
GIGABYTE G294-A22-AAP2 (4× RTX PRO 6000 BSE 96GB, 1× Xeon 6944P, RAM 1.1TB)
30 920 400 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-19882
- 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 / Визуализация и рендеринг
- Процессор (CPU)
- Intel Xeon 6-series
- Видеокарта (GPU)
- NVIDIA RTX PRO 6000 Blackwell
- Количество GPU, шт
- 4
- Общий объем видеопамяти (VRAM), ГБ
- 384
- Тип памяти GPU
- GDDR7
- Объем оперативной памяти (RAM), ГБ
- 1152
- Тип оперативной памяти
- DDR5 ECC REG
- Форм-фактор
- 2U
- Тип точности Совокупная мощность четырех RTX PRO 6000 BSE
- Совокупная мощность четырех RTX PRO 6000 BSE
- FP32
- 480 TFLOPS
- FP4
- 16 PFLOPS
- RT Core performance*
- 1420 TFLOPS
- Платформа
- GIGABYTE G294-A22-AAP2
- Видеокарта
- 4x NVIDIA RTX PRO 6000 Blackwell Server Edition 96GB GDDR7
- Процессор
- 1x Intel Xeon 6944P (72c/144t, 1.8GHz-3.9GHz, 350W)
- Оперативная память
- 12x 96GB DDR5 ECC REG Micron 6400Mhz 2Rx4
- SSD накопитель
- 6x Samsung PM883a 7.68TB 2.5" 6Gb/s
Описание
GIGABYTE G294-A22-AAP2 с 4× NVIDIA RTX PRO 6000 Blackwell Server Edition (4×96GB) и суммарными 384 GB GDDR7 VRAM - это компактный GPU-узел для Инференс / Развертывание (Inference) и RAG-системы (Retrieval-Augmented Generation), когда нужен высокий throughput и несколько параллельных инстансов моделей в одном сервере.
Blackwell + большой объём VRAM позволяют уверенно держать крупные LLM (в т.ч. MoE) в multi-GPU режиме (tensor/pipeline parallel), а также эффективно обслуживать длинные контексты и много одновременных запросов. Для генеративных задач по изображениям/видео сервер хорошо подходит благодаря запасу памяти и возможности распараллеливания пайплайнов по 4 GPU.
Оптимальные сценарии: Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation), Дообучение моделей (Fine-tuning), Анализ данных (Data Science), Визуализация и рендеринг, Видеоаналитика / Видеонаблюдение. Обучение моделей (Training) возможно для средних/части крупных моделей, но эффективность будет зависеть от конкретного стека и схемы параллелизма (и это скорее “практичный on-prem”, а не топовый тренировочный кластер).
Производительность GPU
| Тип точности | Совокупная мощность четырех RTX PRO 6000 BSE |
| FP32 | 480 TFLOPS |
| FP4 | 16 PFLOPS |
| RT Core performance* | 1420 TFLOPS |
*-RT Core performance - это пиковая производительность специализированных RT-ядер (Ray Tracing Cores), которые аппаратно ускоряют операции трассировки лучей (поиск пересечений луча с геометрией и обход BVH). Показатель важен для визуализации/рендеринга и некоторых графических/3D-пайплайнов, но не является прямым аналогом FP32/AI-производительности.
Совместимость с LLM-моделями
| Модель | Тип квантизации | Требуется VRAM | Совместимость | Примечание |
| DeepSeek-R1-Distill-Llama-70B | Нет | Примерно 141GB | ✅ | На узле 4× RTX PRO 6000 BSE (384GB VRAM) уверенно запускается в multi-GPU (обычно 2 GPU, при длинном контексте - 4 GPU) через vLLM/TensorRT-LLM. Хорош для reasoning; запас VRAM можно направить на большой KV-cache и высокий QPS при множестве параллельных сессий. |
| Qwen3.8-27B | Нет | Примерно 55.6GB | ✅ | Оптимальный формат для «большой модели в одном узле»: распределение по 4 GPU оставляют заметный запас под KV-cache, высокий batch и несколько одновременных диалогов. Подходит для агентных сценариев, продакшн-чатов и RAG с высоким QPS. |
| gpt-oss:120b | Нет (FP16) | Примерно 260GB | ✅ | Комфортный “workhorse” для узла 4×96GB: запускается с распределением по 4 GPU, при этом остаётся VRAM под увеличенный контекст и параллельные запросы. Хороший баланс качества и throughput для продакшн-инференса. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | IQ4_XS | Примерно 360GB | ⚠️ | Запуск возможен на 4×96GB, но с минимальным запасом: потребуется жёстко контролировать контекст (KV-cache), batch size и число одновременных сессий. Рекомендуется vLLM/TensorRT-LLM и аккуратная схема tensor/pipeline parallel, чтобы удерживать стабильную латентность. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | FP8 снижает требования к памяти и повышает throughput, но модель близка к лимиту узла 384GB. Для стабильной работы нужны умеренный контекст, ограничение параллельных сессий и продакшн-движок (TensorRT-LLM/vLLM) с корректным распределением по 4 GPU. |
| GigaChat3.5-432B-A28B-GGUF | Q4_K_M | Примерно 262GB | ✅ | Отлично подходит для reasoning, кода, анализа текста и ассистентских задач. |
| 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 | Нет | Примерно 316GB | ✅ | Базовая версия среднего объёма для серверов с хорошим запасом памяти; подходит для RAG, корпоративных ассистентов, генерации текста и стабильного инференса без квантизации. |
Совместимость с диффузионными моделями
| Модель | Тип | Совместимость | Примечание |
| Stable Diffusion XL 1.0 | Текст в изображение | ✅ | На 4× RTX PRO 6000 BSE удобно держать несколько очередей/пользователей и параллельные пайплайны; 96GB на GPU дают большой запас под high-res, крупные batch, refiner и постобработку (апскейл/инпейтинг) без упора в память. |
| Flux.2-dev | Текст в изображение | ✅ | Требовательна к VRAM, но 96GB на GPU позволяют комфортно работать с высоким разрешением и батчами; throughput удобно масштабировать, распределяя задания по нескольким GPU внутри одного сервера для стабильной high-res генерации. |
| SD Turbo | Быстрые предпросмотры | ✅ | Максимальная скорость итераций: на одном узле легко держать много параллельных предпросмотров и серийных кадров, обеспечивая низкую задержку и стабильное обслуживание нескольких потоков одновременно. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Лёгкая модель: остаётся большой запас VRAM под повышенное разрешение, батчи и одновременную работу нескольких пайплайнов; удобно для многопользовательских сценариев и высокой пропускной способности. |
| Kandinsky-5.0-T2V-Lite-sft-5s-Diffusers | Текст в видео | ✅ | Для коротких роликов удобно распараллеливать генерацию по GPU: сервер ускоряет пакетную обработку, держит несколько очередей и стабильно обслуживает серию задач на CUDA-стеке (видео/серийные кадры). |
| 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
| Платформа | GIGABYTE G294-A22-AAP2 |
| Видеокарта | 4x NVIDIA RTX PRO 6000 Blackwell Server Edition 96GB GDDR7 |
| Процессор | 1x Intel Xeon 6944P (72c/144t, 1.8GHz-3.9GHz, 350W) |
| Оперативная память | 12x 96GB DDR5 ECC REG Micron 6400Mhz 2Rx4 |
| SSD накопитель | 6x Samsung PM883a 7.68TB 2.5" 6Gb/s |