
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
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 точности | 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 |
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
| 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 |