В основе SYS-421GE-TNHR2-LCC находится NVIDIA HGX с восемью SXM-ускорителями H100 или H200. Сервер занимает всего 4U и использует жидкостное охлаждение CPU и GPU, поэтому ориентирован прежде всего на плотные AI/HPC-инсталляции и длительную работу под высокой нагрузкой.
Рекомендуется для дата-центров, научных центров, ML-команд и интеграторов.
Конфигурация оборудования Форм-фактор: 4U (стойка, активное охлаждение) CPU: 2× Intel Xeon Scalable 4-го поколения (до 2×350W) Чипсет: Intel C741, поддержка до 8 TB DDR5 ECC R-DIMM ОЗУ: до 2048 GB DDR5 ECC 4800MT/s GPU: до 8× NVIDIA A100/A800/H100 (до 270 мм) Хранение: 4× 2.5" SSD + 12× 3.5" HDD Сеть: 3× GbE LAN, включая IPMI Управление: ASPEED AST2500 (IPMI 2.0), поддержка BMC Охлаждение: 3× 120 мм + 4× 80 мм вентиляторов Питание: 5× CRPS, режим 4+1 (избыточность)
Предустановленное ПО
Ubuntu Server 22.04 или Rocky Linux 9
NVIDIA CUDA Toolkit, драйверы для A800/H100
Поддержка PyTorch, TensorFlow, Apex, Triton Inference Server
Возможность установки Slurm, Kubernetes, ComfyUI/SDXL (по задаче)
Сервис и сопровождение
Предтестирование под нагрузкой и настройка BIOS/энергопрофилей
Подбор компонентов под вашу задачу
Консультации и поддержка по драйверам — 3 мес бесплатно
Стоимость Цена (включая установку ПО, настройку и сопровождение): Варианты с 2, 4, 8 GPU — под заказ Гарантия 3 года и 5 лет (по выбору) Сервисное обслуживание и расширенная поддержка — опционально
Почему именно это решение
Российская платформа с перспективой включения в реестр Минпромторга (осень 2025г.)
Высокая плотность GPU и масштабируемость
Надежный BMC, IPMI, продуманная система охлаждения
Гибкость в настройке BIOS, совместимость с вашим ПО
Возможность кастомизации под проект
Условия поставки
Срок поставки: от 4 недель
Транспортировка: промышленная упаковка с защитой
Доступна отгрузка с установкой и вводом в эксплуатацию
Назначение Готовое решение для запуска моделей типа ChatGPT, LLaMA, StableLM, генерации текста, голосовых ассистентов, внутренних ИИ-систем в компании. Идеально подходит для компаний, которым важно:
не зависеть от облаков и внешних API
держать данные внутри организации
получить ИИ-инфраструктуру под ключ с установкой и поддержкой
Экспертиза по ИИ-инфраструктуре, от одиночных серверов до кластеров
Подбор серверной платформы для любых задач ИИ и высоких нагрузок
Мы конфигурируем серверы под конкретные задачи, от обучения и инференса LLM, до систем хранения, виртуализации и HPC. Работаем с проверенными платформами мировых вендоров и бюджетными OEM-производителями, обеспечиваем совместимость, тестирование и поддержку.
Оставьте заявку и мы подберем необходимое оборудование под ваши задачи
ОСТАВИТЬ ЗАЯВКУ
SUPERMICRO SYS-421GE-TNHR2-LCC - ПРИМЕНЕНИЕ И ПРЕИМУЩЕСТВА
</04>
У SYS-421GE-TNHR2-LCC другая логика, чем у классических 8U воздушных HGX-систем. Здесь восемь GPU размещаются в 4U, а значительная часть тепла снимается жидкостным контуром непосредственно с наиболее горячих компонентов. Это позволяет строить более плотную вычислительную инфраструктуру, но предъявляет повышенные требования уже не только к самому серверу, а ко всей стойке.
Где такая архитектура особенно уместна: • обучение больших языковых моделей • крупные multi-GPU workloads • HPC-кластеры • научное моделирование • вычислительные AI-центры • задачи с постоянной высокой загрузкой GPU
Внутри одного узла NVLink и NVSwitch обеспечивают быстрый обмен между всеми восемью ускорителями. Локальные NVMe можно использовать под datasets, checkpoints и scratch-space, а свободные PCIe-ресурсы — под высокоскоростные сетевые адаптеры для объединения нескольких серверов в кластер. Главное здесь не просто «8 GPU в одном сервере», а высокая вычислительная плотность: 8 H100/H200 в 4U. Именно поэтому такую модель имеет смысл рассматривать на уровне всей rack-инфраструктуры, а не как отдельный сервер, который просто устанавливается в свободное место.
Главное отличие — плотность размещения и способ отвода тепла. 4U LCC позволяет разместить те же восемь SXM GPU компактнее, но требует подготовленной жидкостной инфраструктуры стойки.
Когда ограничением становится объём GPU-памяти: крупные LLM, большой KV-cache, memory-intensive inference или научные модели. Если 80 ГБ HBM на GPU достаточно, H100 всё ещё может быть рациональнее по бюджету.
Да, именно для таких сценариев liquid cooling особенно интересен. Но количество узлов определяется уже не только свободными U, а доступной электрической мощностью, производительностью CDU и допустимой тепловой нагрузкой стойки.
Встроенные 10GbE для этого недостаточны. Обычно отдельно проектируется высокоскоростной fabric на 100/200/400GbE или InfiniBand с учётом количества узлов, характера collective operations и требований к storage.
Тип и параметры жидкостного контура, CDU, коллекторы, расход и температуру теплоносителя, доступную мощность PDU и схему сервисного доступа. Для такой системы сервер и инфраструктуру охлаждения лучше проектировать одновременно.
Сравнили 3 варианта: облако, аренда и покупка у GetCore. Взяли в лизинг через них — за 7 дней получили настроенный сервер, полностью готовый к продакшну. Экономим около 180 тыс. рублей каждый месяц по сравнению с облаком. Сопровождение — на уровне партнёрства, не просто техподдержка
Алексей, ИТ-директор, финтех-компания, Москва
Андрей, ML-инженер, стартап по компьютерному зрению, Санкт-Петербург
Ребята из GetCore не просто продали „железо“, а погрузились в архитектуру модели, которую мы обучаем. Подобрали точную конфигурацию под PyTorch + CUDA, всё развернули и протестировали. Через 5 дней уже запускали первый эксперимент. Приятно удивлён уровнем техничности
разработчик нейросети
руководителя отдела разработки
С GetCore построили свою первую собственную ИИ-инфраструктуру. Подобрали сервер на базе двух A100, настроили под TensorFlow и помогли оптимизировать пайплайны. За месяц сэкономили больше 500 000 ₽ по сравнению с тем, что тратили на аренду облака. Чёткие сроки, понятные люди, без обещаний "на словах"
Максим, руководитель отдела разработки ИИ-продуктов, Ростов-на-Дону
Илья, архитектор ИТ-инфраструктуры, интегратор, Казань
Нужно было быстро развернуть серверную платформу для запуска LLM в локальном режиме. GetCore подобрали мощный сервер с 4xGPU, провели стресс-тест и обеспечили резервную схему. С таким подходом чувствуешь себя не клиентом, а техдиром внутри сильной команды
архитектор инфраструктуры
Файлы cookies
Мы собираем файлы cookies для улучшения работы сайта и применяем рекомендательные технологии. Продолжая пользоваться сайтом, вы даёте согласие на использование файлов cookies.
Файлы cookies
Подробнее о cookies
Файлы cookie, необходимые для корректной работы сайта, всегда включены. Другие файлы cookie настраиваются