RTX Spark in ersten Tests: Wo Nvidias Notebook-Chip lokale KI schafft

Seit dem 16. Oktober sind die ersten Notebooks mit Nvidias Kombichip RTX Spark im Handel, und mit ihnen kommen die ersten unabhängigen Messwerte. Sie zeichnen ein differenzierteres Bild als die Präsentation: Bei KI-Agenten, die große Textmengen verarbeiten, liegt der Chip klar vor einem vergleichbaren MacBook Pro, beim reinen Textausstoß großer Modelle dagegen nicht. Wer mit dem Gedanken spielt, Sprachmodelle künftig auf dem eigenen Laptop laufen zu lassen, findet in den Tests eine brauchbare Entscheidungshilfe.

Das Wichtigste in Kürze

• Artificial Analysis misst auf einem Surface Laptop Ultra mit 128 GB für eine Serie von Agenten-Aufgaben rund die halbe Bearbeitungszeit eines MacBook Pro mit M5 Pro und 64 GB.
• Das Videoformat c’t 3003 von heise sieht beim Textausstoß eines dichten 27-Milliarden-Parameter-Modells dagegen das M5 Pro vorn; der Asus ProArt P14 kommt auf rund 14,5 Token pro Sekunde.
• Modelle mit Mixture-of-Experts-Aufbau laufen schnell: c’t misst knapp 61 Token pro Sekunde, StorageReview bis zu 89.
• Der Speicher wird beim Kauf festgelegt; die Preise reichen in Deutschland beim ProArt P14 von rund 3.300 Euro (32 GB) bis 6.700 Euro (128 GB).
• Schwachpunkte: ein Lüfter, der laut c’t schon im Leerlauf anspringt, ungeklärte Stromabschaltungen unter Volllast bei StorageReview.

Was die Tests messen und warum sie sich scheinbar widersprechen

RTX Spark, intern N1X genannt, kombiniert eine Blackwell-Grafikeinheit mit einem Arm-Prozessor; beide teilen sich einen gemeinsamen Arbeitsspeicher von bis zu 128 GB. Technisch ist das im Kern der Chip aus Nvidias Mini-Rechner DGX Spark, nur mit deutlich weniger Leistungsaufnahme: Artificial Analysis nennt 45 bis 80 Watt im Notebook gegenüber 140 Watt beim Desktop-Vorbild. Die Ankündigung samt Microsofts Agenten-Schutzräumen haben wir Anfang Oktober eingeordnet. Damals blieb offen, wie schnell der Chip tatsächlich ist.

Artificial Analysis hat dazu am 15. Oktober einen eigenen Agenten-Benchmark auf einem Vorserienmodell des Surface Laptop Ultra mit 128 GB laufen lassen. Acht aufgezeichnete Agenten-Aufgaben, darunter drei aus dem Programmier-Test SWE-bench, mit 168 Modellrunden und 172 Werkzeugaufrufen. Mit dem dichten Modell Qwen3.8 27B brauchte das Notebook 18,7 Minuten, das MacBook Pro mit M5 Pro und 64 GB 37,6 Minuten, ein Rechner mit AMDs Ryzen AI Halo 34,5 Minuten. Nvidias DGX Spark lag mit 17,3 Minuten knapp vor dem Notebook, ein Desktop mit Geforce RTX 5090 mit 4,9 Minuten weit vorn.

Die c’t-3003-Redaktion kommt beim Asus ProArt P14 mit 32 GB zu einem anderen Ergebnis: Ein dichtes Qwen-Modell mit 27 Milliarden Parametern erreicht dort rund 14,5 Token pro Sekunde und ist damit langsamer als auf dem M5 Pro. Der Widerspruch löst sich auf, wenn man auf die Art der Arbeit schaut. Agenten lesen sehr viel und schreiben wenig: Im Benchmark von Artificial Analysis stehen rund 2,6 Millionen eingelesenen Token nur 31.000 erzeugte gegenüber. Das Einlesen, im Fachjargon Prompt-Verarbeitung, ist rechenintensiv, und hier liegt RTX Spark nach Einschätzung von c’t vor Strix Halo und M5 Pro. Das Erzeugen neuer Wörter hängt dagegen vor allem an der Speicherbandbreite, und da hat Apple Vorteile.

Ganz vergleichbar sind die Zahlen nicht. Artificial Analysis betont, dass jedes System mit eigener Software-Konfiguration lief; auf dem Nvidia-Notebook half etwa eine Technik namens spekulatives Dekodieren, bei der ein kleines Hilfsmodell Wörter vorschlägt. Auch die Speicherausstattung der Testgeräte unterscheidet sich.

Wofür das Notebook im Alltag taugt

Am besten schneidet RTX Spark mit sogenannten Mixture-of-Experts-Modellen ab, die pro Wort nur einen kleinen Teil ihrer Parameter aktivieren. Qwen3.6 35B A3B, mit 36 Milliarden Parametern, von denen 3 Milliarden gleichzeitig aktiv sind, erreicht bei c’t knapp 61 Token pro Sekunde ohne Zusatztricks. StorageReview misst mit demselben Modell in einem Programmierlauf über die Codex-Kommandozeile 89 Token pro Sekunde, mit gpt-oss:20b rund 58. Das reicht für flüssiges Arbeiten mit einem lokalen Programmierassistenten, ganz ohne Cloud-Abo und ohne dass Code oder Daten den Rechner verlassen.

Allerdings: Im Programmiertest von c’t baute das langsamere 27B-Modell die sinnvollere Website als das flinke 35B-Modell. Tempo ist bei lokaler KI nur die halbe Wahrheit. Und große Modelle brauchen Platz. Mit 32 GB musste c’t das 27B-Modell neben Photoshop auf eine stärker komprimierte Fassung umstellen und hätte sich 48 GB gewünscht. Das Modell Ling 3.0 Flash mit 124 Milliarden Parametern belegt 77 GB und lief bei Artificial Analysis nur auf den Systemen mit genug Speicher, nicht auf dem MacBook mit 64 GB und nicht auf der RTX 5090 mit 32 GB.

Bei der Effizienz punktet der Chip: c’t misst rund 40 Watt Dauerlast mit Spitzen um 60 Watt, ein Strix-Halo-System zog etwa 120 Watt. Beim Videoabspielen hielt der Akku des ProArt P14 über 19 Stunden. Dafür springt der Lüfter laut c’t gelegentlich schon im Leerlauf an. Spiele laufen über Microsofts Übersetzungsschicht Prism; Cyberpunk 2077 erreichte in Full HD mit Ultra-Details ohne Hochskalierung 63 Bilder pro Sekunde.

Die offenen Baustellen

StorageReview berichtet von einem ernsten Problem: Ein Surface Laptop Ultra mit 128 GB schaltete sich bei einer anhaltenden Volllast auf allen Prozessorkernen an einem Abend dreimal hart ab, ein vorheriges Testgerät war auf dieselbe Weise ausgefallen. Die Protokolle deuten nach Einschätzung der Tester auf Stromversorgung oder Firmware-Schutz, nicht auf Überhitzung. Ob ein Update das behebt, ist offen. Auch Linux ist noch Handarbeit: c’t bekam Ubuntu für Arm erst mit eigenem Kernel und der Hilfe von Claude Code zum Laufen, dann aber lief das MoE-Modell 9 bis 14 Prozent schneller als unter Windows.

Für wen sich RTX Spark lohnt

Die wichtigste Entscheidung fällt beim Kauf, denn der gemeinsame Speicher lässt sich später nicht erweitern. Wer lokale Agenten oder größere Modelle betreiben will, sollte eher zu 64 oder 128 GB greifen; die 32-GB-Variante ist eher ein schnelles Arbeitsgerät mit KI-Option als eine KI-Maschine. In Deutschland kostet der ProArt P14 laut c’t rund 3.300 Euro mit 32 GB, 4.300 Euro mit 64 GB und 6.700 Euro mit 128 GB. Wer nur Modelle unter 24 GB nutzt, ist laut StorageReview mit einem Notebook mit RTX-5090-Grafik deutlich schneller unterwegs. Und wer vor allem günstig einsteigen will, findet laut c’t bei Strix-Halo-Notebooks unter 2.000 Euro viel Leistung fürs Geld. Ein Blick auf unsere Einordnung des DGX Spark mit 64 GB hilft zudem, wenn es nicht unbedingt ein Laptop sein muss.

Fazit

RTX Spark ist kein MacBook-Killer, aber der erste Windows-Laptop, der lokale KI-Agenten ernsthaft trägt. Seine Stärke liegt genau dort, wo Agenten ihre Zeit verbringen: beim Einlesen langer Kontexte, beim Halten großer Modelle im Speicher und bei Nvidias CUDA-Software, auf die Werkzeuge wie ComfyUI setzen. Beim reinen Schreibtempo und bei der Lüftersteuerung bleibt Apple vorn, und die ungeklärten Abschaltungen sollten Käufer abwarten lassen, bis Microsoft und Nvidia nachgebessert haben. Wer heute kauft, kauft vor allem Speicher. Die eigentliche Botschaft der Tests: Für lokale KI entscheidet die Arbeitslast, nicht das Datenblatt.