
GIGABYTE G492-ZD2 (8× A100 SXM 80GB)
24 362 700 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-20276
- 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 7003 серии
- Оперативная память
- до 8TB DDR4, 32 DIMM, 8-канальная архитектура; RDIMM/LRDIMM до 128GB, 3DS RDIMM/LRDIMM до 256GB
- SSD накопители
- 6× 2.5" Gen4 NVMe/SATA hot-swap bays (с оговоркой, что NVMe не hot-swap) и 2× M.2 (PCIe Gen4 x4, 2242/2260/2280)
Описание
Данная сборка на NVIDIA HGX A100 (8× SXM4 80GB) рассчитана на Обучение моделей (Training), Дообучение моделей (Fine-tuning), Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation) и HPC / Научные расчёты - благодаря плотной 8-GPU компоновке и высокоскоростному межGPU-обмену (NVLink/NVSwitch).
GPU-часть: 8× A100 SXM 80GB, суммарно 640GB VRAM; это даёт хороший запас под крупные модели, длинный контекст (KV-cache) и высокий throughput при serving (батчи/параллельные запросы)
Для производительных multi-GPU сценариев (TP/PP/DP, NCCL) платформа опирается на HGX-модуль и заявляет до 600GB/s GPU-to-GPU interconnection.
Платформа: поддерживает двухпроцессорную конфигурацию AMD EPYC 7003 (совместима с EPYC 7002), 32 слота DDR4 (8-канальная архитектура; RDIMM/LRDIMM до 128GB, 3DS RDIMM/LRDIMM до 256GB; максимум по объёму платформы - до 8TB), а для накопителей доступны 6× 2.5" Gen4 NVMe/SATA hot-swap bays (с оговоркой, что NVMe не hot-swap) и 2× M.2 (PCIe Gen4 x4, 2242/2260/2280).
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 | ✅ | Запускается в 4-бит на 8 GPU; держите запас под KV-cache при длинном контексте и настраивайте TP на 4–8 GPU под throughput. |
| Qwen3.5-397B-A17B-FP8 / Qwen3.6-35B-A3B | FP8 / Нет | Примерно 406GB / 71.9 GB | ✅ | Помещается целиком; для стабильного serving используйте TP/PP на 4–8 GPU и держите запас под батчи и контекст. |
| Gpt-oss:120b | Нет | Примерно 196GB | ✅ | Комфортно держать на 2–4 GPU, оставляя большой запас под KV-cache и высокий concurrency. |
| GigaChat3.5-432B-A28B | Нет | Примерно 438GB | ✅ | Устойчивый 4-бит запуск на 8 GPU; ограничивайте контекст и batch, чтобы не упираться в KV-cache. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | Q4_K_M | Примерно 407GB | ✅ | Оптимально в 4-бит; масштабируйте inference по 4–8 GPU и оставляйте VRAM под длинный контекст. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | Стабильно работает на 2–4 GPU; в 4-бит остаётся запас под длинный контекст и параллельные запросы. |
| 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 | ✅ | Легко держит высокие разрешения и параллельные очереди; масштабируйте генерацию по нескольким GPU для throughput. |
| Flux.2-dev | Текст в изображение | ✅ | Требует ~178GB VRAM: запускайте распределённо или с оптимизациями памяти, чтобы сохранить запас под батчи и разрешение. |
| SD Turbo | Быстрые предпросмотры | ✅ | Отличен для быстрых итераций и больших очередей; удобно параллелить по GPU без упора в VRAM. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Лёгкая версия; требует ~35GB VRAM - остаётся большой запас под разрешение, батчи и несколько пайплайнов. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | T2V (~29GB VRAM) для роликов до ~5 секунд; хорошо параллелится по GPU для продакшн-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 7003 серии |
| Оперативная память | до 8TB DDR4, 32 DIMM, 8-канальная архитектура; RDIMM/LRDIMM до 128GB, 3DS RDIMM/LRDIMM до 256GB |
| SSD накопители | 6× 2.5" Gen4 NVMe/SATA hot-swap bays (с оговоркой, что NVMe не hot-swap) и 2× M.2 (PCIe Gen4 x4, 2242/2260/2280) |
Если нужна конфигурация на эту платформу под ваши задачи - свяжитесь с менеджером, и мы предложим подходящий вариант под бюджет и требования.