← Каталог оборудования
GIGABYTE G894-AD1-AAX5 (8× B200 SXM 180GB)
GIGABYTEНовый

GIGABYTE G894-AD1-AAX5 (8× B200 SXM 180GB)

90 434 300 ₽

Цена ориентировочная. Информация в каталоге не является публичной офертой.

Артикул
SF-20695
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) / Визуализация и рендеринг
Процессор (CPU)
Intel Xeon 6-series
Видеокарта (GPU)
NVIDIA B200 SXM
Количество GPU, шт
8
Общий объем видеопамяти (VRAM), ГБ
1440
Тип памяти GPU
HBM3e
Объем оперативной памяти (RAM), ГБ
6144
Тип оперативной памяти
DDR5 ECC REG
Форм-фактор
8U
Тип точности Совокупная мощность HGX B200 8-GPU
Совокупная мощность HGX B200 8-GPU
FP64 Tensor core
296 TFLOPS
FP32 Tensor core
600 TFLOPS
BF16/FP16 Tensor core
36 PFLOPS
INT8 Tensor core
72 POPS
FP8/FP6 Tensor core
72 PFLOPS
FP4 Tensor core
144 PFLOPS
Видеокарта
8x Nvidia B200 SXM 180GB HBM3e
Процессор
2× Intel Xeon 6 (6900-серии) в сокетах LGA7529 с TDP до 500W
Оперативная память
до 6TB DDR5 ECC RDIMM, 24 слота
SSD накопители
8× 2.5" Gen5 NVMe hot-swap спереди и 2× M.2 (PCIe Gen5 x4 и Gen5 x2)

Описание

Платформа рассчитана на Обучение моделей (Training), Дообучение моделей (Fine-tuning) и Инференс / Развертывание (Inference) в сценариях, где важны масштабирование на 8 GPU, высокая пропускная способность и стабильная работа под нагрузкой.

GPU-узел построен на NVIDIA HGX B200 с 8×SXM GPU по 180GB HBM3e, суммарно 1440GB VRAM (≈ 1.4TB), что удобно для больших батчей, длинного контекста и размещения крупных моделей без агрессивной квантизации. Поддерживаются вычисления FP16/FP8/INT8, а внутри HGX заявлена высокая связность GPU через NVLink/NVSwitch.

Ограничения зависят от выбранной CPU/RAM/накопителей и сетевых карт, а при установке только одного CPU часть линий PCIe или памяти может быть недоступна.

Платформа поддерживает 2× Intel Xeon 6 (6900-Series) в сокетах LGA7529 с TDP до 500W, память установлена в 24 DIMM слота DDR5 RDIMM или MRDIMM (скорости до 6400 MT/s для RDIMM и до 8800 MT/s для MRDIMM, максимум по объёму на карточке не указан). Для накопителей доступны 8× 2.5" Gen5 NVMe hot-swap спереди и 2× M.2 (PCIe Gen5 x4 и Gen5 x2).

Производительность GPU

Тип точностиСовокупная мощность HGX B200 8-GPU
FP64 Tensor core296 TFLOPS
FP32 Tensor core600 TFLOPS
BF16/FP16 Tensor core36 PFLOPS
INT8 Tensor core72 POPS
FP8/FP6 Tensor core72 PFLOPS
FP4 Tensor core144 PFLOPS

Совместимость с LLM-моделями

МодельТип квантизацииТребуется VRAMСовместимостьПримечание
DeepSeek-V4-ProНетПримерно 865GB✅Запускается на 8×B200 в распределённом режиме, разумно держать TP на 8 GPU и контролировать контекст и батчи из-за KV-cache.
Qwen3.5-397B-A17B / Qwen3.6-35B-A3B Нет Примерно 807GB / 71.9 GB✅Комфортный serving без квантизации с запасом под длинный контекст и высокий QPS при распараллеливании по 2–8 GPU.
Gpt-oss:120bНетПримерно 196GB✅Можно держать на 1–2 GPU с большим запасом VRAM под KV-cache и батчи или запускать несколько инстансов для максимального throughput.
GigaChat3.5-432B-A28B-bf16 Нет Примерно 868GB✅Эффективный запуск на 8×B200, лучше планировать multi-GPU serving и аккуратные лимиты по параллельным диалогам при длинном контексте.
Mistral-Large-3-675B-Instruct-251НетПримерно 682GB✅Хорошо подходит для больших ассистентов на 8 GPU, запас VRAM полезно отдавать под длинный контекст и стабильные батчи.
GLM-5.3 Нет Примерно 756GB ✅Надёжный продакшн-запуск на 8×B200 с прицелом на длинный контекст и высокую параллельность, удобно масштабировать через TP.
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 Нет Примерно 854GB ✅ Полноразмерная версия для серверов с большим запасом памяти; подходит для reasoning-задач, RAG, агентных сценариев и стабильного production-инференса без агрессивной квантизации.
MiMo-V2.5-Pro Нет Примерно 1.03TB ✅ Крупная Pro-версия для серверов с большим объёмом GPU-памяти; подходит для сложных reasoning-задач, RAG, агентных сценариев и production-инференса с высоким запасом качества.

Совместимость с диффузионными моделями

<!-- -->
МодельТипСовместимостьПримечание
Stable Diffusion XL 1.0Текст в изображение✅Можно держать высокий throughput за счёт параллельной генерации на нескольких GPU и крупных батчей без дефицита VRAM.
Flux.2-devТекст в изображение✅Удобно для high-res и больших батчей, при необходимости легко распределять задачи по 8 GPU для стабильной очереди.
SD TurboБыстрые предпросмотры✅Оптимален для серийных превью и интерактивных итераций, высокая параллельность на одном узле без упора в память.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение✅Лёгкий пайплайн, можно запускать несколько задач одновременно и повышать разрешение и батчи с большим запасом VRAM.
Kandinsky-5.0-T2V-Lite-sft-5s-DiffusersТекст в видео✅Параллельная пакетная генерация коротких роликов на нескольких GPU помогает держать стабильный throughput в продакшне.
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 B200 SXM 180GB HBM3e
Процессор2× Intel Xeon 6 (6900-серии) в сокетах LGA7529 с TDP до 500W
Оперативная памятьдо 6TB DDR5 ECC RDIMM, 24 слота
SSD накопители8× 2.5" Gen5 NVMe hot-swap спереди и 2× M.2 (PCIe Gen5 x4 и Gen5 x2)

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