
GIGABYTE W775-V10-L01 (1× GB300 Grace Blackwell Ultra)
14 490 300 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-21985
- 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) / Визуализация и рендеринг
- Процессор (CPU)
- NVIDIA GB300 (Grace)
- Видеокарта (GPU)
- NVIDIA GB300 (Blackwell Ultra)
- Количество GPU, шт
- 1
- Общий объем видеопамяти (VRAM), ГБ
- 252
- Тип памяти GPU
- HBM3e
- Объем оперативной памяти (RAM), ГБ
- 496
- Тип оперативной памяти
- LPDDR5x
- Форм-фактор
- Tower
- Тип точности Совокупная мощность GB300
- Совокупная мощность GB300
- FP4 Tensor Core
- 20 PFLOPS
- FP8 / FP6 Tensor Core
- 10 PFLOPS
- BF16 / FP16 Tensor Core
- 5 PFLOPS
- TF32 Tensor Core
- 2.5 PFLOPS
- FP32
- 83.3 TFLOPS
- FP64
- 1.39 TFLOPS
- INT8 Tensor Core
- 333 TOPS
Описание
GIGABYTE W775-V10-L01 - это рабочая станция ИИ на базе NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip рассчитанная на Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation) и Дообучение моделей (Fine-tuning) прямо “на столе”, с последующим переносом в ЦОД при необходимости.
Внутри NVIDIA Grace CPU на 72 ядра Neoverse V2 и NVIDIA Blackwell Ultra GPU с 252GB HBM3E и суммарной пропускной способностью памяти до 8 TB/s, плюс 496GB LPDDR5X на стороне CPU с пропускной способностью до 396 GB/s. Вместе это даёт 748GB large coherent memory, что удобно для больших моделей, длинного контекста и крупного KV-cache без постоянных упоров в память.
Для подключения к сети и масштабирования есть 2 × 400Gb/s QSFP112 c чипом NVIDIA ConnectX-8 SuperNIC, что подходит для быстрых кластерных сценариев, а из возможностей расширения есть 1 × PCIe 5.0 x16, 2 × PCIe 5.0 x8. SSD - 4× 2TB M.2
Производительность GPU
| Тип точности | Совокупная мощность GB300 |
| FP4 Tensor Core | 20 PFLOPS |
| FP8 / FP6 Tensor Core | 10 PFLOPS |
| BF16 / FP16 Tensor Core | 5 PFLOPS |
| TF32 Tensor Core | 2.5 PFLOPS |
| FP32 | 83.3 TFLOPS |
| FP64 | 1.39 TFLOPS |
| INT8 Tensor Core | 333 TOPS |
Совместимость с LLM-моделями
| Модель | Тип квантизации | Требуется VRAM | Совместимость | Примечание |
| DeepSeek-R1-Distill-Llama*-70B | Нет | Примерно 141GB | ✅ | На одном Blackwell Ultra с 279GB HBM3E запускается без квантизации и остаётся запас под KV-cache и длинный контекст. *LLAMA - проект Meta Platforms Inc.**, деятельность которой в России признана экстремистской и запрещена **Деятельность Meta Platforms Inc. в России признана экстремистской и запрещена |
| Qwen3.5-397B-A17B-GGUF | Q4_K_M | Примерно 241GB | ✅ | В Q4 помещается в 279GB VRAM, но запас небольшой - лучше ограничить контекст и batch, чтобы не упираться в KV-cache. |
| gpt-oss:120b | Нет (FP16) | Примерно 260GB | ✅ | FP16 помещается почти впритык - для стабильной работы держать умеренный контекст или использовать более лёгкий режим точности, если доступен. |
| GLM-4.7-GGUF | Q4_K_M | Примерно 216GB | ✅ | Комфортный запуск в Q4 с запасом под KV-cache, можно поднимать несколько сессий параллельно. |
| Gemma-4-31B-IT-NVFP4 | NVFP4 (FP4 для NVIDIA) | Примерно 32.7GB | ✅ | На GIGABYTE W775-V10-L01 модель уверенно работает и оставляет большой запас памяти под контекст, локальные сервисы и повседневные задачи. |
| NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4 | NVFP4 (FP4 для NVIDIA) | Примерно 80.4GB | ✅ | Удобна для параллельного запуска нескольких инстансов, работы с длинным контекстом и высокой плотности запросов. |
| 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-GGUF | UD_Q4_K_M | Примерно 191GB | ✅ | Компактная GGUF-версия для более доступного развёртывания; подходит для серверов с ограниченным объёмом памяти, RAG-сценариев, ассистентов и локального инференса. |
Совместимость с диффузионными моделями
| Модель | Тип | Совместимость | Примечание |
| Stable Diffusion XL 1.0 | Текст в изображение | ✅ | High-res, refiner и inpainting идут стабильно на одном GPU, большой запас VRAM помогает держать несколько очередей. |
| Flux.2-dev | Текст в изображение | ✅ | Хватает VRAM для high-res пайплайнов и параллельных задач, throughput растёт при нескольких одновременных генерациях. |
| SD Turbo | Быстрые предпросмотры | ✅ | Максимально быстрые превью, удобно запускать много коротких прогонов параллельно. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Лёгкая модель - можно держать несколько пайплайнов одновременно и повышать качество без упора в память. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | Пакетная генерация коротких роликов без длинных очередей, при необходимости задачи запускаются параллельно. |