GPU Cloud
GPU cloud per AI, LLM e rendering
Noleggia server GPU NVIDIA a ore o per ciclo di fatturazione. Confronta configurazioni e prezzi in tempo reale, parti da un modello pronto all'uso e connettiti tramite SSH o dal terminale nel browser.
- Inventario GPU in tempo reale con prezzi aggiornati
- Modelli per PyTorch, serving di LLM e generazione di immagini
- Accesso SSH e terminale nel browser
Con Cloudj GPU Cloud noleggi un server GPU dall'inventario in tempo reale: scegli il modello di GPU, la VRAM e il disco, parti da un modello come PyTorch, vLLM, Ollama o ComfyUI, quindi connettiti tramite SSH. I server a ore vengono addebitati sul saldo dell'account e, quando sono arrestati, viene fatturato solo il disco.
GPU disponibili e prezzi attuali
Inventario in tempo reale: disponibilità e prezzi variano in base al mercato. La console conferma il prezzo finale prima dell'ordine.
| GPU | VRAM per GPU | Architettura | Calcolo FP32 | Limite di potenza | |
|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | Dettagli → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | Dettagli → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Dettagli → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Dettagli → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | Dettagli → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | Dettagli → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | Dettagli → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | Dettagli → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | Dettagli → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | Dettagli → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | Dettagli → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | Dettagli → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | Dettagli → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | Dettagli → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | Dettagli → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | Dettagli → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | Dettagli → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | Dettagli → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | Dettagli → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | Dettagli → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | Dettagli → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | Dettagli → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | Dettagli → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | Dettagli → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | Dettagli → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | Dettagli → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | Dettagli → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | Dettagli → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | Dettagli → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | Dettagli → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | Dettagli → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | Dettagli → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | Dettagli → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | Dettagli → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | Dettagli → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | Dettagli → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | Dettagli → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | Dettagli → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | Dettagli → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | Dettagli → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | Dettagli → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | Dettagli → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | Dettagli → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | Dettagli → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | Dettagli → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | Dettagli → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | Dettagli → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | Dettagli → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | Dettagli → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | Dettagli → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | Dettagli → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | Dettagli → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | Dettagli → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | Dettagli → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | Dettagli → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | Dettagli → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | Dettagli → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | Dettagli → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | Dettagli → |
Modelli pronti per il tuo carico di lavoro
Inferenza LLM
vLLM, SGLang o Ollama con Open WebUI per eseguire e testare modelli linguistici.
Fine-tuning
Unsloth Studio per il fine-tuning di modelli linguistici sui propri dati.
Generazione di immagini e video
ComfyUI per flussi di lavoro Flux, SDXL e video.
Sviluppo PyTorch e CUDA
Immagini PyTorch e Ubuntu 24.04 con NVIDIA CUDA, accessibili tramite SSH.
Desktop o VM completa
Un desktop Ubuntu nel browser o una macchina virtuale KVM completa quando necessario.
Come noleggiare una GPU
- 01
Scegli un modello e la dimensione del disco
- 02
Seleziona una GPU compatibile dall'inventario in tempo reale
- 03
Conferma il prezzo e crea il server usando il saldo dell'account
- 04
Connettiti tramite SSH o il terminale del browser
Come funziona la fatturazione delle GPU
- Oraria: la GPU viene addebitata su base oraria mentre il server è in esecuzione. Per un server a tariffa oraria arrestato viene addebitato solo il disco.
- Cicli di fatturazione: mensile, trimestrale, semestrale o annuale, con eventuali sconti mostrati prima del pagamento.
- Lo spazio su disco viene addebitato per GB insieme al prezzo della GPU.
- I prezzi sono in USD; è possibile visualizzarli in VND al tasso di cambio attuale.
Domande frequenti
Carichi di lavoro che rientrano nella memoria della GPU: inferenza e fine-tuning di LLM, generazione di immagini e video, rendering e sviluppo CUDA. I modelli per PyTorch, vLLM, SGLang, Ollama, Unsloth e ComfyUI installano il software automaticamente.
Tramite SSH con la tua chiave, oppure con il terminale nel browser dalla console. I modelli desktop e VM offrono anche l'accesso grafico.
I prezzi provengono dall'inventario GPU in tempo reale e possono variare. La console mostra il prezzo confermato prima dell'ordine e il server viene fatturato a tale tariffa.
Con la fatturazione oraria, per un server arrestato viene addebitato solo il disco. Elimina il server quando non hai più bisogno dei dati.
La tabella qui sopra elenca le configurazioni attualmente disponibili, inclusa la NVIDIA RTX 5090 con 32 GB di VRAM quando presente in inventario. La disponibilità varia nel corso della giornata.