← Каталог оборудования
GIGABYTE XV24-SU0-AAJ1 (4× RTX PRO 6000 BSE 96GB, 1× Xeon 6737P, RAM 768GB)
GigabyteНовый

GIGABYTE XV24-SU0-AAJ1 (4× RTX PRO 6000 BSE 96GB, 1× Xeon 6737P, RAM 768GB)

30 753 100 ₽

Цена ориентировочная. Информация в каталоге не является публичной офертой.

Артикул
SF-19740
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 / Визуализация и рендеринг
Процессор (CPU)
Intel Xeon 6-series
Видеокарта (GPU)
NVIDIA RTX PRO 6000 Blackwell
Количество GPU, шт
4
Общий объем видеопамяти (VRAM), ГБ
384
Тип памяти GPU
GDDR7
Объем оперативной памяти (RAM), ГБ
768
Тип оперативной памяти
DDR5 ECC REG
Форм-фактор
2U
Тип точности Совокупная мощность четырех RTX PRO 6000 BSE
Совокупная мощность четырех RTX PRO 6000 BSE
FP32
480 TFLOPS
FP4
16 PFLOPS
RT Core performance*
1420 TFLOPS
Платформа
GIGABYTE XV24-SU0-AAJ1
Видеокарта
4x NVIDIA RTX PRO 6000 Blackwell Server Edition 96GB GDDR7
Процессор
1x Intel Xeon 6737P (32c/64t, 2.9GHz-4.0GHz, 270W)
Оперативная память
6x 128GB DDR5 ECC REG Micron 6400Mhz 2Rx4
SSD накопитель
1x Solidigm D7-PS1030 6.4TB 2.5" U.2
Сетевая карта
2x NVIDIA MCX713106AC-VEAT (2x QSFP112 200GBE)

Описание

Это наша сборка на Северной платформе Gigabyte XV24-SU0-AAJ1: компактный высокоплотный узел под 4 GPU, рассчитанный на продакшн-нагрузки и масштабирование по сети. Конфигурация отлично закрывает Инференс / Развертывание (Inference) и RAG-системы (Retrieval-Augmented Generation) - можно держать длинный контекст, несколько реплик и параллельные пайплайны без постоянной борьбы за память.

4× NVIDIA RTX PRO 6000 Blackwell Server Edition 96GB GDDR7 дают 384GB суммарной VRAM - этого хватает для запуска больших LLM в multi-GPU режиме (tensor/pipeline parallel) и для тяжёлых генеративных пайплайнов. Сервер также подходит для Дообучение моделей (Fine-tuning) и Обучение моделей (Training) (особенно когда важен большой batch/градиенты и стабильная работа на FP16/FP8 в современном стеке CUDA).

Сильная сторона именно этой конфигурации - баланс GPU + память + сеть: 768GB DDR5 ECC REG позволяют держать крупные датасеты/индексы RAG в RAM, а 2× NVIDIA MCX713106AC-VEAT (итого 4 порта 200GbE QSFP112) - удобно для распределённых сценариев (несколько узлов, внешние хранилища, высокие QPS-кластеры).

Производительность GPU

Тип точностиСовокупная мощность четырех RTX PRO 6000 BSE
FP32480 TFLOPS
FP4 16 PFLOPS
RT Core performance*1420 TFLOPS

*-RT Core performance - это пиковая производительность специализированных RT-ядер (Ray Tracing Cores), которые аппаратно ускоряют операции трассировки лучей (поиск пересечений луча с геометрией и обход BVH). Показатель важен для визуализации/рендеринга и некоторых графических/3D-пайплайнов, но не является прямым аналогом FP32/AI-производительности.

Совместимость с LLM-моделями

Модель Тип квантизации Требуется VRAM Совместимость Примечание
DeepSeek-R1-Distill-Llama-70B Нет Примерно 141GB ✅ Запускается на одном сервере в multi-GPU режиме (обычно 2–4 GPU) через tensor/pipeline parallel (vLLM/TensorRT-LLM). Хорош для reasoning и длинного контекста; запас общей VRAM можно отдать под KV-cache и высокий QPS.
Qwen3.8-27B Нет Примерно 55.6GB ✅ Хороший кандидат для “большой модели на одном узле”: запускается с распределением по 4 GPU, остаётся запас под KV-cache и несколько параллельных запросов. Подходит для агентов, продакшн-чатов и RAG с высоким QPS.
gpt-oss:120b Нет (FP16) Примерно 260GB ✅ Комфортно работает на одном узле при распределении по 4 GPU. Хороший баланс “размер модели ↔ пропускная способность”: можно держать модель без квантизации и при этом оставить ресурс под несколько потоков инференса и увеличенный KV-cache.
Mistral-Large-3-675B-Instruct-2512-GGUF IQ4_XS Примерно 360GB ⚠️ Запуск возможен в рамках 4×96GB, но “впритык”: потребуется аккуратная настройка контекста и batch size. Рекомендуется vLLM и контроль KV-cache, чтобы сохранить стабильную латентность.
GLM-5.3-Flash Нет Примерно 328GB ✅ Для стабильной работы рекомендуются умеренный контекст, грамотное распределение по 4 GPU и продакшн-движок (TensorRT-LLM/vLLM).
GigaChat3.5-432B-A28B-GGUF Q4_K_M Примерно 262GB ✅ Отлично подходит для reasoning, кода, анализа текста и ассистентских задач.
NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4 NVFP4 (FP4 для NVIDIA) Примерно 80.4GB ✅ Удобна для параллельного запуска нескольких инстансов, работы с длинным контекстом и высокой плотности запросов.
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 Нет Примерно 316GB ✅ Базовая версия среднего объёма для серверов с хорошим запасом памяти; подходит для RAG, корпоративных ассистентов, генерации текста и стабильного инференса без квантизации.

Совместимость с диффузионными моделями

<!-- -->
Модель Тип Совместимость Примечание
Stable Diffusion XL 1.0 Текст в изображение ✅ На 4× RTX PRO 6000 BSE удобно параллелить пайплайны (несколько пользователей/очередей), держать большие batch и стабильно генерировать high-res. 96GB на GPU дают большой запас под upscalers и постобработку.
Flux.2-dev Текст в изображение ✅ Требовательна к VRAM, но 96GB на GPU позволяют комфортно работать с высоким разрешением и батчами. Можно масштабировать throughput по нескольким GPU внутри одного сервера для стабильной high-res генерации.
SD Turbo Быстрые предпросмотры ✅ Максимальная скорость итераций: легко держать много параллельных задач предпросмотра/серийных кадров на одном узле и обслуживать несколько потоков одновременно с низкой задержкой.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение ✅ Лёгкая модель: остаётся большой запас VRAM под высокое разрешение, батчи и одновременную работу нескольких пайплайнов на 4 GPU — удобно для многопользовательских сценариев.
Kandinsky-6.0-Pro-distill-5s-Diffusers Текст/изображение в видео со звуком ✅ Для коротких роликов удобно распараллеливать генерацию по GPU: один сервер ускоряет пакетную обработку, держит несколько очередей и стабильно обслуживает серию задач на CUDA-стеке.
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

ПлатформаGIGABYTE XV24-SU0-AAJ1
Видеокарта4x NVIDIA RTX PRO 6000 Blackwell Server Edition 96GB GDDR7
Процессор1x Intel Xeon 6737P (32c/64t, 2.9GHz-4.0GHz, 270W)
Оперативная память6x 128GB DDR5 ECC REG Micron 6400Mhz 2Rx4
SSD накопитель1x Solidigm D7-PS1030 6.4TB 2.5" U.2
Сетевая карта2x NVIDIA MCX713106AC-VEAT (2x QSFP112 200GBE)