← Каталог оборудования
GIGABYTE G593-ZD1-AAX1 (8× H100 SXM 80GB)
GIGABYTEНовый

GIGABYTE G593-ZD1-AAX1 (8× H100 SXM 80GB)

43 809 000 ₽

Цена ориентировочная. Информация в каталоге не является публичной офертой.

Артикул
SF-20304
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

Все характеристики

Характеристики

Тип
Новые
Основная задача
Обучение моделей / Инференс / Дообучение моделей / RAG-системы / Анализ данных / Научные расчеты (HPC)
Процессор (CPU)
AMD EPYC
Видеокарта (GPU)
NVIDIA H100
Количество GPU, шт
8
Общий объем видеопамяти (VRAM), ГБ
640
Тип памяти GPU
HBM3
Объем оперативной памяти (RAM), ГБ
6144
Тип оперативной памяти
DDR5 ECC REG
Форм-фактор
5U
Тип точности Совокупная мощность восьми H100 SXM
Совокупная мощность восьми H100 SXM
FP64 Tensor Core
536 TFLOPS
FP8 Tensor Core
31 664 TFLOPS
BF16 / FP16 Tensor Core
15 832TFLOPS
TF32 Tensor Core
7 912 TFLOPS
INT8 Tensor Core
31 664 TOPS
Видеокарта
8x Nvidia H100 SXM 80GB HBM3
Процессор
2× AMD EPYC 9005/9004 (Socket SP5 / LGA6096)
Оперативная память
до 6TB DDR5 ECC REG, 24 DIMM, 12-канальная на процессор;
SSD накопители
8× 2.5" Gen5 NVMe/SATA/SAS-4 hot-swap (для SATA/SAS требуется storage card) и 2× M.2 (2280/22110) PCIe Gen3 x4 + Gen3 x1

Описание

Данная сборка на NVIDIA HGX H100 80GB (8× SXM5) 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 архитектуре и высокой межGPU-связности NVLink/NVSwitch.

GPU-часть: 8× H100 SXM 80GB, суммарно 640GB VRAM; этого запаса обычно достаточно, чтобы держать крупные модели распределённо и не “упираться” в память при длинном контексте (KV-cache) и высоком параллелизме запросов.

Для multi-GPU нагрузок платформа заявляет 900GB/s GPU-to-GPU bandwidth (NVLink/NVSwitch), что помогает эффективнее масштабировать TP/PP/DP (NCCL/DeepSpeed) под обучение и продакшн-serving.

Платформа: поддерживает 2× AMD EPYC 9005/9004 (Socket SP5, LGA6096); память - 24× DDR5 RDIMM (12-канальная на процессор), максимальный объём не указано. Для накопителей доступны 8× 2.5" Gen5 NVMe/SATA/SAS-4 hot-swap (для SATA/SAS требуется storage card) и 2× M.2 (2280/22110) PCIe Gen3 x4 + Gen3 x1; также указаны 2× 10GbE (Intel X710-AT2).

Производительность GPU

Тип точностиСовокупная мощность восьми H100 SXM
FP64 Tensor Core536 TFLOPS
FP8 Tensor Core31 664 TFLOPS
BF16 / FP16 Tensor Core15 832TFLOPS
TF32 Tensor Core7 912 TFLOPS
INT8 Tensor Core31 664 TOPS

Совместимость с LLM-моделями

Модель Тип квантизации Требуется VRAM Совместимость Примечание
DeepSeek-R1-GGUF 685B Q4_K_M Примерно 404GB ✅ Запускайте в 4-бит с TP на 4–8 GPU и 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 ✅ Уверенно помещается на 8×H100; масштабируйте serving по 4–8 GPU под нужный throughput.
Gpt-oss:120b Нет Примерно 196GB ✅ Оптимально для высоких батчей и concurrency: обычно достаточно 2–4 GPU, остальное — под параллельные инстансы.
GigaChat3.5-432B-A28B Нет Примерно 438GB ✅ Стабильный 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 ✅ Держите в 4-бит и распределяйте по 4–8 GPU, сохраняя VRAM под длинный контекст.
GLM-5.3-Flash Нет Примерно 328GB ✅ Под продакшн-serving удобно распределять по 4–8 GPU, оставляя запас под контекст и батчи.
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 большие батчи; генерацию удобно распараллеливать по GPU.
Flux.2-dev Текст в изображение ⚠️ Обычно нужен multi-GPU режим/распараллеливание или оптимизации памяти, чтобы уложить ~178GB VRAM (зависит от пайплайна).
SD Turbo Быстрые предпросмотры ✅ Максимальный throughput для итераций: легко держать высокий поток задач, распределяя очереди по GPU.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение ✅ ~35GB VRAM — большой запас под высокое разрешение, батчи и несколько пайплайнов параллельно.
Kandinsky-6.0-Pro-distill-5s-Diffusers Текст/изображение в видео со звуком ✅ ~29GB VRAM - удобно параллелить генерацию роликов по GPU и собирать продакшн-очередь.
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

Видеокарта8x Nvidia H100 SXM 80GB HBM3
Процессор2× AMD EPYC 9005/9004 (Socket SP5 / LGA6096)
Оперативная памятьдо 6TB DDR5 ECC REG, 24 DIMM, 12-канальная на процессор;
SSD накопители8× 2.5" Gen5 NVMe/SATA/SAS-4 hot-swap (для SATA/SAS требуется storage card) и 2× M.2 (2280/22110) PCIe Gen3 x4 + Gen3 x1

Если нужна конфигурация на эту платформу под ваши задачи - свяжитесь с менеджером, и мы предложим подходящий вариант под бюджет и требования.