Memory und 1 TB SSD wurde im Beitrag mit einem Handelspreis von 3.300 Euro angegeben. Für die Varianten mit 64 beziehungsweise 128 GB nannte der Tester mindestens 4.300 und 6.700 Euro. Die Preise beziehen sich auf die im Test genannten Asus-Konfigurationen und sind keine einheitliche Preisangabe für alle RTX-Spark-Notebooks. [1]

Der Test ordnet RTX Spark als hochpreisige Alternative zu leistungsstarken Apple-Notebooks ein. Zugleich nennt er ältere AMD-Strix-Halo-Geräte mit 32 GB, die laut Beitrag teilweise unter 2.000 Euro erhältlich waren. Damit entsteht ein Zielkonflikt: Nvidia bietet den Zugang zum CUDA-Ökosystem und in höheren Ausstattungen viel gemeinsamen Speicher; günstigere Alternativen können für lokale Sprachmodelle ebenfalls geeignet sein, benötigen für manche Kreativanwendungen aber möglicherweise mehr Anpassungsarbeit. [1]

Für eine Beschaffung sollten Sie daher nicht allein die maximale Modellgröße oder die angekündigte KI-Leistung bewerten. Aussagekräftiger ist ein Test mit den tatsächlich vorgesehenen Modellen, Kontextlängen und parallelen Anwendungen. Ergänzend sollten Sie den benötigten Arbeitsspeicher, die Lautstärke unter Dauerlast, die Laufzeit bei Ihrer typischen Arbeitslast sowie die Unterstützung Ihrer Betriebssystem- und Softwareumgebung berücksichtigen. Das ist eine aus den beschriebenen Messergebnissen abgeleitete Bewertung; der vorliegende Test bildet weder sämtliche Gerätevarianten noch einen vollständigen Unternehmensbetrieb ab. [1][3]