GPU Cloud
GPU Cloud pour AI, LLM et rendu
Louez des serveurs GPU NVIDIA à l'heure ou par cycle de facturation. Comparez les configurations et les prix en direct, démarrez à partir d'un modèle prêt à l'emploi et connectez-vous via SSH ou le terminal du navigateur.
- Inventaire GPU en direct avec les prix actuels
- Modèles pour PyTorch, le service de LLM et la génération d'images
- Accès SSH et terminal dans le navigateur
Avec Cloudj GPU Cloud, vous louez un serveur GPU depuis l'inventaire en direct : choisissez le modèle de GPU, la VRAM et le disque, démarrez à partir d'un modèle tel que PyTorch, vLLM, Ollama ou ComfyUI, puis connectez-vous via SSH. Les serveurs à l'heure sont débités du solde de votre compte, et un serveur à l'heure arrêté n'est facturé que pour son disque.
GPU disponibles et tarifs actuels
Inventaire en temps réel : la disponibilité et les tarifs évoluent selon le marché. La console confirme le prix final avant votre commande.
| GPU | VRAM par GPU | Architecture | Calcul FP32 | Limite de puissance | |
|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | Détails → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | Détails → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Détails → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Détails → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | Détails → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | Détails → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | Détails → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | Détails → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | Détails → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | Détails → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | Détails → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | Détails → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | Détails → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | Détails → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | Détails → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | Détails → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | Détails → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | Détails → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | Détails → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | Détails → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | Détails → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | Détails → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | Détails → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | Détails → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | Détails → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | Détails → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | Détails → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | Détails → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | Détails → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | Détails → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | Détails → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | Détails → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | Détails → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | Détails → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | Détails → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | Détails → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | Détails → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | Détails → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | Détails → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | Détails → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | Détails → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | Détails → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | Détails → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | Détails → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | Détails → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | Détails → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | Détails → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | Détails → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | Détails → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | Détails → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | Détails → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | Détails → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | Détails → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | Détails → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | Détails → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | Détails → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | Détails → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | Détails → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | Détails → |
Modèles prêts pour vos charges de travail
Inférence LLM
vLLM, SGLang ou Ollama avec Open WebUI pour servir et tester des modèles de langage.
Ajustement fin (fine-tuning)
Unsloth Studio pour affiner des modèles de langage sur vos propres données.
Génération d'images et de vidéos
ComfyUI pour les workflows Flux, SDXL et vidéo.
Développement PyTorch et CUDA
Images PyTorch et Ubuntu 24.04 avec NVIDIA CUDA, accessibles via SSH.
Bureau ou VM complète
Un bureau Ubuntu dans le navigateur, ou une machine virtuelle KVM complète lorsque vous en avez besoin.
Comment louer un GPU
- 01
Choisissez un modèle et une taille de disque
- 02
Sélectionnez un GPU compatible dans l’inventaire en temps réel
- 03
Confirmez le tarif et créez le serveur à partir du solde de votre compte
- 04
Connectez-vous via SSH ou depuis le terminal du navigateur
Comment fonctionne la facturation des GPU
- À l’heure : le GPU est facturé à l’heure tant que le serveur est en cours d’exécution. Un serveur horaire arrêté n’est facturé que pour son disque.
- Cycles de facturation : mensuel, trimestriel, semestriel ou annuel, avec toute remise affichée avant le paiement.
- Le stockage sur disque est facturé par GB en plus du tarif du GPU.
- Les tarifs sont indiqués en USD ; vous pouvez les afficher en VND au taux de change actuel.
Questions fréquentes
Des charges de travail qui tiennent dans la mémoire du GPU : inférence et ajustement fin de LLM, génération d'images et de vidéos, rendu et développement CUDA. Les modèles pour PyTorch, vLLM, SGLang, Ollama, Unsloth et ComfyUI installent les logiciels pour vous.
Via SSH avec votre clé, ou avec le terminal dans votre navigateur depuis la console. Les modèles de bureau et de VM fournissent également un accès graphique.
Les prix proviennent de l'inventaire GPU en direct et peuvent évoluer. La console affiche le prix confirmé avant votre commande, et votre serveur est facturé à ce prix confirmé.
Avec la facturation à l'heure, un serveur arrêté n'est débité que pour son disque. Supprimez le serveur lorsque vous n'avez plus besoin de ses données.
Le tableau ci-dessus répertorie les configurations actuellement disponibles, y compris le NVIDIA RTX 5090 avec 32 GB de VRAM lorsqu'il est en stock. La disponibilité évolue tout au long de la journée.