
NVIDIA DGX A100 (8× A100 SXM 80GB, 2× EPYC 7742, RAM 1TB)
11 590 600 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-7875
- Наличие
- Уточняется
- Обновлено
- 12.11.2026
Поставки организациям и ИП для бизнеса. Для оформления заказа свяжитесь с менеджером и согласуйте итоговую цену, комплектацию и наличие. Контакты менеджера
Характеристики
- Тип
- Новые
- Основная задача
- Обучение моделей / Инференс / Дообучение моделей / RAG-системы / Анализ данных / Научные расчеты (HPC)
- Процессор (CPU)
- AMD EPYC
- Видеокарта (GPU)
- NVIDIA A100
- Количество GPU, шт
- 8
- Общий объем видеопамяти (VRAM), ГБ
- 640
- Тип памяти GPU
- HBM2e
- Объем оперативной памяти (RAM), ГБ
- 2000
- Тип оперативной памяти
- DDR4 ECC REG
- Форм-фактор
- 5U
- Тип точности Совокупная мощность восьми A100 SXM
- Совокупная мощность восьми A100 SXM
- FP64 Tensor Core
- 156 TFLOPS
- BF16 / FP16 Tensor Core
- 4 992 TFLOPS
- TF32 Tensor Core
- 2 496 TFLOPS
- INT8 Tensor Core
- 9 984 TOPS
- Видеокарта
- 8x Nvidia A100 SXM 80GB HBM2e
- Процессор
- 2x AMD EPYC 7742 (64c/128t, 2.25GHz-3.4GHz, 225W)
- Оперативная память
- 1TB DDR4 ECC REG
- Сетевые карты
- 8-ports QSFP56 NVIDIA ConnectX-6 200Gbe InfiniBand/Ethernet
Описание
NVIDIA DGX с A100 SXM(Ampere) и суммарными 640 GB HBM2e VRAM - это платформа для тяжёлых задач: Обучение моделей (Training), Дообучение моделей (Fine-tuning), Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation), HPC / Научные расчёты и Анализ данных (Data Science). Такой объём VRAM позволяет уверенно держать крупные LLM и большие батчи без постоянного “перелива” в CPU RAM.
A100 использует HBM2e и отлично работает в экосистеме CUDA (PyTorch, TensorRT, NCCL, vLLM и др.). Архитектурно это “универсальный ускоритель” для ML/HPC с сильной производительностью в FP16/TF32 и ускорениями для INT8.
Ограничение: это A100, не H100, поэтому нет FP8/FP4-уровня Hopper, и если ваша цель - максимум эффективности на ультранизкой точности, H100 будет быстрее. Также это не “графическая” карта для рендера/видеонаблюдения - фокус именно на вычислениях ML/HPC.
Производительность GPU
| Тип точности | Совокупная мощность восьми A100 SXM |
| FP64 Tensor Core | 156 TFLOPS |
| BF16 / FP16 Tensor Core | 4 992 TFLOPS |
| TF32 Tensor Core | 2 496 TFLOPS |
| INT8 Tensor Core | 9 984 TOPS |
Совместимость с LLM-моделями
| Модель | Тип квантизации | Требуется VRAM | Совместимость | Примечание |
| DeepSeek-R1-GGUF 685B | Q4_K_M | Примерно 404GB | ✅ | Силен в рассуждениях; на DGX A100 комфортно держать 4-бит, но при длинном контексте нужен запас под KV-cache и оверхед (лучше использовать tensor parallel на 4–8 GPU и следить за контекстом/батчем). |
| Qwen3.5-397B-A17B-GGUF / Qwen3.6-35B-A3B | Q4_K_M / Нет | Примерно 241GB / 71.9 GB | ✅ | Помещается на DGX A100 целиком; оптимально распараллеливать по 4–8 GPU (TP/PP) для стабильного serving. Подходит для продакшн-чатов и RAG. |
| Gpt-oss:120b | Нет | Примерно 196GB | ✅ | Очень комфортный размер для DGX A100: можно держать на 2–4 GPU, оставляя большой запас под KV-cache, длинные диалоги и высокий throughput (параллельные запросы/батчи). |
| GigaChat3.5-432B-A28B | Нет | Примерно 438GB | ✅ | На DGX A100 устойчиво запускается в 4-бит; рекомендуется TP на 8 GPU и аккуратные настройки контекста/батча, чтобы сохранить запас VRAM под KV-cache и избежать упора в память при пиковых нагрузках. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | Q4_K_M | Примерно 407GB | ✅ | Оптимальна для аналитики и reasoning; на DGX A100 логично держать 4-бит с запасом под KV-cache (особенно при длинном контексте). Хорошо масштабируется по 4–8 GPU в vLLM/TensorRT-LLM. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | Стабильный продакшн-запуск на 2–4 GPU; в 4-бит остаётся хороший запас по VRAM под длинный контекст, параллельные запросы и увеличение batch size без риска |
| Kimi-K2.7-Code | Нет | Примерно 595GB | ✅ | Полноразмерная версия для мощных GPU-серверов; подходит для reasoning-задач, RAG, агентных рабочих процессов и производственного инференса с высоким запасом качества. |
| MiniMax-M3 | UD-Q4_K_M | Примерно 264GB | ✅ | Квантизированная версия с заметно меньшим объёмом; удобна для серверов с ограниченным запасом памяти, RAG-сценариев, ассистентов и локальных LLM-сервисов. |
| MiMo-V2.5-Pro-GGUF | UD_Q4_K_M | Примерно 630GB | ✅ | Квантизированная Pro-версия для более гибкого размещения на серверных конфигурациях с разным объёмом памяти; подходит для RAG, reasoning-задач и производственных LLM-сервисов. |
Совместимость с диффузионными моделями
| Модель | Тип | Совместимость | Примечание |
| Stable Diffusion XL 1.0 | Текст в изображение | ✅ | Надёжное качество и много готовых пайплайнов/оптимизаций. На DGX A100 легко держит высокие разрешения и параллельные очереди; можно масштабировать генерацию по нескольким GPU для максимального throughput. |
| Flux.2-dev | Текст в изображение | ✅ | Требовательная модель: при ~178GB VRAM оптимально запускать в multi-GPU режиме (распараллеливание) или с оптимизациями памяти. На DGX A100 это решаемо и остаётся запас под батчи/разрешение, но итог зависит от конкретного пайплайна. |
| SD Turbo | Быстрые предпросмотры | ✅ | Максимальная скорость для итераций и серийных кадров; отлично подходит для параллельной генерации и больших очередей. На A100 можно держать высокий concurrency без упора в VRAM. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Лёгкая версия Kandinsky 5.0; требует ~35GB VRAM — на DGX A100 большой запас под повышенное разрешение, батчи и одновременную работу нескольких пайплайнов. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | T2V (~29GB VRAM) для роликов до ~5 секунд; хорошо масштабируется по нескольким GPU (параллельные задачи/очереди) и подходит для продакшн-пайплайнов генерации видео. |
| NVIDIA-Cosmos3-Super | Генерации, анализа и симуляции физического мира, которая может работать с текстом, изображениями, видео и действиями | ✅ | Модель объёмом 133 GB для генерации, анализа и симуляции физического мира. Работает с текстом, изображениями, видео и действиями, поэтому подходит для сложных мультимодальных сценариев. Требует высокой производительности и большого объёма видеопамяти, а стабильность запуска зависит от конкретной конфигурации и настроек оптимизации. |
Технические характеристики
| Видеокарта | 8x Nvidia A100 SXM 80GB HBM2e |
| Процессор | 2x AMD EPYC 7742 (64c/128t, 2.25GHz-3.4GHz, 225W) |
| Оперативная память | 1TB DDR4 ECC REG |
| Сетевые карты | 8-ports QSFP56 NVIDIA ConnectX-6 200Gbe InfiniBand/Ethernet |