Это отправные точки, а не прайс: состав и конкретные модели зависят от задачи и того, что есть у поставщиков на дату расчёта.
Обучение моделей
2–8 GPU с большой памятью (80 ГБ и больше) и быстрой связью между ними, 2 процессора с большим числом линий PCIe, 512 ГБ–2 ТБ памяти, NVMe под датасеты, питание 3–6 кВт.
Обучение упирается в память GPU и обмен между картами: модель и батч должны помещаться целиком, иначе время растёт кратно. Поэтому считаем от размера модели и датасета, а не от числа карт.
Инференс и RAG
1–4 GPU с памятью под модель и запас на контекст, 1 процессор, 256–512 ГБ памяти, NVMe под векторную базу, 2 сетевых порта 10/25 Гбит/с.
Для инференса важнее, чтобы модель целиком влезла в память одной-двух карт, и предсказуемая задержка. Часто выгоднее несколько средних серверов, чем один большой.
Виртуализация
2 процессора с большим числом ядер, 512 ГБ–1 ТБ памяти ECC, зеркало системных дисков, SSD под виртуальные машины, 2–4 порта 10/25 Гбит/с, резервные блоки питания.
Плотность виртуальных машин ограничивает прежде всего память, затем дисковая подсистема. Процессор подбираем под лицензирование гипервизора и ПО.
1С и базы данных
1–2 процессора с высокой частотой, 128–512 ГБ памяти, NVMe в зеркале под базу, отдельные диски под журналы и резервные копии.
1С и СУБД чувствительны к частоте ядра и задержке дисков сильнее, чем к числу ядер: считаем от числа пользователей и объёма базы.
Хранилище и резервное копирование
СХД или сервер хранения на 12–24 диска, SAS/SATA под объём и SSD-кэш, RAID 6/10, 2 контроллера для отказоустойчивости, 10/25 Гбит/с.
Сначала считаем полезный объём с запасом на рост и RAID, затем скорость восстановления: большие диски в RAID 5 восстанавливаются сутками — это риск.