
HPE ProLiant XL675d Gen10 Plus (8× A100 SXM 80GB)
21 124 700 ₽
Цена ориентировочная. Информация в каталоге не является публичной офертой.
- Артикул
- SF-20473
- 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
- 4096
- Тип оперативной памяти
- DDR4 ECC REG
- Форм-фактор
- 6U
- 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 (Socket SP3)
- Оперативная память
- до 4TB DDR4, 32 DIMM
- SSD накопители
- до 16× SFF, при этом поддерживаются интерфейсы SAS / SATA / NVMe (опционально M.2)
Описание
Kонфигурация на NVIDIA HGX A100 80GB (8× SXM) подходит для Обучение моделей (Training), Дообучение моделей (Fine-tuning), Инференс / Развертывание (Inference), RAG-системы (Retrieval-Augmented Generation) и HPC / Научные расчёты - платформа XL675d рассчитана на плотные multi-GPU нагрузки в составе Apollo 6500
В узле установлен HGX A100 8-GPU, а суммарный объём видеопамяти составляет 640GB VRAM, что даёт хороший запас для распределённого запуска крупных моделей и удержания KV-cache при росте контекста и batch/concurrency.
За счёт 8-GPU HGX-топологии платформа лучше всего раскрывается в сценариях с активным межGPU-обменом (tensor/pipeline parallel), где важны стабильная связка из нескольких GPU и предсказуемая пропускная способность при сервинге и обучении.
Платформа: 2× AMD EPYC 7003 (Socket SP3), память - DDR4 SmartMemory, 32 DIMM (16 DIMM на сокет) и максимум до 4 TB. Для накопителей предусмотрено до 16× SFF, при этом поддерживаются интерфейсы SAS / SATA / NVMe (опционально M.2)
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 | ✅ | Оптимально 4-бит и TP на 8 GPU, сохраняя запас VRAM под KV-cache при длинном контексте. |
| Qwen3.5-397B-A17B-FP8 / Qwen3.6-35B-A3B | FP8 / Нет | Примерно 406GB / 71.9 GB | ✅ | Помещается целиком; TP/PP на 4–8 GPU помогает держать стабильный serving и высокий throughput. |
| Gpt-oss:120b | Нет | Примерно 196GB | ✅ | Часто достаточно 2–4 GPU, а остальную VRAM удобно отдать под батчи, параллельные запросы и длинные диалоги. |
| GigaChat3.5-432B-A28B | Нет | Примерно 438GB | ✅ | 4-бит + TP на 8 GPU - практичный режим для продакшн-serving с контролем контекста и batch. |
| Mistral-Large-3-675B-Instruct-2512-GGUF | Q4_K_M | Примерно 407GB | ✅ | Держите в 4-бит и оставляйте запас под KV-cache, особенно если планируются длинные контексты и батчи. |
| GLM-5.3-Flash | Нет | Примерно 328GB | ✅ | Комфортно на 2–4 GPU; batch и контекст увеличивайте постепенно, контролируя рост KV-cache. |
| 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 | ✅ | Высокие разрешения и крупные батчи; генерацию удобно масштабировать по нескольким GPU. |
| Flux.2-dev | Текст в изображение | ✅ | Чаще всего нужен multi-GPU режим и оптимизации памяти - итог зависит от конкретного пайплайна. |
| SD Turbo | Быстрые предпросмотры | ✅ | Максимальный throughput для быстрых превью и серийной генерации в больших очередях. |
| Kandinsky-5.0-T2I-Lite-sft-Diffusers | Текст в изображение | ✅ | Низкие требования к VRAM позволяют держать несколько параллельных пайплайнов и повышать batch. |
| Kandinsky-6.0-Pro-distill-5s-Diffusers | Текст/изображение в видео со звуком | ✅ | Параллельные задачи по нескольким GPU упрощают продакшн-очереди для коротких роликов. |
| 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 (Socket SP3) |
| Оперативная память | до 4TB DDR4, 32 DIMM |
| SSD накопители | до 16× SFF, при этом поддерживаются интерфейсы SAS / SATA / NVMe (опционально M.2) |
Если нужна конфигурация на эту платформу под ваши задачи - свяжитесь с менеджером, и мы предложим подходящий вариант под бюджет и требования.