［開発者向け］NVIDIA「RTX Spark」でコーディングから検証・デプロイまで1台で——ローカルエージェントとWindows on Arm拡充の全体像

2026-10-18

はじめに

　NVIDIAは2026年10月16日、開発者向けブログでAI開発用PC「RTX Spark」の活用方法を紹介しました。本稿では、ローカルでのエージェント実行、性能比較、Windows on Armの開発環境、新モデル「Nemotron 3.5 Bolt」、アプリの移植手順を解説します。

参考記事

タイトル: Code, Test, and Deploy on One Machine with NVIDIA RTX Spark
著者: Annamalai Chockalingam
発行元: NVIDIA Technical Blog
発行日: 2026年10月16日
URL: https://developer.nvidia.com/blog/code-test-and-deploy-on-one-machine-with-nvidia-rtx-spark/

要点

RTX SparkはGB10と最大128GBのユニファイドメモリを備え、開発から検証・デプロイまでを1台で行えるPCである。
NVIDIAによれば、Intel Panther Lake 12Xe比でコーディングエージェント4.6倍、ファインチューニング2.7倍、コンパイル1.8倍の性能である。
Microsoftとの協力で、初のPyTorch-CUDAビルドなどWindows on Armの開発環境が拡充された。
ローカルエージェント向けに、74BパラメータのMoEモデルを24GBに収めた「Nemotron 3.5 Bolt」が公開された。
ノートPCは発売済みで、常時稼働向けの小型デスクトップは11月に登場予定である。

詳細解説

開発ワークフローを1台にまとめる狙い

　NVIDIAは、AIエージェントの普及によって、開発者がすべてのコードを手で書く形から、コードの大半を書くエージェントに指示を出す形へ移りつつあると説明しています。その結果、現在の開発はノートPC、クラウドのモデルAPI、クラウドの仮想マシンの3か所に分かれているといいます。RTX Sparkは、GB10というSoC（CPUやGPUを1チップに統合した半導体）と大容量のユニファイドメモリにより、ローカルでのコーディングエージェント実行からテスト、デプロイまでを1台のPCで行うことを狙った製品です。

　ノートPCと小型デスクトップの形態があり、開発者は2つの環境から選べます。

Windows: Microsoftと共同開発した新しい「Windows Developer Config」を使うと、主要な開発フレームワークの導入、通知のミュート、ターミナルの強化、タスクバーの側面への移動などがまとめて設定されます。
WSL（Windows Subsystem for Linux）: Windows上でLinux環境を動かす仕組みで、クラウドにデプロイする際と同じ環境・依存関係を手元で使えます。

　これにより、本番と同じOS上で作業を完結でき、コードの移行作業が不要になるとしています。また、GPUがNVIDIA製であるため、1億5,000万台のRTX PCというローカルAIの最大の導入基盤と、NVIDIA GPUで動く世界中のクラウドの両方を想定して検証・デプロイできると説明されています。

　さらに、最大128GBのユニファイドメモリと1ペタフロップスのFP4（4ビット浮動小数点）演算性能により、Qwen 3.8 Flash Nextなどのコーディングモデルをローカルで動かし、クラウドのコーディングエージェントが消費するトークンを減らせるとしています。ユニファイドメモリはCPUとGPUが同じメモリを共有する方式で、一般的なGPUの専用メモリ（VRAM）の容量に縛られず大きなモデルを載せやすい点が利点と考えられます。

AI開発に必要な性能——CPU中心からGPU中心へ

　NVIDIAは、開発作業の性能を主に左右するのが、かつてのCPUからGPUへと変わったと指摘しています。現在のAI開発者は、コーディングエージェントの実行やアプリの検証のための推論、モデルのファインチューニングや学習、そして今も一定量のコンパイルを必要とするためです。

　RTX Sparkは、Grace CPUとBlackwell GPUを組み合わせることで、推論・ファインチューニング・コンパイルのすべてに必要な演算能力を備えるとしています。NVIDIAによれば、IntelのPanther Lake 12Xe（Intel Core Ultra X9 388Hを1.0として正規化）と比べた結果は次のとおりです。

ワークロード	測定条件	RTX Sparkの性能
コーディングエージェント	AA-AgentPerf-local、Qwen3.8-27B	4.6倍
ファインチューニング	Unsloth によるLoRA、Llama-3.1-8B	2.7倍
コードのコンパイル	Phoronix Test SuiteでのLinuxカーネルコンパイル	1.8倍

　LoRA（Low-Rank Adaptation）は、モデル全体ではなく一部の小さな追加パラメータだけを学習させる、軽量なファインチューニング手法です。なお、これらはNVIDIA自身による測定であり、比較対象は統合GPU（CPUに内蔵されたGPU）を備えたノートPC向けチップです。独立したGPUを積んだPCとの比較ではない点は、数値を読む際に意識しておくとよいと思います。それでも、エージェント実行のようにGPUの推論性能が効く作業ほど差が大きく、CPU寄りのコンパイルでは差が小さいという傾向は、「GPU中心の開発」という主張と整合していると読めます。

Windows向けに拡充されたソフトウェア基盤

　NVIDIAはMicrosoftと協力し、Windows on Arm（Armアーキテクチャのチップで動くWindows）の開発環境を強化しました。RTX Sparkにあわせて、コミュニティから次のツールが公開されています。

初のPyTorch-CUDAビルド
Armネイティブが既定となった初のPythonリリースであるPython 3.15
すぐに使える2,000以上のCondaパッケージ
上位1万5,000のPythonパッケージのうち97%超のArm対応版

　NVIDIAは、自社ハードウェアで開発する利点として、コーディングエージェントからAIモデル、フレームワークまで、最も大きな開発ツールのエコシステムにアクセスできる点を挙げています。新しいツールやフレームワークは通常、初日からNVIDIA GPUで動き、他のハードウェアへの対応は数週間遅れて続くとしています。LLM高速化のためのFlashInferや、AIモデル開発のためのNeMoライブラリなど、CUDA-Xライブラリも利用できます。

　また、エージェントにCUDA-Xライブラリの使い方を教える「NVIDIA Skills」のリポジトリも提供されており、CUDAに詳しくない開発者でもGPUで高速化したアプリを作れるようにすることを目指しています。

　Windows on Armは、これまでPythonのライブラリやGPU関連のツールが十分にそろわないことが課題とされてきました。主要パッケージの97%超が対応したという点は、本稿としてはRTX Sparkの性能以上に、実際の開発で使えるかどうかを左右する要素だと考えています。

ローカルで動くコーディングエージェント

　NVIDIAは、GitHub Copilot、Pi、Hermes、OpenClawなどの主要なエージェントと協力し、RTX Sparkで使いやすくするための改良を行ったとしています。主な改良点は次の3つです。

最適化されたレシピによるローカルモデルの簡単な導入
OSレベルのサンドボックスによる安全性強化: NVIDIA OpenShellやMicrosoft Execution Containersにより、エージェントの動作をOSのレベルで隔離します。
ローカルとクラウドのハイブリッドなプロンプトルーター: ローカルモデルで十分な場合はローカルで処理し、必要な場合だけクラウドに回すことで、トークン消費を抑えます。

　個別のエージェントについては、次の対応が紹介されています。

GitHub Copilot: Windows MLを通じてローカルAIを利用できるようになり、Windows MLのバックエンドとしてllama.cppがサポートされました。プロンプトルーターのHydraFusionもローカルモデルに対応し、新しいMAI 1.1 Coding FlashモデルもRTX Sparkでローカル実行できます。
Pi: 軽量なターミナル画面を持ち、ローカルとクラウドの両方のモデルに対応するオープンソースのコーディングエージェントで、RTX Spark向けに最適化されています。拡張機能、スキル、プロンプトテンプレートにより、モデルの選択から使えるツールまで、ワークフローへの組み込み方を細かく制御できます。
Junie Local（JetBrains）: RTX Sparkへのネイティブ対応が始まりました。コードを読み、ファイルを編集し、テストを実行しますが、モデルとコードはPCの外に出ません。GPUが使えるメモリ量に応じてコンテキストウィンドウ（一度に扱える情報量）を調整するため、ユニファイドメモリが大きいほど、より多くのコードやツール出力、会話履歴を保持できます。

　コードを外部に出せない企業や、機密性の高い案件を扱う開発者にとって、ローカルで完結するコーディングエージェントは選択肢を広げるものと考えられます。ハイブリッドなプロンプトルーターは、品質とコストの釣り合いを自動で取る仕組みとして、クラウドの利用料が気になる個人開発者にも実用的だと思います。

ローカルエージェント向けの新モデル「Nemotron 3.5 Bolt」

　Nemotron 3.5 Bolt 74B-A9B 24GBは、RTX Sparkでローカルエージェントを動かすために作られた新しいLLMです。総パラメータ数は740億、推論時に実際に使われる（アクティブな）パラメータは90億のMoE（Mixture of Experts）モデルで、高度な量子化考慮学習（QAT）を用いた2ビット量子化により24GBに収めつつ品質を保っています。

　MoEは、複数の「専門家」ネットワークのうち入力ごとに一部だけを使う構造で、規模の割に計算量を抑えられます。量子化は数値の精度を落としてモデルを小さくする手法で、QATは学習段階から量子化を前提にすることで性能低下を抑える技術です。NVIDIAは、同程度のメモリを使うモデルの中で、一般的な密なモデル（全パラメータを使うモデル）より速く、一般的なMoEモデルより賢いという、速度と知能のバランスを目指したと説明しています。

　公開時点で、次のツールから利用できます。

llama.cpp
vLLM
Ollama
Unsloth
LM Studio

　HermesやOpenClawなどのエージェントからも直接使えるとしています。また、他のNemotronモデルと同様に、学習データ、重み、学習レシピまで含めて完全にオープンソースで公開されており、開発者が自分のエージェント向けにファインチューニングできます。学習データまで公開されているオープンモデルは多くないため、検証性や再現性を重視する研究・教育の場面でも扱いやすいと考えられます。

エージェントの行動選択を速める「意思決定モデル」

　NVIDIAは、AIエージェントが長い推論ループを経ずに、ほぼ即座に判断できるようにする「意思決定モデル（Decision models）」を紹介しています。リクエストの分類から次の行動の選択まで、何をすべきかを従来のエージェントより最大200倍速く選べるとしています。意思決定モデルは、RTX SparkとGeForce RTX GPU上で、llama.cppとUnslothがサポートしています。

　エージェントの処理では、毎回大きなモデルに「次に何をするか」を考えさせると時間とコストがかかります。分類や行動選択のような判断を専用の軽いモデルに任せ、重い推論が必要な場面だけ大きなモデルを使うという分担は、ローカル環境の限られた計算資源を有効に使う方法の一つと考えられます。なお、200倍という数値の測定条件は今回の記事には示されていません。

メディア処理用SDKとWindowsアプリの移植

　映像処理向けの「NVIDIA AI for Media SDKs」もRTX Sparkで使えるようになりました。動画の超解像、フレーム生成、TrueHDRに対応したPythonのwheel（インストール用パッケージ）がPyPIで公開されており、C++のSDKもRTX SparkとWindows on Arm向けにNGC（NVIDIAのソフトウェア配布サイト）で提供されています。

　既存のWindowsアプリをRTX Sparkに移植する際の手順として、NVIDIAは次の流れを示しています。

Windows on Armでの依存関係を確認する
ネイティブのArm64ビルドを作るか、Arm64ECを使って部品ごとに段階的に移行するかを選ぶ
インストール、機能、性能、そしてアプリが使うNVIDIA・CUDA関連の処理経路をテストする

　Arm64ECは、Arm向けにビルドした部分と従来のx64向けの部分を1つのアプリ内で混在させられるMicrosoftの仕組みで、すべてを一度に書き換えずに移行を進められます。移行方法とツールの詳細は、既存のWindows on Arm開発機で準備を始める方法も含め、NVIDIAのアプリ移植向け資料で解説されています。

提供時期と始め方

　RTX Sparkはノートパソコンとしてすでに販売されており、24時間常時稼働のエージェントに適した小型デスクトップは11月に登場予定です。NVIDIAは、購入後の手順として「AI Development playbook」を用意しており、Windowsの設定、エージェントのセットアップ、NVIDIA Skillsの接続までを案内しています。ローカルAIアプリの開発に関する情報も、NVIDIAの開発者サイトにまとめられています。

　RTX Sparkについては、複数のPCをAI基盤として束ねる「NVIDIA PAIR」も先に発表されています。1台で完結させる使い方と、複数台を連携させる使い方の両面から、ローカルAI環境の整備が進んでいると読めます。