Kentino AI 32 Rome 5090 1676TOPS — 1x RTX 5090 workstation
Platforma podnikové třídy, sestavená a otestovaná v EU.
Kentino AI 32 Rome 5090 1676TOPS
Workstation s jednou GPU Blackwell
1x RTX 5090 | EPYC Milan | 1 676 TOPS INT8
Jedna GPU Blackwell, 32 GB GDDR7, nativní fp8 — nejostřejší jednokartová AI workstation, kterou Kentino staví.
AI server workstationové třídy s jednou GPU na platformě ROMED8-2T / EPYC Milan. Jedna RTX 5090 přináší 32 GB VRAM GDDR7 s nativní tensorovou matematikou fp8 — ideální volba pro vývojářskou stanici, inferenční endpoint pro malý tým nebo workstation na generování obrázků a videa, kde jedna silná GPU porazí dvě slabší. Formát 4U do racku, ale klidně ho postavíte i pod stůl v tiché kanceláři.
Hardware
| Komponenta | Detail |
|---|---|
| GPU | 1x NVIDIA GeForce RTX 5090 32 GB GDDR7 (575 W, PCIe 5.0 x16, Blackwell) |
| Kapacita VRAM | 32 GB |
| CPU | AMD EPYC 7643 Milan (48C/96T, 225 W, 128x linek PCIe 4.0) |
| Základní deska | ASRock Rack ROMED8-2T (SP3, 7x PCIe 4.0 x16, 8x DDR4 ECC, 2x 10 GbE, IPMI) |
| Systémová RAM | 128 GB DDR4-2666 ECC RDIMM (2x 64 GB) |
| Boot / úložiště | 1 TB NVMe M.2 (PCIe 4.0 x4) |
| Zdroj | Jeden zdroj ATX 2 kW |
| Skříň | 4U do racku, pasivní riser Gen4 x16 |
| Chlazení | Věžový chladič SP3 (třída Arctic Freezer 4U-M), 3x 120mm přední sání + 1x 120mm zadní výfuk |
| Síť | Integrovaný dvojitý 10 GbE (Intel X550) + IPMI |
Energetická bilance
- Odběr GPU: 1 x 575 W = 575 W
- Celek systému při plné zátěži: ~900 W
- Celkový výkon zdroje: 2 000 W (jeden ATX 2 kW) — 55 % rezerva
- Velkorysá rezerva na špičky, tichý chod při nízké zátěži
Topologie linek
PCIe Gen4 x16 u GPU (ROMED8-2T je Gen4; 5090 je křemík Gen5 běžící v Gen4 bez ztráty propustnosti pro inferenci). 16 linek přímo z root komplexu CPU. Žádný PCIe switch. GeForce 5090 nemá NVLink.
Co na něm rozběhnete
Díky 32 GB VRAM GDDR7 a nativní tensorové matematice fp8 tahle workstation zvládne otevřené LLM až do 32B hustých parametrů, generování obrázků s FLUX.1, generování videa, hlasovou AI i vícemodelové stacky pro jednoho vývojáře.
LLM — text / uvažování / kódování
Čínská špička
- Qwen3-32B dense Q6_K — kontext 32k, vlajkové obecné uvažování (~40-55 tok/s v jednom streamu na Blackwellu ve fp8, publikovaná reference)
- Qwen3-30B-A3B MoE v Q4_K_M s rezervou pro dlouhý KV (Qwen3-Coder-30B-A3B agentní, kontext 256k)
- QwQ-32B Q6 — náhled uvažovacího modelu
- DeepSeek-R2 32B sparse MoE v Q4-Q6 — uvažování na jedné GPU se skóre 92,7 % v AIME-2025 (~45-60 tok/s v jednom streamu na Blackwellu ve fp8, publikovaná reference)
- Qwen3.5-27B dense Q6 (vydání únor 2026)
- Hunyuan-A13B v Q4_K_M (~28-30 GB) — MoE 80B/13B, kontext 256k, dvourežimové uvažování
- Seed-OSS-36B Q4_K_M — nativní kontext 512k pro analýzu dlouhých dokumentů
Západní špička
- Llama 3.3 70B v Q2_K (~27 GB, těsné) nebo Q3_K (~34 GB s přetečením do RAM) — použitelné pro obecný chat
- Mistral Small 3 / Magistral Small / Devstral Small 2 (24B dense) v Q6-Q8 nebo bf16
- Gemma 3 27B multimodální v Q6 s kontextem 128k
- Phi-4 14B / Phi-4-reasoning bf16
- Reka Flash 3 (21B Apache 2.0) v bf16
- gpt-oss-20b nativní MXFP4 (~16 GB — vejde se s velkorysým KV)
Vision-Language
Qwen3-VL-8B / -32B v Q4-Q6; Qwen3-VL-30B-A3B MoE; InternVL3.5-8B / -38B Q4; MiniCPM-V 2.6 / MiniCPM-o 2.6 (8B); Llama 3.2 11B Vision bf16; Pixtral 12B bf16 (24 GB — těsné, použijte Q8); Gemma 3 12B / 27B multimodální; PaliGemma 2 (3/10B); Phi-4-multimodal 5.6B; Aya Vision 8B.
Generování obrázků
FLUX.1 [dev] / [schnell] fp8 (~12 GB) s nativním zrychlením na Blackwellu (~8-12 sekund na obrázek 1024x1024 při 20 krocích na Blackwellu, publikovaná reference); FLUX.1 Kontext [dev] — editace v kontextu, konzistence postav; SD 3.5 Large (18 GB fp16 / 11 GB fp8); SDXL 1.0 10-12 GB fp16; HunyuanImage-2.1 NF4 (~14 GB); Kolors 2.0 fp8; AuraFlow v0.3 / OmniGen v1 / PixArt-Sigma.
Generování videa
Wan 2.2 TI2V-5B při ~16 GB — 720p@24fps na jedné 5090; Wan 2.1 T2V/I2V 14B v Q4-Q6 (~16 GB); HunyuanVideo 1.5 (8.3B) — minimálně 14 GB; CogVideoX-5B / 5B-I2V int8 (~12 GB); LTX-Video 2B v realtime třídě 30 fps; Mochi-1 Q4 (~17-18 GB).
Zvuk / řeč / TTS
- ASR: Whisper v3 large / turbo (~50x rychleji než reálný čas na jedné GPU, publikovaná reference); NVIDIA Parakeet-TDT 1.1B; Canary 1B
- TTS: CosyVoice 2.0 / Fun-CosyVoice 3.0; Kokoro 82M; Stable Audio Open
- Realtime / S2S: Kyutai Moshi (7B) — jediný otevřený plně duplexní hlasový model v reálném čase; Step-Audio 2 mini / R1
Více modelů / více uživatelů
- Rezidentní stack pro jednoho vývojáře: Qwen3-32B Q6 (~20 GB) + FLUX.1 fp8 (~12 GB, vejde se těsně) na odkládání, nebo Qwen3-14B Q6 (~9 GB) + FLUX.1 + Whisper-turbo + Kokoro současně (~20-24 GB napevno)
- 2-4 souběžní uživatelé na LLM třídy 14-32B přes vLLM / SGLang
- Fine-tuning LoRA / QLoRA hustých modelů 7-14B
Cílové workloady
- Vývojářská workstation pro jednoho AI inženýra kombinujícího inferenci a generování obrázků
- Endpoint pro kódovacího agenta v malém týmu (Qwen3-Coder-30B-A3B) s 1-4 souběžnými uživateli
- Obsahová pipeline: dávkové generování obrázků ve FLUX.1 nebo SD 3.5 Large + krátká videa ve Wan 2.2
- Hlasový stack ASR + TTS na vlastním hardwaru (Whisper + Kokoro + Moshi) pro pobočku
- Výzkumná stanice pro LLM a VLM na úrovni náročného profesionála — otestujte Qwen3, Llama 3.3, Gemma 3 i Phi-4 na reálném hardwaru
Publikované výkonnostní reference
Publikovaná reference | srovnatelný hardware s jednou RTX 5090
| Benchmark | Výsledek |
|---|---|
| Llama 3.3 70B Q4_K_M dekódování v llama.cpp | ~18-22 tok/s s odložením KV do CPU |
| Qwen3-32B Q6 vLLM v jednom streamu | ~45-55 tok/s dekódování ve fp8 |
| FLUX.1 [dev] fp8 na Blackwellu | ~1,7-2,0 s na obrázek 1024x1024 při 20 krocích |
| Wan 2.2 TI2V-5B klip v 720p | ~3-4 minuty ve fp16 |
Publikované referenční body ze srovnatelného hardwaru s jednou 5090. Hodnoty naměřené Kentinem zveřejníme, jakmile gf-logic rozšíří benchmark na jednu 5090.
Na co se nehodí
- Husté modely 70B v Q6 a vyšší (32 GB nestačí — pro pořádnou kapacitu 64 GB použijte 2x 5090)
- Souběžná obsluha mnoha uživatelů ve velkém měřítku (jediná tensor-paralelní partice)
- Špičkové MoE nad 100B (GLM-4.5, Kimi K2, Mistral Large 3 — na jediné spotřebitelské kartě nedosažitelné)
Záruka a dodací lhůta
Sestavení zahrnuje montáž, konfiguraci BIOSu, instalaci ovladačů, zátěžový burn-in test a ověření funkčnosti. Dodací lhůta závisí na dostupnosti komponent a potvrzujeme ji při objednávce.
Doporučené doplňky
- NVIDIA ConnectX-5 100 GbE MCX555A-ECAT
- Upgrade systémového disku na 2 TB NVMe — nebo 4 TB
- Rozšíření RAM na 256 GB (4x 64 GB DDR4) pro větší KV cache a souběžné vícemodelové stacky
- Rackový PDU (C13/C19 s měřením) a online UPS 2 kVA
Otázky, které nám kupující kladou před objednávkou serveru nejčastěji.
Jak dlouho to trvá?
Stroje sestavené z komponent, které máme skladem, expedujeme rychle; cokoli, co vyžaduje konkrétní generaci GPU, závisí na dostupnosti. Termín Vám sdělíme ještě před platbou, a pokud se posune, dáme Vám vědět sami, místo abyste na to museli přijít.
Lze konfiguraci změnit ještě před sestavením?
Téměř vždy. GPU, paměť, úložiště i chlazení volíme podle konkrétní objednávky a uvedená konfigurace je spíš výchozím bodem než pevně daným balíkem. Pokud potřebujete více VRAM, rychlejší úložiště nebo jiné řešení chlazení, dejte nám vědět ještě před objednávkou a změnu Vám naceníme.
Mohu si server vyzvednout osobně?
Ano, můžete. Náš sklad je v Praze a osobní odběr vítáme — většina těch, kdo přijedou, využije návštěvu k tomu, aby si stroj prošla s naším technikem a zeptala se na věci, které se e-mailem řeší těžko. U objednávek v rámci České republiky se také snažíme doručovat osobně a provést Vás nastavením přímo na místě.
Mohu mluvit s někým, kdo opravdu rozumí workloadu?
Ano. Máme inženýra, který se věnuje přímo AI systémům, nikoli obecné obchodní oddělení. Pokud se ptáte na velikosti batchů, kvantizaci, propojení nebo na to, kde bude Vaše úzké hrdlo, zeptejte se — takový rozhovor obvykle posune konfiguraci k lepšímu.
Jaký model na této konfiguraci spustím?
Ano. Každý stroj je sestaven, podroben burn-in testu a změřen na reálných AI workloadech ještě před expedicí a odchází od nás s již nainstalovaným a běžícím LLM. Zapojíte jej, připojíte do své sítě a začnete pracovat — zbývá jediné rozhodnutí: na jakém projektu poběží jako prvním.
Jak testujete server před expedicí?
Testujeme ji na skutečných AI workloadech, ne na syntetických skóre: propustnost inference, chování při dlouhodobé zátěži a teploty v nepřetržitém provozu. Výsledky benchmarků dostanete spolu se strojem, takže si slíbený výkon můžete ověřit hned první den.
Je server po dodání připravený k provozu?
Ano. Každý stroj je sestaven, podroben burn-in testu a změřen na reálných AI workloadech ještě před expedicí a odchází od nás s již nainstalovaným a běžícím LLM. Zapojíte jej, připojíte do své sítě a začnete pracovat — zbývá jediné rozhodnutí: na jakém projektu poběží jako prvním.
Expedujeme z našeho skladu v EU. U těžkých položek může být nutná přeprava nákladní dopravou — napište si o cenovou nabídku dopravy a dodací lhůtu. Dvouletá omezená záruka s přednostním RMA servisem, prodloužená záruka na vyžádání.
Není to přesně to, co potřebujete?
Řekněte nám, jaký workload provozujete, a my Vám tuto platformu navrhneme na míru — GPU, paměť, úložiště i chlazení podle toho, co u Vás skutečně běží.