Kentino AI 32 Rome 5090 1676TOPS — Estação de trabalho de IA com 1x RTX 5090
Plataforma de nível empresarial, montada e testada na UE.
Kentino AI 32 Rome 5090 1676TOPS
Estação de trabalho Blackwell de uma só GPU
1x RTX 5090 | EPYC Milan | 1 676 TOPS INT8
Uma GPU Blackwell, 32 GB GDDR7, fp8 nativo — a estação de trabalho de IA de placa única mais afiada que a Kentino constrói.
Um servidor de IA de uma só GPU, com qualidade de estação de trabalho, na plataforma ROMED8-2T / EPYC Milan. Uma RTX 5090 entrega 32 GB de VRAM GDDR7 com matemática tensorial fp8 nativa — o ponto ideal para uma máquina de programador, um endpoint de inferência para uma equipa pequena ou uma estação de geração de imagem e vídeo onde uma GPU forte vale mais do que duas fracas. Formato rack 4U, mas igualmente pronto a instalar debaixo de uma secretária, em silêncio, no escritório.
Hardware
| Componente | Detalhe |
|---|---|
| GPU | 1x NVIDIA GeForce RTX 5090 32 GB GDDR7 (575 W, PCIe 5.0 x16, Blackwell) |
| Pool de VRAM | 32 GB |
| CPU | AMD EPYC 7643 Milan (48C/96T, 225 W, 128x linhas PCIe 4.0) |
| Placa-mãe | ASRock Rack ROMED8-2T (SP3, 7x PCIe 4.0 x16, 8x DDR4 ECC, 2x 10 GbE, IPMI) |
| RAM do sistema | 128 GB DDR4-2666 ECC RDIMM (2x 64 GB) |
| Arranque / armazenamento | 1 TB NVMe M.2 (PCIe 4.0 x4) |
| Fonte de alimentação | Uma fonte de alimentação ATX de 2 kW |
| Chassis | Rack-mount 4U, riser passivo Gen4 x16 |
| Arrefecimento | Cooler tower SP3 (classe Arctic Freezer 4U-M), 3x entradas frontais de 120 mm + 1x exaustão traseira de 120 mm |
| Rede | Duplo 10 GbE integrado (Intel X550) + IPMI |
Envelope de potência
- Consumo da GPU: 1 x 575 W = 575 W
- Total do sistema em carga máxima: ~900 W
- Fonte de alimentação total: 2 000 W (uma ATX de 2 kW) — 55 % de margem
- Margem generosa para transitórios, funcionamento silencioso em carga baixa
Topologia de linhas
PCIe Gen4 x16 na GPU (a ROMED8-2T é Gen4; a 5090 é silício Gen5 a funcionar em Gen4 sem penalização de largura de banda na inferência). 16 linhas diretas do root complex do CPU. Sem switch PCIe. Sem NVLink na GeForce 5090.
O que pode executar
Com 32 GB de VRAM GDDR7 e matemática tensorial fp8 nativa, esta estação de trabalho dá conta de LLM de pesos abertos até 32B densos, geração de imagem com FLUX.1, geração de vídeo, IA de voz e stacks multimodelo para um único programador.
LLM — texto / raciocínio / programação
Fronteira chinesa
- Qwen3-32B denso Q6_K — contexto de 32k, raciocínio geral de topo (~40-55 tok/s em fluxo único em Blackwell fp8, referência publicada)
- Qwen3-30B-A3B MoE em Q4_K_M com ampla margem de KV (Qwen3-Coder-30B-A3B agêntico, 256k ctx)
- QwQ-32B Q6 — pré-visualização de raciocínio
- DeepSeek-R2 MoE esparso de 32B em Q4-Q6 — raciocínio numa só GPU com 92.7 % no AIME-2025 (~45-60 tok/s em fluxo único em Blackwell fp8, referência publicada)
- Qwen3.5-27B denso Q6 (lançamento de fevereiro de 2026)
- Hunyuan-A13B em Q4_K_M (~28-30 GB) — MoE 80B/13B, 256k ctx, raciocínio de modo duplo
- Seed-OSS-36B Q4_K_M — contexto nativo de 512k para análise de documentos longos
Fronteira ocidental
- Llama 3.3 70B em Q2_K (~27 GB, apertado) ou Q3_K (~34 GB com transbordo para RAM) — utilizável para conversação geral
- Mistral Small 3 / Magistral Small / Devstral Small 2 (24B densos) em Q6-Q8 ou bf16
- Gemma 3 27B multimodal em Q6 com contexto de 128k
- Phi-4 14B / Phi-4-reasoning bf16
- Reka Flash 3 (21B Apache 2.0) em bf16
- gpt-oss-20b MXFP4 nativo (~16 GB — cabe com KV generoso)
Visão-Linguagem
Qwen3-VL-8B / -32B em 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 — apertado, use Q8); Gemma 3 12B / 27B multimodal; PaliGemma 2 (3/10B); Phi-4-multimodal 5.6B; Aya Vision 8B.
Geração de imagem
FLUX.1 [dev] / [schnell] fp8 (~12 GB) com aceleração nativa em Blackwell (~8-12 segundos por imagem 1024x1024 com 20 passos em Blackwell, referência publicada); FLUX.1 Kontext [dev] — edição em contexto, consistência de personagens; 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.
Geração de vídeo
Wan 2.2 TI2V-5B com ~16 GB — 720p@24fps numa só 5090; Wan 2.1 T2V/I2V 14B em Q4-Q6 (~16 GB); HunyuanVideo 1.5 (8.3B) — mínimo de 14 GB; CogVideoX-5B / 5B-I2V int8 (~12 GB); LTX-Video 2B de classe tempo real a 30 fps; Mochi-1 Q4 (~17-18 GB).
Áudio / Voz / TTS
- ASR: Whisper v3 large / turbo (~50x tempo real numa só GPU, referência publicada); NVIDIA Parakeet-TDT 1.1B; Canary 1B
- TTS: CosyVoice 2.0 / Fun-CosyVoice 3.0; Kokoro 82M; Stable Audio Open
- Tempo real / S2S: Kyutai Moshi (7B) — a única voz aberta full-duplex em tempo real; Step-Audio 2 mini / R1
Multimodelo / multi-inquilino
- Stack residente para um único programador: Qwen3-32B Q6 (~20 GB) + FLUX.1 fp8 (~12 GB, à justa) em swap, ou Qwen3-14B Q6 (~9 GB) + FLUX.1 + Whisper-turbo + Kokoro em simultâneo (~20-24 GB fixos)
- 2-4 utilizadores em simultâneo em LLM da classe 14-32B através de vLLM / SGLang
- Afinação LoRA / QLoRA de modelos densos de 7-14B
Cargas de trabalho-alvo
- Estação de trabalho para um engenheiro de IA a correr inferência mista + geração de imagem
- Endpoint de agente de programação para equipas pequenas (Qwen3-Coder-30B-A3B) com 1-4 utilizadores em simultâneo
- Pipeline de conteúdos: geração de imagem em lote com FLUX.1 ou SD 3.5 Large + vídeo curto com Wan 2.2
- Stack de voz ASR + TTS nas instalações (Whisper + Kokoro + Moshi) para uma sucursal
- Máquina prosumer de investigação em LLM + VLM — testar Qwen3, Llama 3.3, Gemma 3, Phi-4 em hardware real
Referências de desempenho publicadas
Referência publicada | hardware comparável com uma RTX 5090
| Benchmark | Resultado |
|---|---|
| Descodificação Llama 3.3 70B Q4_K_M em llama.cpp | ~18-22 tok/s com offload de KV para CPU |
| Qwen3-32B Q6 em vLLM, fluxo único | ~45-55 tok/s de descodificação em fp8 |
| FLUX.1 [dev] fp8 em Blackwell | ~1.7-2.0 s por imagem 1024x1024 com 20 passos |
| Clip 720p em Wan 2.2 TI2V-5B | ~3-4 minutos em fp16 |
Pontos de referência publicados, obtidos em hardware comparável com uma só 5090. Os valores medidos pela Kentino serão publicados assim que a gf-logic alargar os testes à configuração de uma só 5090.
Menos indicado para
- Modelos densos de 70B em Q6+ (32 GB não chegam — use 2x 5090 para um pool adequado de 64 GB)
- Serviço simultâneo a muitos utilizadores em escala (uma só partição de paralelismo tensorial)
- MoE de fronteira com mais de 100B (GLM-4.5, Kimi K2, Mistral Large 3 — fora do alcance de uma única placa de consumo)
Garantia e prazo de entrega
A montagem inclui assemblagem, configuração da BIOS, instalação de drivers, testes de burn-in e verificação funcional. O prazo de entrega depende da disponibilidade dos componentes e é confirmado na encomenda.
Extras recomendados
- NVIDIA ConnectX-5 100 GbE MCX555A-ECAT
- Atualizar o disco de arranque para NVMe de 2 TB — ou 4 TB
- Atualizar a RAM para 256 GB (4x 64 GB DDR4) para uma cache KV maior / stacks multimodelo em simultâneo
- PDU de rack (C13/C19 com medição) e UPS online de 2 kVA
As perguntas que os compradores mais nos fazem antes de encomendar um servidor.
Quanto tempo demora?
As máquinas construídas a partir de componentes que temos em stock são expedidas rapidamente; tudo o que exija uma geração específica de GPU depende da disponibilidade. Indicamos uma data antes do pagamento e, se essa data mudar, informamos o cliente em vez de o deixar descobrir por si.
A configuração pode ser alterada antes da montagem?
Quase sempre. As GPU, a memória, o armazenamento e o arrefecimento são escolhidos em cada encomenda e a configuração indicada é um ponto de partida, não um pacote fixo. Se precisar de mais VRAM, de armazenamento mais rápido ou de outra abordagem de arrefecimento, diga-nos antes de encomendar e orçamentamos a alteração.
Posso levantar o servidor pessoalmente?
Pode, sim. O nosso armazém fica em Praga e o levantamento em pessoa é bem-vindo — a maioria de quem nos visita aproveita para rever a máquina com o nosso engenheiro e fazer as perguntas que são difíceis de resolver por e-mail. Nas encomendas dentro da República Checa tentamos também entregar pessoalmente e explicar a instalação no local.
Posso falar com alguém que perceba mesmo da carga de trabalho?
Sim. Temos um engenheiro dedicado especificamente a sistemas de IA, e não um balcão de vendas genérico. Se a sua pergunta é sobre tamanhos de lote, quantização, interligação ou onde estará o seu estrangulamento, coloque-a — essa conversa costuma melhorar a configuração final.
Que modelo posso executar nesta configuração?
Sim. Todas as máquinas são montadas, submetidas a testes de burn-in e avaliadas com cargas de trabalho de IA reais antes do envio, e saem das nossas instalações com um LLM já instalado e a funcionar. Basta ligá-la à corrente, ligá-la à sua rede e começar a trabalhar — a única decisão que resta é qual o primeiro projeto que irá correr.
Como testam um servidor antes da expedição?
Testamo-lo com cargas de trabalho de IA reais, e não com pontuações sintéticas: débito de inferência, comportamento sob carga sustentada e desempenho térmico em funcionamento contínuo. Os resultados dos benchmarks seguem com a máquina, por isso o desempenho prometido é o desempenho que pode verificar logo no primeiro dia.
O servidor chega pronto a funcionar?
Sim. Todas as máquinas são montadas, submetidas a testes de burn-in e avaliadas com cargas de trabalho de IA reais antes do envio, e saem das nossas instalações com um LLM já instalado e a funcionar. Basta ligá-la à corrente, ligá-la à sua rede e começar a trabalhar — a única decisão que resta é qual o primeiro projeto que irá correr.
Expedido a partir do nosso armazém na UE. Os artigos pesados podem exigir transporte de carga — contacte-nos para obter um orçamento de envio e o prazo de entrega. Garantia limitada de 2 anos com apoio RMA avançado; garantia alargada disponível.
Não é exatamente o que procura?
Diga-nos qual é a sua carga de trabalho e configuramos esta plataforma à sua medida — GPU, memória, armazenamento e arrefecimento ajustados ao que realmente executa.