La memoria del NVIDIA RTX Spark puede ser un único conjunto físico compartido por la CPU y la GPU integrada, aunque Windows la presente en regiones separadas. Esa distinción ayuda a entender la crítica de Paul Thurrott al manejo de memoria y qué significa asignar 96 GB a la GPU en un sistema de 128 GB.
En su análisis, publicado el 31 de octubre de 2026, Thurrott calificó la plataforma de decepcionante. Dijo haber probado durante más de dos semanas el ASUS ProArt P16, el HP OmniBook Ultra 16 y el Lenovo Pro 9n. Entre sus objeciones mencionó el coste, el calor, el peso y el ruido de los portátiles, además de la gestión de memoria, Windows 11 y la complejidad de la IA local. Son valoraciones del reseñador sobre esos equipos. Para ver otra prueba centrada en una tarea de programación local, lee el análisis de NeoTeo del Lenovo Yoga 9n 2-en-1 con RTX Spark.
Un conjunto físico y tres regiones en Windows
NVIDIA define la arquitectura del RTX Spark como memoria unificada: la CPU y la GPU integrada comparten un mismo conjunto físico de memoria. Windows lo organiza en tres regiones lógicas: la reservada para la GPU, la memoria compartida entre CPU y GPU y la memoria exclusiva de la CPU. Por eso, que el usuario pueda ajustar la asignación de GPU no significa que el equipo tenga módulos físicos separados para la gráfica. NVIDIA explica la arquitectura de memoria unificada del RTX Spark.
NVIDIA permite cambiar la asignación de GPU desde NVIDIA App y recomienda dejar al menos 16 GB para la CPU, Windows y las aplicaciones básicas. La cantidad adecuada depende también del software y de lo que se ejecute en el equipo.
Qué queda al asignar 96 GB de los 128 GB a la GPU
ETA PRIME mostró un ASUS ProArt P16 con 128 GB de memoria y una asignación de 96 GB a la GPU. La resta deja 32 GB fuera de esa asignación. Aplicando la fórmula nominal de NVIDIA, el ejemplo se reparte en 16 GB compartidos entre CPU y GPU y 16 GB exclusivos de CPU. La cifra es una derivación de la fórmula, no una lectura de contadores en tiempo real; las reservas de Windows y del hardware afectan a la capacidad utilizable.
| Región de memoria | Cantidad en el ejemplo | Función |
| Memoria total del sistema | 128 GB | Conjunto físico compartido por la CPU y la GPU integrada |
| Asignación para la GPU | 96 GB | Región reservada para la GPU |
| Resto tras la asignación | 32 GB | Subtotal que se divide entre las dos regiones siguientes |
| Memoria compartida | 16 GB | Región accesible para CPU y GPU |
| Memoria exclusiva de CPU | 16 GB | Región reservada para la CPU |
Qué implica el reparto para la IA local
NVIDIA afirma que los modelos de lenguaje grandes (LLM) y los agentes pueden recurrir a memoria adicional del sistema si superan la asignación de GPU. La memoria compartida puede ser más lenta que la reservada para la GPU, así que no toda la memoria restante ofrece el mismo acceso ni el mismo rendimiento. Para aprovecharla, el programa o entorno de ejecución también debe gestionar esas asignaciones. La guía CUDA de NVIDIA describe el uso de la memoria compartida cuando se agota la asignación de GPU.
