GPU Cloud
GPU Cloud für AI, LLMs und Rendering
Mieten Sie NVIDIA-GPU-Server stundenweise oder pro Abrechnungszeitraum. Vergleichen Sie verfügbare Konfigurationen und Preise in Echtzeit, starten Sie mit einer fertigen Vorlage und verbinden Sie sich über SSH oder das Browser-Terminal.
- Live-GPU-Bestand mit aktuellen Preisen
- Vorlagen für PyTorch, LLM-Bereitstellung und Bildgenerierung
- SSH- und Terminal-Zugriff im Browser
Mit Cloudj GPU Cloud mieten Sie einen GPU-Server direkt aus dem Live-Bestand: Wählen Sie das GPU-Modell, den VRAM und den Speicherplatz, starten Sie mit einer Vorlage wie PyTorch, vLLM, Ollama oder ComfyUI und verbinden Sie sich anschließend über SSH. Stundenweise abgerechnete Server werden von Ihrem Guthaben abgebucht; bei einem gestoppten Stundenserver wird nur der Speicherplatz berechnet.
Verfügbare GPUs und aktuelle Preise
Live-Bestand: Verfügbarkeit und Preise ändern sich je nach Marktlage. Die Konsole bestätigt den Endpreis vor Ihrer Bestellung.
| GPU | VRAM pro GPU | Architektur | FP32-Rechenleistung | Leistungslimit | |
|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | Details → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | Details → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Details → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Details → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | Details → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | Details → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | Details → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | Details → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | Details → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | Details → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | Details → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | Details → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | Details → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | Details → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | Details → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | Details → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | Details → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | Details → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | Details → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | Details → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | Details → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | Details → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | Details → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | Details → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | Details → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | Details → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | Details → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | Details → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | Details → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | Details → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | Details → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | Details → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | Details → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | Details → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | Details → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | Details → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | Details → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | Details → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | Details → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | Details → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | Details → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | Details → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | Details → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | Details → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | Details → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | Details → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | Details → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | Details → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | Details → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | Details → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | Details → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | Details → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | Details → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | Details → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | Details → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | Details → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | Details → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | Details → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | Details → |
Einsatzbereite Vorlagen für Ihren Workload
LLM-Inferenz
vLLM, SGLang oder Ollama mit Open WebUI zum Bereitstellen und Testen von Sprachmodellen.
Feinabstimmung (Fine-Tuning)
Unsloth Studio für das Fine-Tuning von Sprachmodellen mit Ihren eigenen Daten.
Bild- und Videogenerierung
ComfyUI für Flux, SDXL und Video-Workflows.
PyTorch- und CUDA-Entwicklung
PyTorch- und Ubuntu 24.04-Images mit NVIDIA CUDA, erreichbar über SSH.
Desktop oder vollständige VM
Ein Ubuntu-Desktop im Browser oder bei Bedarf eine vollständige virtuelle KVM-Maschine.
So mieten Sie eine GPU
- 01
Vorlage und Datenträgergröße wählen
- 02
Kompatible GPU aus dem Live-Bestand auswählen
- 03
Preis bestätigen und den Server über Ihr Guthaben erstellen
- 04
Über SSH oder das Browser-Terminal verbinden
So funktioniert die GPU-Abrechnung
- Stündlich: Die GPU wird pro Stunde abgerechnet, solange der Server läuft. Für einen gestoppten Server mit stündlicher Abrechnung wird nur der Datenträger berechnet.
- Abrechnungszeiträume: monatlich, vierteljährlich, halbjährlich oder jährlich – etwaige Rabatte werden vor der Zahlung angezeigt.
- Der Datenträgerspeicher wird pro GB zusammen mit dem GPU-Preis berechnet.
- Die Preise verstehen sich in USD; Sie können sie zum aktuellen Wechselkurs in VND anzeigen lassen.
Häufig gestellte Fragen
Workloads, die in den GPU-Speicher passen: LLM-Inferenz und Fine-Tuning, Bild- und Videogenerierung, Rendering und CUDA-Entwicklung. Vorlagen für PyTorch, vLLM, SGLang, Ollama, Unsloth und ComfyUI installieren die Software für Sie.
Über SSH mit Ihrem Schlüssel oder über das Browser-Terminal in der Konsole. Desktop- und VM-Vorlagen bieten zudem einen grafischen Zugriff.
Die Preise stammen aus dem Live-GPU-Bestand und können sich ändern. Die Konsole zeigt Ihnen vor der Bestellung den bestätigten Preis an, und Ihr Server wird zu diesem bestätigten Preis abgerechnet.
Bei stundenweiser Abrechnung wird für einen gestoppten Server nur der Speicherplatz berechnet. Löschen Sie den Server, wenn Sie seine Daten nicht mehr benötigen.
Die obige Tabelle zeigt die derzeit verfügbaren Konfigurationen, einschließlich der NVIDIA RTX 5090 mit 32 GB VRAM, sofern sie vorrätig ist. Die Verfügbarkeit ändert sich im Laufe des Tages.