← Каталог оборудования
Supermicro AS-4124GO-NART (8× A100 SXM 40GB)
SupermicroНовый

Supermicro AS-4124GO-NART (8× A100 SXM 80GB)

19 543 100 ₽

Цена ориентировочная. Информация в каталоге не является публичной офертой.

Артикул
SF-20624
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)
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
8192
Тип оперативной памяти
DDR5 ECC REG
Форм-фактор
4U
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 7002/7003 серии в SP3
Оперативная память
до 8TB DDR4 ECC REG в 32 DIMM
SSD накопители
6× hot-swap 2.5" NVMe, опционально до 10× U.2 NVMe 2.5" при установке дополнительных задних корзин, 2× M.2 NVMe PCIe 3.0 (2280, 22110)

Описание

Конфигурация на NVIDIA HGX A100 80GB (8× SXM) подходит для Обучение моделей (Training), Дообучение моделей (Fine-tuning), Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation) и HPC / Научные расчёты, когда важны плотная 8-GPU связка и стабильное масштабирование по нескольким GPU

В узле установлен HGX A100 8-GPU, суммарный объём видеопамяти 640GB VRAM. Это даёт заметный запас под KV-cache и параллельные сессии при serving, а также облегчает запуск крупных моделей в распределённом режиме по 4–8 GPU.

Платформа рассчитана на высокую связанность между ускорителями за счёт NVLink v3 и NVSwitch, а также заявляет NIC-топологию под GPUDirect RDMA с соотношением 1 GPU к 1 NIC, что полезно для распределённого обучения и интенсивного обмена данными.

Поддерживаются 2× AMD EPYC 7002/7003 в Dual Socket SP3 (до 280W TDP на CPU), память Registered ECC DDR4 3200MHz в 32 DIMM с максимумом до 8 TB. Для накопителей предусмотрены 6× front hot-swap 2.5" NVMe, а при опциональной задней корзине доступно до 10× U.2 NVMe 2.5"

Производительность GPU

Тип точностиСовокупная мощность восьми A100 SXM
FP64 Tensor Core156 TFLOPS
BF16 / FP16 Tensor Core4 992 TFLOPS
TF32 Tensor Core2 496 TFLOPS
INT8 Tensor Core9 984 TOPS

Совместимость с LLM-моделями

Модель Тип квантизации Требуется VRAM Совместимость Примечание
DeepSeek-R1-GGUF 685B Q4_K_M Примерно 404GB ✅ Комфортно в 4-бит при TP на 4–8 GPU, запас VRAM держите под KV-cache и большой контекст.
Qwen3.5-397B-A17B-GGUF / Qwen3.6-35B-A3B Q4_K_M / Нет Примерно 241GB / 71.9 GB ✅ Помещается целиком, для стабильного serving лучше TP или PP на 4–8 GPU и контроль batch.
Gpt-oss:120b Нет Примерно 196GB ✅ Можно держать на 2–4 GPU, оставляя много VRAM под длинные диалоги и высокий concurrency.
GigaChat3.5-432B-A28B Нет Примерно 438GB ✅ Оптимально 4-бит и TP на 8 GPU, запас VRAM нужен под KV-cache при длинных сессиях.
Mistral-Large-3-675B-Instruct-2512-GGUF Q4_K_M Примерно 407GB ✅ 4-бит на 4–8 GPU с запасом под KV-cache, хорошо масштабируется для продакшн throughput.
GLM-5.3-Flash Нет Примерно 328GB ✅ Стабильно на 2–4 GPU, легко наращивать контекст и параллельность пока растёт KV-cache.
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 очереди, генерацию легко распараллелить по нескольким GPU.
Flux.2-dev Текст в изображение ✅ Требует много VRAM, на 8×80GB удобно распределять по GPU или использовать оптимизации памяти.
SD Turbo Быстрые предпросмотры ✅ Максимальная скорость для итераций, высокий throughput при большом числе параллельных задач.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение ✅ Низкие требования к VRAM, можно держать много параллельных пайплайнов и крупные батчи.
Kandinsky-6.0-Pro-distill-5s-Diffusers Текст/изображение в видео со звуком ✅ Хорошо параллелится по GPU для пакетной генерации коротких роликов.
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 A100 SXM 80GB HBM2e
Процессор2x AMD EPYC 7002/7003 серии в SP3
Оперативная памятьдо 8TB DDR4 ECC REG в 32 DIMM
SSD накопители6× hot-swap 2.5" NVMe, опционально до 10× U.2 NVMe 2.5" при установке дополнительных задних корзин, 2× M.2 NVMe PCIe 3.0 (2280, 22110)

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