Списанные серверные ускорители NVIDIA Tesla V100 всё активнее попадают на вторичный рынок. Модули V100 SXM2 на 16 ГБ встречаются на маркетплейсах примерно от $100–150 за штуку, и для энтузиаста локального ИИ это выглядит как способ получить большой объём видеопамяти за небольшие деньги. Логика простая: вместо одной современной игровой карты собрать сервер на двух или четырёх бывших дата-центровых ускорителях и получить от 64 до 128 ГБ VRAM.
V100 построена на архитектуре Volta 2017 года: 5120 CUDA-ядер, 640 Tensor-ядер. Версия SXM2 несёт 32 ГБ HBM2 с пропускной способностью 900 ГБ/с, заявленная производительность Tensor-операций достигает 125 TFLOPS, энергопотребление — до 300 Вт. Для сравнения, GeForce RTX 3090 располагает 24 ГБ GDDR6X и пропускной способностью около 936 ГБ/с, RTX 5070 — 12 ГБ GDDR7 и 672 ГБ/с, RTX 4070 Ti — 12 ГБ GDDR6X. По архитектуре V100 устарела, но её 32 ГБ HBM2 остаются серьёзным ресурсом для локальных нейросетей: в инференсе LLM решают объём и пропускная способность памяти, а не только поколение Tensor-ядер. В ряде задач такая карта держится на уровне RTX 3090 Ti.
| Ускоритель | Память | Пропускная способность | Энергопотребление |
|---|---|---|---|
| NVIDIA Tesla V100 SXM2 | 32 ГБ HBM2 | 900 ГБ/с | 300 Вт |
| GeForce RTX 3090 | 24 ГБ GDDR6X | ~936 ГБ/с | — |
| GeForce RTX 5070 | 12 ГБ GDDR7 | 672 ГБ/с | — |
| GeForce RTX 4070 Ti | 12 ГБ GDDR6X | — | — |
В играх V100 не конкурент современным решениям: производительность примерно как у Radeon 6800XT или 5060Ti, нет трассировки и Frame Generation (DLSS 3/4). Смысл сборки — именно нейросетевые сценарии. Версии на 32 ГБ эффективнее работают с небольшими моделями вроде Qwen3.8–27B, которые целиком помещаются в VRAM. Четыре модуля по 32 ГБ дают 128 ГБ HBM2 — этого хватает для моделей, которые на одной потребительской видеокарте просто не запустятся, хотя стоимость такой конфигурации начинает кусаться.
Версия на 32 ГБ даёт 900 ГБ/с пропускной способности HBM2 и до 125 TFLOPS на Tensor-операциях при 300 Вт.
Главные сложности начинаются не с железа, а с обвязкой. Модуль SXM2 не вставляется в стандартный PCIe-разъём — нужна переходная плата, а их выпускают на одну, две и четыре V100. Подключаются они через райзеры и адаптеры, причём часть режет шину до PCIe x8, что накладывает ограничения на материнскую плату. У SXM2 два мезонинных разъёма: один для обмена по PCIe, второй для стыковки с другими картами по NVLink. Не все адаптеры распаивают второй разъём под NVLink Bridge, и это стоит проверять при подборе конфигурации.
Охлаждение — отдельная проблема. У серверной V100 нет игрового кулера: NVIDIA рассчитывала на продув в шасси дата-центра. В домашней сборке приходится ставить воздушное охлаждение, и это решение на грани эксперимента. Переходники и кулеры могут стоить сопоставимо с ценой самой V100, так что экономия против RTX 3090 не гарантирована.
Программная совместимость тоже требует внимания. В актуальной ветке PyTorch начиная с 2.11 готовые бинарники CUDA 12.8/12.9 больше не включают поддержку Volta. Для V100 рекомендуется использовать сборки с CUDA 12.6 либо собирать PyTorch самостоятельно с поддержкой sm_70. Это один из главных минусов V100 в 2026 году: железо дешёвое, но поддержка в свежих фреймворках постепенно уходит.
Итог зависит от сценария. Если задача — запускать модели, которым нужны десятки гигабайт VRAM, и есть готовность возиться с адаптерами, охлаждением и сборкой PyTorch, связка из нескольких V100 SXM2 может оказаться дешевле одной топовой карты. Если же нужна беспроблемная работа с актуальными фреймворками и играми, экономика сборки ломается: переходники, кулеры и время на настройку съедают разницу в цене.
