
Supermicro AS-4124GO-NART+ (8× A100 SXM 80GB)
20 008 800 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-20655
- 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
- 8192
- Тип оперативной памяти
- DDR4 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) рассчитана на 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 внутри одного узла.
Установлен HGX A100 8-GPU, суммарный объём видеопамяти 640GB VRAM (80GB HBM2e на GPU), что даёт заметный запас под KV-cache, длинный контекст и параллельные сессии в serving, а также упрощает размещение крупных моделей при распределении по 4–8 GPU.
Связность ускорителей обеспечивается NVLink v3 и NVSwitch, дополнительно заявлена топология NIC под GPUDirect RDMA 1 к 1 GPU, что полезно для обмена данными и распределённого обучения.
Платформа поддерживает 2× AMD EPYC 7002/7003 в Dual Socket SP3 с TDP до 280W, память ECC DDR4-3200 RDIMM/LRDIMM до 8 TB в 32 DIMM, а для накопителей доступны 6 фронтальных hot-swap 2.5" NVMe, опционально ещё 4 задних hot-swap 2.5" NVMe и 2 M.2 NVMe.
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 | ✅ | Запускайте в 4-бит с TP на 8 GPU и держите запас VRAM под KV-cache для длинного контекста. |
| Qwen3.5-397B-A17B-GGUF / Qwen3.6-35B-A3B | Q4_K_M / Нет | Примерно 241GB / 71.9 GB | ✅ | Помещается без квантизации, для стабильного serving используйте TP или PP на 4–8 GPU и умеренный batch. |
| Gpt-oss:120b | Нет | Примерно 196GB | ✅ | Оптимально держать на 2–4 GPU, остальная VRAM остаётся под высокий concurrency и длинные диалоги. |
| GigaChat3.5-432B-A28B | Нет | Примерно 438GB | ✅ | Хорошо подходит для 4-бит на 8 GPU, запас VRAM важен под KV-cache и пиковый QPS. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | Q4_K_M | Примерно 407GB | ✅ | 4-бит хорошо ложится на 8 GPU, при длинном контексте ограничивайте batch чтобы не упереться в KV-cache. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | Стабильно на 2–4 GPU, удобно поднимать 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 | ✅ | Даёт высокий throughput на высоком разрешении, генерацию удобно распараллеливать по нескольким GPU. |
| Flux.2-dev | Текст в изображение | ✅ | Требует много VRAM, практично запускать распределённо по 2–4 GPU или с оптимизациями памяти. |
| SD Turbo | Быстрые предпросмотры | ✅ | Оптимален для быстрых превью, легко держит высокую параллельность очередей на одном узле. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Большой запас VRAM позволяет держать батчи и несколько пайплайнов параллельно без упора в память. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | Параллельная обработка по GPU хорошо подходит для пакетной генерации коротких роликов и очередей. |
| 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 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) |
Если нужна конфигурация на эту платформу под ваши задачи - свяжитесь с менеджером, и мы предложим подходящий вариант под бюджет и требования.