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