← Каталог оборудования
ASUS ESC N8A-E12 (8× H100 SXM 80GB)
ASUSНовый

ASUS ESC N8A-E12 (8× H100 SXM 80GB)

75 766 500 ₽

Ориентировочная цена. Требует подтверждения.

Артикул
SF-20337
Наличие
Уточняется
Обновлено
12.11.2026

Сейчас доступен просмотр каталога. Приём заказов скоро откроется.

Все характеристики

Характеристики

Тип
Новые
Основная задача
Обучение моделей / Инференс / Дообучение моделей / RAG-системы / Анализ данных / Научные расчеты (HPC)
Процессор (CPU)
AMD EPYC
Видеокарта (GPU)
NVIDIA H100
Количество GPU, шт
8
Общий объем видеопамяти (VRAM), ГБ
640
Тип памяти GPU
HBM3
Объем оперативной памяти (RAM), ГБ
6144
Тип оперативной памяти
DDR5 ECC REG
Форм-фактор
7U
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
2× AMD EPYC 9004 (Socket SP5 / LGA6096, до 400W TDP на сокет)
Оперативная память
до 6TB DDR5 ECC REG, 24 DIMM, 12-канальная на процессор;
SSD накопители
10× 2.5" hot-swap (спереди 8× NVMe, сзади 2× NVMe / SATA / SAS, при этом SATA/SAS требуют HBA/RAID-карты) и 2× M.2 Gen5 x4 (CPU1)

Описание

Данная сборка на NVIDIA HGX H100 80GB (8× SXM) предназначена для Обучение моделей (Training), Дообучение моделей (Fine-tuning), Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation) и HPC / Научные расчёты - за счёт плотной 8-GPU архитектуры HGX и высокой межGPU-связности.

GPU-часть: 8× H100 80GB, суммарно 640GB VRAM; Hopper-платформа с ускорением FP16/FP8/INT8 и HBM-памятью хорошо раскрывается в multi-GPU режимах (TP/PP/DP) и в продакшн-serving при высоком concurrency (KV-cache).

Из практических ограничений: при длинном контексте и росте batch VRAM быстро “съедается” KV-cache, поэтому throughput зависит от лимитов контекста и стратегии распараллеливания. Также на странице продукта модель отмечена как EOL, что может влиять на доступность поставки.

Платформа: поддерживает 2× AMD EPYC 9004 (до 400W TDP на сокет), 24 слота DDR5 (максимум до 3TB на сокет). Для накопителей доступны 10× 2.5" hot-swap (спереди 8× NVMe, сзади 2× NVMe / SATA / SAS, при этом SATA/SAS требуют HBA/RAID-карты) и 2× M.2 Gen5 x4 (CPU1).

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 ✅ Оптимально запускать Q4 с TP на 4–8 GPU и лимитировать контекст, чтобы не раздувать KV-cache.
Qwen3.5-397B-A17B-FP8 / Qwen3.6-35B-A3B FP8 / Нет Примерно 406GB / 71.9 GB ✅ Помещается без квантизации; TP/PP на 4–8 GPU и батчи дают высокий throughput в serving.
Gpt-oss:120b Нет Примерно 196GB ✅ Комфортно держать на 2–4 GPU, оставляя запас VRAM под длинные диалоги и параллельные запросы.
GigaChat3.5-432B-A28B Нет Примерно 438GB ✅ Стабильный 4-бит на 8 GPU; держите запас по VRAM под контекст и высокий concurrency.
Mistral-Large-3-675B-Instruct-2512-GGUF Q4_K_M Примерно 407GB ✅ Лучше держать в 4-бит и распараллеливать на 4–8 GPU, сохраняя VRAM под длинный контекст.
GLM-5.3-Flash Нет Примерно 328GB ✅ Удобен для продакшн-serving: 2–4 GPU хватает с запасом под KV-cache 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 ✅ Высокие разрешения и большие батчи; очереди генерации удобно параллелить по GPU.
Flux.2-dev Текст в изображение ⚠️ Обычно нужен multi-GPU режим/распараллеливание или оптимизации памяти, чтобы уложить ~178GB VRAM (зависит от пайплайна).
SD Turbo Быстрые предпросмотры ✅ Максимальный throughput для превью; высокий concurrency на нескольких GPU без упора в VRAM.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение ✅ ~35GB VRAM - большой запас под батчи, разрешение и параллельные пайплайны.
Kandinsky-6.0-Pro-distill-5s-Diffusers Текст/изображение в видео со звуком ✅ ~29GB VRAM - удобно распараллеливать короткие ролики по GPU под продакшн-очередь.
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
Процессор2× AMD EPYC 9004 (Socket SP5 / LGA6096, до 400W TDP на сокет)
Оперативная памятьдо 6TB DDR5 ECC REG, 24 DIMM, 12-канальная на процессор;
SSD накопители10× 2.5" hot-swap (спереди 8× NVMe, сзади 2× NVMe / SATA / SAS, при этом SATA/SAS требуют HBA/RAID-карты) и 2× M.2 Gen5 x4 (CPU1)

Если нужна конфигурация на эту платформу под ваши задачи - свяжитесь с менеджером, и мы предложим подходящий вариант под бюджет и требования.