NR-4G Edge
AI Inference Server
Для RAG, голосовых ассистентов, OCR, CV и batch-inference.
2–4 GPU512 GB–1 TB RAM25–100 GbE
Локальное NVMeдо 30 TB
БП2× 2.4 kW
от 2,9 млн ₽
GPU Systems
Серверы под AI-нагрузки
Три класса систем: инференс, обучение и rack-scale. Конфигурации масштабируются по GPU, памяти, сети и хранилищу.
NR-8G Train
Training Server
Для fine-tuning, pre-training, diffusion и multi-GPU вычислений.
8 GPU1–2 TB RAM200–400 GbE
Локальное NVMeдо 61 TB
БП4× 3.0 kW
от 7,8 млн ₽
NR-Rack 32
AI Rack Cluster
4 вычислительных узла, fabric-сеть, storage и управление в одной стойке.
32 GPU400 GbEN+1
IT-мощностьдо 45 kW
СетьLeaf-Spine
индивидуально
Сравнение
Выберите класс системы
Характеристики приведены как архитектурные ориентиры для демонстрационной линейки.
| Параметр | NR-4G Edge | NR-8G Train | NR-Rack 32 |
|---|---|---|---|
| GPU | 2–4 | 8 | 32 |
| CPU | 1–2 socket | 2 socket | 8 socket total |
| RAM | 512 GB–1 TB | 1–2 TB | 4–8 TB |
| Network | 25–100 GbE | 200–400 GbE | 400 GbE fabric |
| Storage | до 30 TB NVMe | до 61 TB NVMe | локальный + shared storage |
| Сценарий | Inference / CV / RAG | Fine-tuning / Training | Distributed training |
Power Planner
Оценка мощности
Быстрая инженерная оценка полной электрической нагрузки узла с учётом PUE.
Полная нагрузка
—
—
Sizing
Что влияет на конфигурацию
Размер модели7B → 400B+
Контекст8k → 1M+
Batch / concurrencylatency vs throughput
Тип задачиtrain / tune / infer
Датасетлокально / object storage