GPU Cloud
GPU en la nube para AI, LLM y renderizado
Alquile servidores GPU NVIDIA por hora o por ciclo de facturación. Compare configuraciones y precios en tiempo real, inicie desde una plantilla lista para usar y conéctese por SSH o desde la terminal del navegador.
- Inventario de GPU en tiempo real con precios actuales
- Plantillas para PyTorch, despliegue de LLM y generación de imágenes
- Acceso por SSH y terminal en el navegador
Con Cloudj GPU Cloud usted alquila un servidor GPU del inventario en tiempo real: elija el modelo de GPU, la VRAM y el disco, comience desde una plantilla como PyTorch, vLLM, Ollama o ComfyUI, y luego conéctese por SSH. Los servidores por hora se cobran del saldo de su cuenta, y un servidor por hora detenido solo se factura por su disco.
GPU disponibles y precios actuales
Inventario en tiempo real: la disponibilidad y los precios cambian con el mercado. La consola confirma el precio final antes de realizar el pedido.
| GPU | VRAM por GPU | Arquitectura | Cómputo FP32 | Límite de potencia | |
|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | Detalles → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | Detalles → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Detalles → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Detalles → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | Detalles → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | Detalles → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | Detalles → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | Detalles → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | Detalles → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | Detalles → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | Detalles → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | Detalles → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | Detalles → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | Detalles → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | Detalles → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | Detalles → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | Detalles → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | Detalles → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | Detalles → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | Detalles → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | Detalles → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | Detalles → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | Detalles → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | Detalles → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | Detalles → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | Detalles → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | Detalles → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | Detalles → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | Detalles → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | Detalles → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | Detalles → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | Detalles → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | Detalles → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | Detalles → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | Detalles → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | Detalles → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | Detalles → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | Detalles → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | Detalles → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | Detalles → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | Detalles → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | Detalles → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | Detalles → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | Detalles → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | Detalles → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | Detalles → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | Detalles → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | Detalles → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | Detalles → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | Detalles → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | Detalles → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | Detalles → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | Detalles → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | Detalles → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | Detalles → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | Detalles → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | Detalles → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | Detalles → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | Detalles → |
Plantillas listas para su carga de trabajo
Inferencia de LLM
vLLM, SGLang u Ollama con Open WebUI para desplegar y probar modelos de lenguaje.
Ajuste fino
Unsloth Studio para el ajuste fino de modelos de lenguaje con sus propios datos.
Generación de imágenes y vídeo
ComfyUI para flujos de trabajo de Flux, SDXL y vídeo.
Desarrollo con PyTorch y CUDA
Imágenes de PyTorch y Ubuntu 24.04 con NVIDIA CUDA, accesibles mediante SSH.
Escritorio o VM completa
Un escritorio Ubuntu en el navegador, o una máquina virtual KVM completa cuando la necesite.
Cómo alquilar una GPU
- 01
Elija una plantilla y el tamaño del disco
- 02
Seleccione una GPU compatible del inventario en tiempo real
- 03
Confirme el precio y cree el servidor con el saldo de su cuenta
- 04
Conéctese por SSH o desde la terminal del navegador
Cómo funciona la facturación de GPU
- Por hora: la GPU se cobra por hora mientras el servidor está en ejecución. Un servidor por hora detenido solo genera cargos por su disco.
- Ciclos de facturación: mensual, trimestral, semestral o anual, mostrando cualquier descuento antes de pagar.
- El almacenamiento en disco se cobra por GB junto con el precio de la GPU.
- Los precios están en USD; puede mostrarlos en VND al tipo de cambio actual.
Preguntas frecuentes
Cargas de trabajo que quepan en la memoria de la GPU: inferencia y ajuste fino de LLM, generación de imágenes y vídeo, renderizado y desarrollo con CUDA. Las plantillas para PyTorch, vLLM, SGLang, Ollama, Unsloth y ComfyUI instalan el software por usted.
Por SSH con su clave, o con la terminal de su navegador desde la consola. Las plantillas de escritorio y VM también proporcionan acceso gráfico.
Los precios provienen del inventario de GPU en tiempo real y pueden cambiar. La consola muestra el precio confirmado antes de realizar el pedido, y su servidor se factura a ese precio confirmado.
Con la facturación por horas, un servidor detenido solo genera cargos por su disco. Elimine el servidor cuando ya no necesite sus datos.
La tabla anterior enumera las configuraciones disponibles actualmente, incluida la NVIDIA RTX 5090 con 32 GB de VRAM cuando hay existencias. La disponibilidad cambia a lo largo del día.