
GIGABYTE G492-IL0 (8× A100 SXM 80GB)
24 525 500 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-20688
- 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 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 Socket P+ (LGA-4189) и Intel Xeon Scalable 3-го поколения
- Оперативная память
- до 8TB DDR4 ECC REG, 32 DIMM
- SSD накопители
- 6× 2.5" Gen4 NVMe/SATA отсека и 2× M.2 PCIe Gen4 x4
Описание
Конфигурация на базе HGX A100 80GB рассчитана на Обучение моделей (Training), Дообучение моделей (Fine-tuning) и Инференс / Развертывание (Inference), когда важны высокая плотность GPU и быстрый обмен данными между ними. Суммарный объём видеопамяти 640GB позволяет держать крупные модели и оставлять запас под KV-cache, батчи и параллельные сессии.
Связка HGX A100 с NVLink/NVSwitch даёт сильный выигрыш в multi-GPU сценариях, где критична коммуникация между ускорителями при распределении тензоров и градиентов. Это делает платформу уместной для RAG-системы (Retrieval-Augmented Generation) и HPC / Научные расчёты, когда нужно стабильно масштабировать нагрузку на 8 GPU.
Официальное руководство этой линейки прямо указывает модельный ряд G492-ID0 / G492-IL0 как 4U DP SXM4 A100 8 GPU сервер.
Платформа поддерживает процессоры 3rd Generation Intel Xeon Scalable в двухсокетной конфигурации (2× LGA4189, TDP до 270W), память DDR4 только в 32 слотах DIMM (8 каналов), а для накопителей предусмотрены 6× 2.5" Gen4 NVMe/SATA отсека и 2× M.2 PCIe Gen4 x4. Для питания заявлены резервированные БП 3+1 3000W.
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 | ✅ | Комфортный запуск в 4-бит на 8×A100 с TP на 8 GPU и контролем контекста и батча, чтобы сохранить запас под KV-cache. |
| Qwen3.5-397B-A17B-GGUF / Qwen3.6-35B-A3B | Q4_K_M / Нет | Примерно 241GB / 71.9 GB | ✅ | Уверенно помещается без квантизации и хорошо подходит для serving и RAG при распределении по 4-8 GPU. |
| Gpt-oss:120b | Нет | Примерно 196GB | ✅ | Можно держать на 2–4 GPU и использовать оставшуюся VRAM под длинный контекст и высокий QPS. |
| GigaChat3.5-432B-A28B | Нет | Примерно 438GB | ✅ | Стабильно работает в 4-бит на 8 GPU и выдерживает многопоточную нагрузку при аккуратных настройках контекста. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | Q4_K_M | Примерно 407GB | ✅ | Оптимально для крупного inference с запасом под KV-cache и масштабированием по 4–8 GPU для throughput. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | Даёт большой запас по VRAM для длинных сессий и батчей, удобно повышать параллелизм запросов. |
| 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 батчи проходят стабильно, а генерацию удобно распараллеливать по нескольким GPU. |
| Flux.2-dev | Текст в изображение | ✅ | Требовательный пайплайн легче вести в multi-GPU режиме и держать высокий throughput на очередях. |
| SD Turbo | Быстрые предпросмотры | ✅ | Подходит для массовых предпросмотров и серийной генерации с высокой параллельностью задач. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Лёгкий профиль позволяет держать несколько пайплайнов одновременно и увеличивать батчи без дефицита VRAM. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | Хорошо масштабируется на очередях коротких роликов при параллельной обработке задач на нескольких GPU. |
Технические характеристики
| Видеокарта | 8x Nvidia A100 SXM 80GB HBM2e |
| Процессор | 2x Socket P+ (LGA-4189) и Intel Xeon Scalable 3-го поколения |
| Оперативная память | до 8TB DDR4 ECC REG, 32 DIMM |
| SSD накопители | 6× 2.5" Gen4 NVMe/SATA отсека и 2× M.2 PCIe Gen4 x4 |
Если нужна конфигурация на эту платформу под ваши задачи - свяжитесь с менеджером, и мы предложим подходящий вариант под бюджет и требования.