
GIGABYTE G492-PD0 (8× A100 SXM 80GB)
22 743 600 ₽
Ориентировочная цена. Требует подтверждения.
- Артикул
- SF-20257
- Наличие
- Уточняется
- Обновлено
- 12.11.2026
Сейчас доступен просмотр каталога. Приём заказов скоро откроется.
Характеристики
- Тип
- Новые
- Основная задача
- Обучение моделей / Инференс / Дообучение моделей / RAG-системы / Анализ данных / Научные расчеты (HPC)
- Процессор (CPU)
- Ampere Altra / Altra Max
- Видеокарта (GPU)
- NVIDIA A100
- Количество GPU, шт
- 8
- Общий объем видеопамяти (VRAM), ГБ
- 640
- Тип памяти GPU
- HBM2e
- Объем оперативной памяти (RAM), ГБ
- 4096
- 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
- 1x Ampere Altra / Altra Max (1× сокет LGA4926, до 128 ядер)
- Оперативная память
- до 4TB DDR4, 16 DIMM, 8-канальная архитектура
- SSD накопители
- 6× 2.5" Gen4 NVMe hot-swap и слоты M.2 (PCIe Gen4 x4)
Описание
Эта платформа рассчитана на Обучение моделей (Training), Дообучение моделей (Fine-tuning), Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation) и HPC / Научные расчёты - за счёт 8× GPU в составе NVIDIA HGX и масштабирования по нескольким ускорителям.
В данной сборке используется HGX на базе 8× NVIDIA A100 SXM 80GB: суммарно 640GB VRAM (0.64TB) с памятью HBM2e, что даёт хороший запас под крупные модели, KV-cache и большие батчи в многопоточном serving
По ограничениям: при очень длинных контекстах и высоком параллелизме основным упором становится VRAM (KV-cache/батчи), поэтому для максимально “тяжёлых” сценариев может понадобиться более агрессивная квантизация или настройки параллелизма.
Платформа поддерживает Ampere Altra / Altra Max (1× сокет LGA4926, до 128 ядер), память DDR4 (16 DIMM, 8-канальная архитектура, до 4TB на процессор, до 3200 MHz), а для накопителей доступны 6× 2.5" Gen4 U.2 NVMe hot-swap и 4× M.2 NVMe (PCIe Gen4 x4).
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 | ✅ | Оптимально для multi-GPU serving в 4-бит; держите запас VRAM под KV-cache при длинном контексте. |
| Qwen3.5-397B-A17B-FP8 / Qwen3.6-35B-A3B | FP8 / Нет | Примерно 406GB / 71.9 GB | ✅ | Комфортно работает на 8 GPU; хорошо подходит для продакшн-чатов, RAG и агентных сценариев. |
| Gpt-oss:120b | Нет | Примерно 196GB | ✅ | Можно держать на 2–4 GPU с большим запасом под батчи и высокий throughput. |
| GigaChat3.5-432B-A28B | Нет | Примерно 438GB | ✅ | Стабильный 4-бит запуск на 8 GPU; важно контролировать контекст и batch, чтобы не упереться в VRAM. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | Q4_K_M | Примерно 407GB | ✅ | Лучший режим - 4-бит с запасом под KV-cache; удобно для длинного контекста и параллельных запросов. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | Хороший вариант для стабильного serving на 2–4 GPU с запасом по VRAM под батчи и контекст. |
| 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 | ✅ | Можно держать высокие разрешения и большие очереди; удобно масштабировать генерацию по нескольким GPU. |
| Flux.2-dev | Текст в изображение | ✅ | Оптимально запускать распределённо (multi-GPU) или с экономией памяти — так проще держать батчи и высокое разрешение. |
| SD Turbo | Быстрые предпросмотры | ✅ | Отлично подходит для быстрых итераций и высокой параллельности генерации. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Лёгкий пайплайн: остаётся большой запас VRAM под повышенное разрешение и батчи. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | Хорошо масштабируется по нескольким GPU для параллельных задач генерации видео. |
| 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 | 1x Ampere Altra / Altra Max (1× сокет LGA4926, до 128 ядер) |
| Оперативная память | до 4TB DDR4, 16 DIMM, 8-канальная архитектура |
| SSD накопители | 6× 2.5" Gen4 NVMe hot-swap и слоты 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.