GPU Cloud
GPU cloud: ενοικίαση NVIDIA GPU servers με την ώρα
Ενοικιάστε NVIDIA GPU servers για LLM inference, fine-tuning και δημιουργία εικόνων. Live τιμές, ωριαία χρέωση, templates για PyTorch, vLLM και ComfyUI, πρόσβαση SSH.
- Live διαθεσιμότητα, επιβεβαίωση τιμής πριν από την παραγγελία
- Templates για PyTorch, vLLM, Ollama και ComfyUI
- Οι servers σε παύση με ωριαία χρέωση χρεώνονται μόνο για τον δίσκο
Με το Cloudj GPU Cloud ενοικιάζετε έναν GPU server από το ζωντανό απόθεμα: επιλέξτε μοντέλο GPU, VRAM και δίσκο, ξεκινήστε από ένα πρότυπο όπως PyTorch, vLLM, Ollama ή ComfyUI και συνδεθείτε μέσω SSH. Οι ωριαίοι servers χρεώνονται από το υπόλοιπο του λογαριασμού σας, ενώ ένας τερματισμένος ωριαίος server χρεώνεται μόνο για τον δίσκο του.
Τιμές ενοικίασης GPU και live διαθεσιμότητα
Ζωντανό απόθεμα: η διαθεσιμότητα και οι τιμές μεταβάλλονται ανάλογα με την αγορά. Η κονσόλα επιβεβαιώνει την τελική τιμή πριν από την παραγγελία σας.
| GPU | VRAM ανά GPU | Αρχιτεκτονική | Υπολογιστική ισχύς FP32 | Όριο ισχύος (TDP) | Από | |
|---|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | – | Λεπτομέρειες → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Λεπτομέρειες → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Λεπτομέρειες → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | – | Λεπτομέρειες → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | – | Λεπτομέρειες → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | – | Λεπτομέρειες → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | – | Λεπτομέρειες → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | – | Λεπτομέρειες → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | – | Λεπτομέρειες → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | – | Λεπτομέρειες → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | – | Λεπτομέρειες → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | – | Λεπτομέρειες → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | – | Λεπτομέρειες → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | – | Λεπτομέρειες → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | – | Λεπτομέρειες → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | – | Λεπτομέρειες → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | – | Λεπτομέρειες → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | – | Λεπτομέρειες → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | – | Λεπτομέρειες → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | – | Λεπτομέρειες → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | – | Λεπτομέρειες → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | – | Λεπτομέρειες → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | – | Λεπτομέρειες → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | – | Λεπτομέρειες → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | – | Λεπτομέρειες → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | – | Λεπτομέρειες → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | – | Λεπτομέρειες → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | – | Λεπτομέρειες → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | – | Λεπτομέρειες → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | – | Λεπτομέρειες → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | – | Λεπτομέρειες → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | – | Λεπτομέρειες → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | – | Λεπτομέρειες → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | – | Λεπτομέρειες → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | – | Λεπτομέρειες → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | – | Λεπτομέρειες → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | – | Λεπτομέρειες → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | – | Λεπτομέρειες → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | – | Λεπτομέρειες → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | – | Λεπτομέρειες → |
GPU templates για AI, LLM και workloads rendering
LLM inference
vLLM, SGLang ή Ollama με Open WebUI για εξυπηρέτηση και δοκιμή γλωσσικών μοντέλων.
Fine-tuning
Unsloth Studio για fine-tuning γλωσσικών μοντέλων στα δικά σας δεδομένα.
Δημιουργία εικόνας και βίντεο
ComfyUI για ροές εργασίας Flux, SDXL και βίντεο.
Ανάπτυξη σε PyTorch και CUDA
Είδωλα PyTorch και Ubuntu 24.04 με NVIDIA CUDA, προσβάσιμα μέσω SSH.
Desktop ή πλήρες VM
Επιφάνεια εργασίας Ubuntu στο πρόγραμμα περιήγησης ή πλήρης εικονική μηχανή KVM όταν τη χρειάζεστε.
Πώς να νοικιάσετε έναν GPU server σε 4 βήματα
- 01
Επιλέξτε πρότυπο και μέγεθος δίσκου
- 02
Επιλέξτε μια συμβατή GPU από το ζωντανό απόθεμα
- 03
Επιβεβαιώστε την τιμή και δημιουργήστε τον server από το υπόλοιπο του λογαριασμού σας
- 04
Συνδεθείτε μέσω SSH ή του τερματικού στο πρόγραμμα περιήγησης
Τιμές και χρέωση GPU cloud
- Ωριαία: η GPU χρεώνεται ανά ώρα όσο ο server εκτελείται. Ένας τερματισμένος ωριαίος server χρεώνεται μόνο για τον δίσκο του.
- Κύκλοι χρέωσης: μηνιαίος, τριμηνιαίος, εξαμηνιαίος ή ετήσιος, με οποιαδήποτε έκπτωση να εμφανίζεται πριν από την πληρωμή.
- Ο αποθηκευτικός χώρος δίσκου χρεώνεται ανά GB μαζί με την τιμή της GPU.
- Οι τιμές είναι σε USD. Μπορείτε να τις εμφανίσετε σε VND με βάση την τρέχουσα ισοτιμία.
Συχνές ερωτήσεις για το GPU cloud
Workloads που χωρούν στη μνήμη της GPU: LLM inference και fine-tuning, παραγωγή εικόνας και βίντεο, rendering και ανάπτυξη CUDA. Τα templates για PyTorch, vLLM, SGLang, Ollama, Unsloth και ComfyUI εγκαθιστούν το λογισμικό για εσάς.
Ο παραπάνω πίνακας παραθέτει τις διαθέσιμες συνθέσεις αυτή τη στιγμή, συμπεριλαμβανομένης της NVIDIA RTX 5090 με 32 GB VRAM όταν υπάρχει απόθεμα. Η διαθεσιμότητα αλλάζει κατά τη διάρκεια της ημέρας.
Οι τιμές προέρχονται από το live απόθεμα GPU και ενδέχεται να αλλάξουν. Η κονσόλα εμφανίζει την επιβεβαιωμένη τιμή πριν από την παραγγελία σας και ο server σας χρεώνεται σε αυτήν την επιβεβαιωμένη τιμή.
Ναι. Εκτός από την ωριαία χρέωση, μπορείτε να επιλέξετε μηνιαίο, τριμηνιαίο, εξαμηνιαίο ή ετήσιο κύκλο, με την ανάλογη έκπτωση να εμφανίζεται πριν από την πληρωμή. Ο χώρος αποθήκευσης στον δίσκο χρεώνεται ανά GB μαζί με την τιμή της GPU.
Με την ωριαία χρέωση, ένας server σε παύση χρεώνεται μόνο για τον δίσκο του. Διαγράψτε τον server όταν δεν χρειάζεστε πλέον τα δεδομένα του.
Μέσω SSH με το κλειδί σας ή μέσω του terminal στον browser σας απευθείας από την κονσόλα. Τα templates για Desktop και VM παρέχουν επίσης γραφική πρόσβαση.