RTX Spark lleva PyTorch con CUDA a Windows Arm64, con dependencias por revisar

El despliegue de portátiles RTX Spark de Nvidia trae un cambio concreto para quienes desarrollan IA local: una vía documentada para utilizar PyTorch con CUDA en Windows Arm64 nativo. Ofrece un camino de instalación que se puede estudiar, aunque sigue siendo necesario comprobar toda la cadena de dependencias de cada proyecto.

El anuncio de disponibilidad de Nvidia está fechado el 16 de octubre de 2026. Su guía de configuración para desarrolladores se publicó el 15 de octubre y ofrece las instrucciones de instalación actuales. Las impresiones de The Verge del 16 de octubre motivaron este seguimiento. Las indicaciones técnicas proceden de Nvidia y Microsoft, no de nuevas pruebas de rendimiento de TechKili.

Haz coincidir el sistema operativo además del procesador

El repositorio PyTorch Windows de Nvidia publica wheels estables y nocturnas para Windows Arm64: paquetes Python precompilados para ese sistema operativo y arquitectura. Sus instrucciones exigen comprobar que la versión elegida de Python disponga de paquetes correspondientes de PyTorch, TorchVision y TorchAudio.

La etiqueta Arm64 no basta por sí sola. La guía de Nvidia indica expresamente que los paquetes Linux Arm64, incluidos los de DGX Spark, no funcionan en Python nativo de Windows. Utiliza la vía documentada para Windows en ese entorno y mantén las versiones nocturnas en otro entorno, para no introducir accidentalmente versiones preliminares en un proyecto que funciona.

Una comprobación inicial puede mostrar la compilación del framework y si detecta CUDA:

import torch
print(torch.__version__, torch.version.cuda)
print(torch.cuda.is_available())

Es una comprobación de instalación que debes ejecutar en el equipo de destino, no un resultado medido por TechKili. Un valor True no demuestra que la aplicación completa funcione ni establece su velocidad.

Sigue las dependencias más allá del framework

La guía de Nvidia advierte de que una aplicación puede admitir Windows Arm64 aunque alguna dependencia carezca de una wheel compatible. También señala que instalar las dependencias del proyecto puede sustituir la versión de PyTorch elegida. Vuelve a comprobar que CUDA sea visible después de instalar el proyecto y ejecuta una carga pequeña y representativa con sus extensiones y su recorrido real de datos.

La emulación de aplicaciones de Windows no elimina todos los requisitos de código nativo. Microsoft documenta la compatibilidad con aplicaciones x86 y x64 en modo usuario, mientras que los componentes en modo kernel deben compilarse para Arm64. Que funcione un programa de escritorio no demuestra, por tanto, que funcione también el controlador de dispositivo que necesita. Nvidia distingue asimismo las extensiones Arm64 nativas de las bibliotecas x64.

Elige el hardware cuando el proyecto tenga una vía viable

La tabla de especificaciones de Nvidia recoge configuraciones N1X para portátiles con recursos y límites de memoria diferentes, hasta 128 GB de memoria unificada en la configuración superior. Es memoria compartida, no un depósito adicional de memoria gráfica dedicada, y no todos los portátiles vendidos incluyen el máximo.

El anuncio cita Surface Laptop Ultra y ASUS ProArt P16 entre los equipos. Comprueba la variante RTX Spark, la memoria y la configuración exacta del fabricante, sin confiar solo en el nombre de la familia. Como contexto de hardware, puedes consultar el artículo anterior de TechKili sobre las configuraciones N1X.

La valoración de TechKili es conservar un sistema x86 con CUDA que ya funciona hasta demostrar una vía de migración para los paquetes necesarios, las extensiones y una carga representativa del proyecto. Las compilaciones documentadas para Windows Arm64 son un avance útil. Elegir un portátil sigue exigiendo pruebas del trabajo completo y del rendimiento sostenido y la autonomía del equipo comercializado.