Смотреть всё оборудование
Более 10 видов оборудования под ваши задачи
«Более 10 лет помогаем развивать и модернизировать IT-инфраструктуру»
Александр Макаров, Ген директор ТКТД
Заявка на консультацию
Оставьте ваши данные и наши менеджеры свяжуться с вами в ближайшее время
Рейтинг компании
В реестре проверенных поставщиков
В реестре проверенных поставщиков
GPU-кластер для обучения нейросетей
GPU-кластер для обучения нейросетей нужен, когда клиент упирается в границы одного узла: модель не помещается даже в H200 141 ГБ, батч не даёт нужной точности, а эксперимент, который должен занимать день, растягивается на неделю. Собираем связку от 2 до 128 узлов H100/H200/A100 SXM в HGX-платформах, соединённую InfiniBand-фабрикой Fat-Tree с rail-optimized routing под NCCL
Модель больше одного узла
Модель не помещается в один узел (даже H200 141 ГБ HBM3e), нужен tensor parallel или pipeline parallel через несколько узлов
Общая СХД
Датасет превышает объём локального NVMe одного узла — нужна общая СХД с параллельной ФС для батчей эпох
Параллельная работа команд
Несколько ML-команд работают параллельно — один узел на всех превращается в очередь
Foundation-модели 70B+ и MoE
Целевая модель — foundation-модель 70B+ или mixture-of-experts (MoE) — один узел физически не тянет
Ускорение R&D
Эксперимент занимает неделю на одном узле — распределив на 8 узлов, ждёте день, для итеративного R&D это критично
Когда одного узла мало и нужен кластер
{ сценарии }
Кластер vs один узел: что меняется в проекте
{ отличия }
| Подсистема | 1 узел (сервер) | Кластер (2+ узлов) |
|---|---|---|
| GPU-связь | NVLink Switch внутри узла (900 ГБ/с между 8 GPU) | NVLink внутри узла + InfiniBand между узлами (400 Гбит/с NDR) |
| Сеть | 1–2 порта Ethernet для управления | Отдельная InfiniBand-фабрика Fat-Tree + Ethernet для управления |
| Коммутаторы | Не нужны для GPU-трафика | Quantum-2 QM9700 (NDR) или Quantum QM8700 (HDR), leaf + spine |
| Хранение | Локальный NVMe в узле (2–8 ТБ) | Локальный NVMe + общая параллельная ФС (Lustre / GPFS / BeeGFS) |
| Программное | CUDA, драйверы, ML-фреймворк | Плюс NCCL с rail-optimized и MTU 4 КБ, Subnet Manager (OpenSM или UFM), Slurm/Kubernetes, checkpoint-политика |
| Планировщик | Локально запускаешь python train.py | Slurm или Kubernetes с GPU-плагином, очереди, приоритеты, отказоустойчивость |
| Мониторинг | nvidia-smi + журнал | Prometheus + DCGM Exporter + мониторинг фабрики (UFM), сквозные дашборды |
| Питание | 5–12 кВт на стойку | 20–50 кВт на плотную сборку, часто DLC |
Как считаем конфигурацию под задачу обучения
{ расчет }
| Параметр подбора | На что влияет | Что уточняем у клиента |
|---|---|---|
| Размер обучаемой модели | Выбор GPU (A100 40/80 vs H100 80 vs H200 141 ГБ), число узлов, тип параллелизма | Целевой размер параметров, тип модели (dense vs MoE) |
| Тип распределённого обучения | Требования к NCCL-пропускной, топология фабрики | Data-parallel, model-parallel, pipeline, tensor |
| Число узлов сейчас и через 12–24 мес | Число коммутаторов, топология, запас портов | План роста, бюджет CapEx |
| Datalayout — размер и формат датасета | Класс общей СХД, размер локального NVMe-кэша | Объём датасета, формат (JPEG, TFRecord, parquet) |
| Поколение InfiniBand | HDR 200G (для A100) vs NDR 400G (для H100/H200) | Модель GPU в узле, планы обновления |
| Условия ЦОД | Воздух (12 кВт/стойка) vs DLC (30–50 кВт) | Мощность стойки, готовность к DLC |
| Планировщик задач | Slurm (HPC-style) vs Kubernetes (cloud-native) | Что уже используется, число команд-пользователей |
| Checkpoint-политика | Требования к write-пропускной СХД, частота checkpointов | Стоимость потерянного часа обучения |
| Отказоустойчивость обучения | Дублирование Subnet Manager, hot-swap NVMe, N+N БП | SLA внутренней ML-платформы |
Три профиля масштаба кластера
{ конфигурации }
Compute
2–4 узла HGX 8×A100 или 8×H100 SXM
Сеть
1 коммутатор Quantum QM8700 (HDR 200G) для A100
Хранение
Локальный NVMe 8 ТБ в каждом узле, общая параллельная ФС на BeeGFS
Инженерка
2–3 стойки по 12 кВт, воздушное охлаждение
Стартовый кластер: 2–4 узла с 8×A100 SXM или 8×H100 SXM HGX
На что рассчитано: fine-tuning LLM 7B–70B, R&D-команда 5–15 инженеров, тестовая ML-платформа
Compute
8–32 узла HGX 8×H100 SXM
Сеть
Двухуровневая Fat-Tree non-blocking 1:1 на Quantum-2 QM9700
Хранение
Параллельная ФС Lustre/GPFS от 500 ТБ
Инженерка
4–8 стоек, часть воздух, часть DLC (20–30 кВт)
Продуктивный кластер: 8–32 узла с 8×H100 SXM HGX
На что рассчитано: full fine-tuning LLM 30B–70B, обучение foundation-моделей до 70B, командная ML-платформа с 30+ инженерами, гибрид обучение + периодический инференс
Compute
32–128 узлов HGX 8×H100 или 8×H200 SXM
Сеть
Полная Fat-Tree на Quantum-2 QM9700, UFM с телеметрией congestion
Хранение
Enterprise-параллельная ФС (Lustre / GPFS / VAST-класс), ярусы hot/warm/cold
Инженерка
Плотная DLC-сборка 30–50 кВт/стойка, чиллер или free-cooling
Крупный кластер: 32–128 узлов с 8×H100/H200 SXM HGX
На что рассчитано: pre-training foundation-моделей 70B–1T параметров, отраслевые LLM, крупные R&D-центры банков и корпораций
Подходы к распределённому обучению
{ нагрузка }
| Подход | Что параллелится | Нагрузка на InfiniBand | Когда применим |
|---|---|---|---|
| Data-parallel (PyTorch DDP, ZeRO-1) | Батч делится между узлами, модель целиком на каждом | Умеренная (all-reduce градиентов раз в шаг) | Модель влезает в один узел (до 70B на H200) |
| ZeRO-2 / ZeRO-3 | Оптимизатор + градиенты (ZeRO-2) или + веса (ZeRO-3) шардированы | Высокая (all-gather + reduce-scatter каждый шаг) | Модель не влезает в узел, экономим память |
| Tensor-parallel | Матричные операции слоя делятся между GPU (обычно внутри узла через NVLink) | Внутри узла — NVLink Switch, между узлами — очень высокая | Крупные слои трансформера (Megatron-LM), 8 GPU в узле |
| Pipeline-parallel | Слои модели распределены по узлам конвейером | Умеренная (только на границах ступеней) | Очень глубокие модели, компенсация memory-limit |
| 3D-parallel (DP+TP+PP) | Все три оси одновременно | Смешанная, самая сложная в тюнинге | Foundation-модели 70B+ (Megatron-LM + DeepSpeed) |
Что входит в поставку?
{ комплектация }
Cобранные HGX-платформы, локальный NVMe
Коммутаторы в топологии Fat-Tree, HCA в каждом узле, кабели
Общая СХД под датасеты
Проект питания стойки и проект охлаждения
Программный стек и планировщик
Сквозные приёмочные тесты
Обучение, постпродажное сопровождение
Пакет документов под 44-ФЗ или 223-ФЗ при госзаказе
Заказать консультацию
задача обучения, целевая модель, объём датасетов, условия ЦОД, планы роста
Заявка и обследование: 5–7 дней
число и модель узлов, поколение InfiniBand и топология Fat-Tree, класс СХД, охлаждение, питание, программный стек
Расчёт кластера: 10–14 дней
Как мы работаем
{ этапы и сроки }
по графику клиента
Согласование, договор
Монтаж в стойки, коммутация питания и InfiniBand-фабрики, подключение DLC при необходимости
Монтаж и настройка: 7–14 дней
HGX-платформы, коммутаторы Quantum, HCA, кабели, СХД
Поставка компонентов: 45–90 дней
3–5 рабочих дней
Тестирование, сдача, обучение, гарантия и постпродажное сопровождение
Почему выбирают нас
{ преимущества }
cобираем связку GPU-узлов, сетевой фабрики и СХД в интеграционных точках, а не отдельн
Инфраструктура в связке
Постпродажное сопровождение
обучаем администраторов клиента, даём альтернативу по поколению InfiniBand, 44-ФЗ и 223-ФЗ, пакет документов для закупки
Вендоры и поставщики
GPU: NVIDIA H100/H200 SXM, A100 SXM. HGX-платформы: Supermicro, Gigabyte, ASUS, Quanta, Foxconn. Коммутаторы и HCA: NVIDIA — Quantum/Quantum-2, ConnectX-6/7. Параллельная ФС: Lustre (open), IBM Spectrum Scale, BeeGFS, VAST, WEKA. Планировщики: Slurm (open), Kubernetes + NVIDIA GPU Operator
проектируем питание и охлаждение стойки — не «оборудование придёт, а куда ставить, вы разберётесь»
Питание и охлаждение
Опыт
опыт с Fat-Tree топологиями на 2–128 узлов, включая rail-optimized NCCL и жидкостное охлаждение DLC
Пришлите задачу обучения (модель, размер параметров, датасет), целевое число узлов сейчас и через 12–24 месяца, условия ЦОД (мощность стойки, готовность к DLC) — по итогам обследования и расчёта кластера (15–21 рабочий день) вернёмся с проектом
Пришлите ТЗ — вернёмся с проектом кластера
{ свяжитесь с нами }
Часто задаваемые вопросы
{ FAQ }
Кластер — 2 и более GPU-узлов, соединённых отдельной InfiniBand-фабрикой Fat-Tree. Появляются коммутаторы Quantum, общая СХД с параллельной ФС, планировщик Slurm или Kubernetes, сквозной мониторинг. Один узел работает автономно, кластер живёт как единая распределённая среда обучения.
PyTorch DDP на 8 узлах ускоряет обучение примерно в 6× против одного узла — часть эффекта съедает overhead all-reduce. На 32 узлах при non-blocking Fat-Tree — около 24×. При oversubscription 2:1 масштаб на 32 узла падает до 16–18× — фабрика становится bottleneck.
Каждый GPU в узле идёт в «свой» leaf-коммутатор — снижение контенции в фабрике на 20–40% при плотной NCCL-нагрузке. Заметно на больших коллективах all-reduce в 3D-parallel обучении foundation-моделей.
Slurm традиционен в HPC — строгая очередь, простое управление GPU-квотами, минимум оверхеда. Kubernetes с NVIDIA GPU Operator в корпоративных ML-платформах: CI/CD, MLOps-конвейеры, единый оркестратор. Часто ставим гибрид: Slurm под тяжёлые обучения, Kubernetes под инференс и сервисы.
70B параметров × 4 байта FP32 = 280 ГБ весов, плюс state оптимизатора и градиенты около 840 ГБ. Шардированно на 8 узлах около 140 ГБ на узел, полный записываемый объём около 1,1 ТБ каждые N шагов. СХД под это — параллельная ФС с пиком write 30–50 ГБ/с.
Работаем по 44-ФЗ и 223-ФЗ в части поставки. GPU H100/H200/A100 фактически NVIDIA-only — замещённой альтернативы под обучение LLM в реестре Минпромторга нет. Compute-платформа может быть российской (YADRO, KRAFTWAY) при совместимости с HGX. СХД частично — RAIDIX или YADRO. CUDA/NCCL тоже NVIDIA-only.