Qué modelo poner en una GX10 (o una DGX Spark): la guía de septiembre de 2026

La pregunta que más nos hacen: «tengo una GX10 (o una DGX Spark), ¿qué modelo le pongo?». La respuesta honesta es «depende», así que aquí va desglosada por uso. Todo lo que sigue está medido en nuestras dos ASUS Ascent GX10 (NVIDIA GB10, 128 GB de memoria unificada), y cada cifra enlaza a su experimento. La clasificación completa está en Benchmarks.

Esta guía caduca. Salen modelos cada semana. La fecha del título importa: la iremos actualizando y avisaremos en X. Última revisión: octubre de 2026 (recetas de TensorFold de GLM y Qwen, y DeepSeek V4.1 1017).

Primero, la regla que lo explica casi todo

Una GX10 tiene mucha memoria y un ancho de banda moderado. Eso castiga a los modelos densos (leen todos sus pesos para cada token) y premia a los MoE con pocos parámetros activos (leen solo los expertos que tocan).

El ejemplo más claro del cuaderno: un modelo denso de 31 GB se quedaba en 7,04 tok/s; un MoE con 3B activos, en la misma máquina, pasó de 45 a 139 tok/s (EXP-0038). Si solo recuerdas una cosa: en una GX10, busca MoE con pocos parámetros activos y cuantización NVFP4.

Si quieres velocidad en una sola máquina

modelo	tok/s (una petición)	lo bueno	lo que hay que saber
Nemotron-3.5-Lightning (NVFP4)	139,4	el más rápido que hemos medido	sin prompt defensivo cae ante inyecciones (0/5); necesita uno (EXP-0038)
Qwen3.8-Flash-Next (TensorFold, una sola GX10)	129,6	MTP muy bien afinado: 129,6 estructurados en una máquina única (el récord en una GX10 es el 139,4 de Nemotron)	prosa baja a 66,8; como agente se queda en 81/100 (EXP-0127, EXP-0128)
Qwen3.6-35B-A3B (NVFP4)	125,6	rápido y 92/100 en el banco de herramientas	el que mejor aguanta varias peticiones a la vez (EXP-0006)
Ornith-1.5-35B-A3B (NVFP4)	~78–102	iguala en calidad a Qwen3.8-27B y lo triplica en velocidad	EXP-0062

Nuestra elección para empezar: Qwen3.6-35B-A3B en NVFP4. Rápido, buena nota con herramientas y el mejor comportamiento con varias peticiones (abajo).

Si vas a usar varios agentes a la vez

Aquí la cifra que importa es el agregado, no la de una petición. Y los modelos se ordenan distinto:

• Qwen3.6-35B-A3B NVFP4 llegó a 346,9 tok/s agregados con 8 peticiones tras optimizarlo, y con 16 empeoraba: el punto dulce era ×8 (EXP-0006).
• DeepSeek-V4-Flash en llama.cpp no escalaba: con 2 o 4 peticiones daba lo mismo que con una, porque se servía con un solo slot (EXP-0008).

Si montas agentes en paralelo, mide ×4 y ×8 antes de elegir. Un modelo que gana con una petición puede perder con ocho (P-084).

Si lo quieres para programar con herramientas (y tienes dos máquinas)

GLM-5.3-Flash repartido en dos GX10 es lo mejor que hemos medido para trabajo agéntico:

• 90/100 en nuestro banco de 84 escenarios, con la receta TensorFold, récord de GLM y estable en tres pases (EXP-0130);
• 1M de contexto servido (850K con el vLLM anterior), decodificación de 45,4 tok/s y aguja de contexto correcta a 194.851 tokens;
• el alias del servicio no cambió al actualizar la receta a v1.5, así que los clientes no se enteraron (EXP-0129, EXP-0131).

En las dos GX10 (TP=2), DeepSeek-V4.1-Flash 1017 es hoy el candidato serio para agentes cuando GLM no está en producción: 83/100 (82/100 con pensamiento activado) y 47–50 tok/s en prompts largos, ya estabilizado como servicio (EXP-0135); y más atrás queda el DeepSeek-V4-Flash de 89/100 con el motor ds4, que «gana en casi todo, y con menos bits» (EXP-0037).

Si necesitas contexto enorme

• GLM-5.3-Flash (dos máquinas): 1M de contexto servido con la receta TensorFold, con agujas de contexto correctas a casi 200K (EXP-0129, EXP-0130).
• DeepSeek-V4.1-Flash 1017 (dos máquinas): servimos 600K y pasamos 9 de 9 agujas de ~50K (EXP-0135).
• DeepSeek-V4-Flash: su n_ctx_train es de 1.048.576. Nosotros lo servíamos a 64K sin saberlo; subirlo a 262K encontró 9 de 9 agujas a 153K tokens (EXP-0025).

Un aviso: el contexto largo tiene un coste en velocidad y en memoria que conviene medir con tu carga. Con prompts de 105.000 tokens, una versión del motor caía a ~8 tok/s y otra daba 17,45 (EXP-0061).

Si te preocupan las inyecciones de prompt

Si tu agente lee correos, webs o documentos de terceros, esto importa más que cualquier tok/s. Lo que hemos aprendido:

• Casi ningún modelo resiste solo. Qwen3.8-27B fue el primero que resistió sin ayuda (EXP-0053), y es de los más lentos.
• Un prompt de sistema defensivo cambia mucho el resultado, pero cuesta algo de nota en otras tareas.
• Desconfía de un «seguro por defecto» medido con una sola redacción del ataque (EXP-0045).

Si quieres imagen o audio

• MiMo-V2.6-Flash (dos máquinas): texto, imagen, audio y herramientas; 34 tok/s con una petición, 226 agregados con ocho, 82/100 en el banco (EXP-0123). Lo tenemos en pruebas, no en producción.
• Qwen-Image 2.1 (una máquina) para generar y editar imágenes: 55–57 s por imagen de 1024×1024 con 40 pasos. Licencia no comercial (EXP-0116).

Lo que no te recomendamos

• Modelos densos grandes en una sola GX10: la memoria cabe, la velocidad no acompaña.
• Hy3 295B en dos máquinas: funciona, pero a 8,17 tok/s (EXP-0056).
• Copiar el --gpu-memory-utilization de otra receta: nos apagó la máquina (P-069).

Resumen en una tabla

si quieres…	una GX10	dos GX10
empezar sin complicarte	Qwen3.6-35B-A3B NVFP4	—
la máxima velocidad	Nemotron-3.5-Lightning + prompt defensivo	—
varios agentes a la vez	Qwen3.6-35B-A3B NVFP4 (×8)	dos residentes independientes
programar con herramientas	—	GLM-5.3-Flash TensorFold (90/100) o DeepSeek-V4.1-1017 (83/100), las dos en TP=2
contexto enorme	DeepSeek-V4-Flash (262K)	GLM-5.3-Flash (1M)
multimodal con audio	—	MiMo-V2.6-Flash (en pruebas)

¿Tienes otra máquina (Strix Halo, Mac Studio, RTX)? Las ideas de fondo —MoE, NVFP4 o su equivalente, medir el agregado— valen igual. Las cifras, no: mídelo tú. En /recetas/mini-benchmark-casero explicamos cómo.