← Каталог оборудования
Supermicro NVIDIA GB300 NVL72 (36x GB300 Grace Blackwell Ultra) [SRS-GB300-NVL72]
SupermicroНовый

Supermicro NVIDIA GB300 NVL72 (36x GB300 Grace Blackwell Ultra) [SRS-GB300-NVL72]

913 437 600 ₽

Цена ориентировочная. Информация в каталоге не является публичной офертой.

Артикул
SF-24644
Партномер
SRS-GB300-NVL72
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
Парт.№
SRS-GB300-NVL72
Основная задача
Обучение моделей / Инференс / Дообучение моделей / RAG-системы / Анализ данных / Научные расчеты (HPC) / Визуализация и рендеринг
Процессор (CPU)
NVIDIA GB300 (Grace)
Видеокарта (GPU)
NVIDIA GB300 (Blackwell Ultra)
Количество GPU, шт
72
Общий объем видеопамяти (VRAM), ГБ
20088
Тип памяти GPU
HBM3e
Объем оперативной памяти (RAM), ГБ
17856
Тип оперативной памяти
LPDDR5x
Форм-фактор
48U
Тип точности Совокупная мощность системы
Совокупная мощность системы
FP4 Tensor core
1440 PFLOPS
FP8 Tensor core
720 PFLOPS
FP6 Tensor core
720 PFLOPS
FP16 Tensor core
360 PFLOPS
BF16 Tensor core
360 PFLOPS
FP32
6 PFLOPS
TF32 Tensor core
180 PFLOPS
FP64 Tensor core
100 TFLOPS
INT8
24 POPS

Описание

Supermicro NVIDIA GB300 NVL72 SRS-GB300-NVL72 - это жидкостно-охлаждаемая стоечная AI-система на базе 72 ускорителей NVIDIA B300 Blackwell Ultra и 36 процессоров NVIDIA Grace. Платформа предназначена для Обучения моделей (Training), Дообучения моделей (Fine-tuning), Инференса / Развертывания (Inference), RAG-систем (Retrieval-Augmented Generation), Анализа данных (Data Science) и HPC / Научных расчётов, включая работу с крупнейшими языковыми и reasoning-моделями.

Система оснащается до 20 ТБ памяти HBM3e и до 17 ТБ LPDDR5X, а высокоскоростной контур NVLink обеспечивает эффективную совместную работу всех GPU при длинном контексте, больших батчах и высоком числе параллельных запросов. Архитектура Blackwell Ultra поддерживает современные режимы вычислений FP4, FP8/FP6, FP16/BF16 и INT8, поэтому Supermicro GB300 NVL72 ориентирована на дата-центры и AI-фабрики, где требуется максимальная производительность для масштабного обучения и обслуживания моделей.


Производительность GPU

Тип точностиСовокупная мощность системы
FP4 Tensor core1440 PFLOPS
FP8 Tensor core720 PFLOPS
FP6 Tensor core720 PFLOPS
FP16 Tensor core360 PFLOPS
BF16 Tensor core360 PFLOPS
FP326 PFLOPS
TF32 Tensor core180 PFLOPS
FP64 Tensor core100 TFLOPS
INT824 POPS

Совместимость с LLM-моделями

Модель Тип квантизации Требуется VRAM Совместимость Примечание
DeepSeek-V4-Pro Нет Примерно 865GB ✅ Supermicro SRS-GB300-NVL72 уверенно запускает модель с огромным запасом GPU-памяти под длинный контекст, KV-cache, крупные батчи и высокий параллелизм запросов.
Qwen3.8-2.4T-A95B Нет Примерно 4.89TB ✅ Крупная MoE-модель для серверов с большим объёмом GPU-памяти; подходит для сложных reasoning-задач, RAG, агентных сценариев и production-инференса. Для стабильной работы требуется распределение по нескольким GPU и достаточный запас памяти под KV-cache, длинный контекст и параллельные запросы.
Gpt-oss:120b Нет Примерно 196GB ✅ Для этой rack-scale системы модель требует лишь небольшую часть доступной GPU-памяти, что позволяет держать множество одновременных инстансов, длинный контекст и высокий поток запросов.
GigaChat3.5-432B-A28B-bf16 Нет Примерно 868GB ✅ SRS-GB300-NVL72 подходит для крупномасштабного развёртывания модели с длинным контекстом, большими батчами и параллельным обслуживанием большого числа пользователей.
Mistral-Large-3-675B-Instruct-251 Нет Примерно 682GB ✅ Платформа обеспечивает большой резерв для корпоративного инференса, расширенных контекстных окон, крупных батчей и одновременной работы множества запросов.
GLM-5.3 Нет Примерно 756GB ✅ Даже для модели такого класса Supermicro SRS-GB300-NVL72 оставляет значительный запас под KV-cache, большие контексты, параллельные сессии и высоконагруженный инференс.
Gemma-4-31B-IT-NVFP4 NVFP4 (FP4 для NVIDIA) Примерно 32.7GB ✅ Модель в формате NVFP4 хорошо соответствует архитектуре Blackwell Ultra, а для SRS-GB300-NVL72 она подходит для массового параллельного запуска, длинного контекста и максимальной плотности обслуживания запросов.
NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4 NVFP4 (FP4 для NVIDIA) Примерно 80.4GB ✅ NVFP4-модель эффективно использует возможности Blackwell Ultra, а система позволяет одновременно разворачивать большое число инстансов для длинного контекста и высоконагруженного обслуживания запросов.
Kimi-K3 Нет Примерно 1.56TB ✅ 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

Модель Тип Совместимость Примечание
Stable Diffusion XL 1.0 Текст в изображение ✅ Supermicro SRS-GB300-NVL72 легко справляется с генерацией высокого разрешения, крупными батчами и массовым параллельным запуском графических пайплайнов.
Flux.2-dev Текст в изображение ✅ Большой объём HBM3e и масштаб rack-scale платформы позволяют повышать разрешение, ускорять пакетную генерацию и одновременно обслуживать множество очередей.
SD Turbo Быстрые предпросмотры ✅ Подходит для создания большого количества быстрых предпросмотров и параллельной обработки множества пользовательских заданий.
Kandinsky-5.0-T2I-Lite-sft-Diffusers Текст в изображение ✅ Платформа позволяет одновременно запускать множество независимых пайплайнов генерации изображений с большим запасом по GPU-памяти и производительности.
Kandinsky-6.0-Pro-distill-5s-Diffusers Текст/изображение в видео со звуком ✅ Система подходит для параллельной генерации коротких видеороликов, пакетной обработки заданий и ускорения ресурсоёмких видеодиффузионных сценариев.