← Каталог оборудования
NVIDIA DGX H200 (8× H200 SXM 141GB, 2× Xeon Platinum 8480C, RAM 2TB)
NVIDIAНовый

NVIDIA DGX H100 (8× H100 SXM 80GB, 2× Xeon Platinum 8480C, RAM 2TB)

24 342 100 ₽

Цена ориентировочная. Информация в каталоге не является публичной офертой.

Артикул
SF-19700
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

Все характеристики

Характеристики

Тип
Новые
Основная задача
Обучение моделей / Инференс / Дообучение моделей / RAG-системы / Анализ данных / Научные расчеты (HPC)
Процессор (CPU)
Intel Xeon
Видеокарта (GPU)
NVIDIA H100
Количество GPU, шт
8
Общий объем видеопамяти (VRAM), ГБ
640
Тип памяти GPU
HBM3
Объем оперативной памяти (RAM), ГБ
2000
Тип оперативной памяти
DDR5 ECC REG
Форм-фактор
8U
Тип точности Совокупная мощность восьми H100 SXM
Совокупная мощность восьми H100 SXM
FP64 Tensor Core
536 TFLOPS
FP8 Tensor Core
31 664 TFLOPS
BF16 / FP16 Tensor Core
15 832TFLOPS
TF32 Tensor Core
7 912 TFLOPS
INT8 Tensor Core
31 664 TOPS
Видеокарта
8x Nvidia H100 SXM 80GB HBM3
Процессор
2x Intel Xeon Platinum 8480C (56c/112t, 2GHz-3.8GHz, 350W)
Оперативная память
2TB DDR5 ECC REG
SSD накопители
2x 1.92TB NVMe M.2 8x 3.84TB NVMe U.2
Сетевые карты
4 порта OSFP, обслуживающие 8 однопортовых модулей NVIDIA ConnectX-7 VPI, InfiniBand/Ethernet до 400 Гбит/с 2x dual-port QSFP112 400Gbe NVIDIA ConnectX-7 VPI

Описание

NVIDIA DGX H100 - это датацентровая платформа для тяжёлых AI-нагрузок, рассчитанная на Обучение моделей (Training), Дообучение моделей (Fine-tuning) и высоконагруженный Инференс / Развертывание (Inference). Суммарно здесь ≈640 GB VRAM (8×80 GB), поэтому сервер уверенно держит большие батчи, длинный контекст и параллельные пайплайны, где важны стабильность и пропускная способность.

Внутри - восемь H100 SXM 80GB (профиль Hopper, HBM3), объединённых через NVLink / NVSwitch в единый высокоскоростной домен. Ускорители H100 поддерживают FP16/FP8/INT8 и экосистему CUDA, поэтому DGX H100 особенно силён в масштабируемом обучении, дообучении и продакшн-сервисах (включая RAG-системы (Retrieval-Augmented Generation) и агентные сценарии).

Производительность GPU

Тип точностиСовокупная мощность восьми H100 SXM
FP64 Tensor Core536 TFLOPS
FP8 Tensor Core31 664 TFLOPS
BF16 / FP16 Tensor Core15 832TFLOPS
TF32 Tensor Core7 912 TFLOPS
INT8 Tensor Core31 664 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 H100 комфортнее запускать в 4-бит (или с частичным offload), чтобы уложиться в VRAM с учётом KV-cache и оверхеда.
Qwen3.5-397B-A17B-FP8 / Qwen3.6-35B-A3B FP8 / Нет Примерно 406GB / 71.9 GB ✅ Уверенно помещается на 8×H100; легко масштабируется по 6–8 GPU, подходит для продакшн-чатов, RAG и агентов.
Gpt-oss:120b Нет Примерно 196GB ✅ Комфортная работа при распараллеливании по 2–4 GPU; удобно для больших батчей, длинных диалогов и высокой пропускной способности.
GigaChat3.5-432B-A28B Нет Примерно 438GB ✅ На 8×H100 устойчиво запускается в 4-бит; хорошо подходит для крупных ассистентов и длинных контекстов при правильных настройках serving.
Mistral-Large-3-675B-Instruct-2512-GGUF Q4_K_M Примерно 407GB ✅ Оптимальна для reasoning- и аналитических задач; на DGX H100 лучше держать в 4-бит, чтобы сохранить запас под KV-cache/контекст.
GLM-5.3-Flash Нет Примерно 328GB ✅ Стабильный продакшн-запуск при распределении по 4–8 GPU; в 4-бит остаётся запас по VRAM под длинный контекст и батчи.
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; множество готовых пайплайнов и оптимизаций. На H100 легко держит высокие разрешения и большие батчи.
Flux.2-dev Текст в изображение ✅ Требует ~178GB VRAM: на 80GB GPU обычно нужен multi-GPU режим/распараллеливание или offloading/оптимизации. На 8×H100 это решаемо, но зависит от пайплайна.
SD Turbo Быстрые предпросмотры ✅ Максимальная скорость для итераций и серийных кадров; отлично подходит для параллельных очередей генерации.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение ✅ Лёгкая версия Kandinsky 5.0; требует ~35GB VRAM — на DGX H100 большой запас под высокое разрешение и батчи.
Kandinsky-5.0-T2V-Lite-sft-5s-Diffusers Текст в видео ✅ T2V (~29GB VRAM) для роликов до ~5 секунд; хорошо масштабируется по нескольким GPU и подходит для продакшн-пайплайнов.
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

Видеокарта8x Nvidia H100 SXM 80GB HBM3
Процессор2x Intel Xeon Platinum 8480C (56c/112t, 2GHz-3.8GHz, 350W)
Оперативная память2TB DDR5 ECC REG
SSD накопители2x 1.92TB NVMe M.2
8x 3.84TB NVMe U.2
Сетевые карты4 порта OSFP, обслуживающие 8 однопортовых модулей NVIDIA ConnectX-7 VPI, InfiniBand/Ethernet до 400 Гбит/с
2x dual-port QSFP112 400Gbe NVIDIA ConnectX-7 VPI