GPU Cloud
Chmura GPU: wynajem serwerów NVIDIA GPU na godziny
Wynajmij serwery NVIDIA GPU do inferencji LLM, fine-tuningu i generowania obrazów. Ceny na żywo, rozliczenie godzinowe, szablony PyTorch, vLLM i ComfyUI, dostęp przez SSH.
- Dostępność na żywo, gwarancja ceny przed zamówieniem
- Gotowe szablony dla PyTorch, vLLM, Ollama i ComfyUI
- Zatrzymane serwery na godziny generują koszt tylko za dysk
Dzięki Cloudj GPU Cloud wynajmujesz serwer z GPU z aktualnie dostępnych zasobów: wybierasz model GPU, ilość VRAM i rozmiar dysku, startujesz z gotowego szablonu (np. PyTorch, vLLM, Ollama lub ComfyUI) i łączysz się przez SSH. Serwery godzinowe są rozliczane z salda konta, a po zatrzymaniu serwera opłata pobierana jest wyłącznie za dysk.
Ceny wynajmu GPU i dostępność na żywo
Stany magazynowe na żywo: dostępność i ceny zmieniają się dynamicznie. Konsola potwierdza ostateczną cenę przed zakupem.
| GPU | VRAM na GPU | Architektura | Moc obliczeniowa FP32 | Limit mocy | Od | |
|---|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | – | Szczegóły → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Szczegóły → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Szczegóły → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | – | Szczegóły → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | – | Szczegóły → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | – | Szczegóły → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | – | Szczegóły → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | – | Szczegóły → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | – | Szczegóły → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | – | Szczegóły → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | – | Szczegóły → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | – | Szczegóły → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | – | Szczegóły → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | – | Szczegóły → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | – | Szczegóły → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | – | Szczegóły → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | – | Szczegóły → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | – | Szczegóły → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | – | Szczegóły → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | – | Szczegóły → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | – | Szczegóły → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | – | Szczegóły → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | – | Szczegóły → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | – | Szczegóły → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | – | Szczegóły → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | – | Szczegóły → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | – | Szczegóły → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | – | Szczegóły → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | – | Szczegóły → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | – | Szczegóły → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | – | Szczegóły → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | – | Szczegóły → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | – | Szczegóły → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | – | Szczegóły → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | – | Szczegóły → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | – | Szczegóły → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | – | Szczegóły → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | – | Szczegóły → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | – | Szczegóły → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | – | Szczegóły → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | – | Szczegóły → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | – | Szczegóły → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | – | Szczegóły → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | – | Szczegóły → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | – | Szczegóły → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | – | Szczegóły → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | – | Szczegóły → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | – | Szczegóły → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | – | Szczegóły → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | – | Szczegóły → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | – | Szczegóły → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | – | Szczegóły → |
Szablony GPU pod zadania AI, LLM i renderowanie
Inferencja modeli LLM
vLLM, SGLang lub Ollama z Open WebUI do serwowania i testowania modeli językowych.
Fine-tuning modeli
Unsloth Studio do precyzyjnego dotrenowywania modeli językowych na Twoich danych.
Generowanie obrazów i wideo
ComfyUI dla modeli Flux, SDXL oraz zautomatyzowanych procesów wideo.
Środowisko programistyczne PyTorch i CUDA
Obrazy PyTorch i Ubuntu 24.04 z NVIDIA CUDA, z bezpośrednim dostępem przez SSH.
Pulpit zdalny lub pełna maszyna wirtualna
Pulpit Ubuntu w przeglądarce lub pełna maszyna wirtualna KVM, gdy jej potrzebujesz.
Jak wynająć serwer GPU w 4 krokach
- 01
Wybierz szablon i rozmiar dysku
- 02
Wybierz kompatybilne GPU z aktualnie dostępnych zasobów
- 03
Potwierdź cenę i uruchom serwer, korzystając ze środków na koncie
- 04
Połącz się przez SSH lub terminal w przeglądarce
Cennik i rozliczenia GPU w chmurze
- Rozliczenie godzinowe: opłata za GPU naliczana jest za każdą godzinę pracy serwera. Po zatrzymaniu serwera płacisz wyłącznie za dysk.
- Cykle rozliczeniowe: miesięczny, kwartalny, półroczny lub roczny — przysługujący rabat zobaczysz przed dokonaniem płatności.
- Pojemność dyskowa jest rozliczana za każdy GB łącznie z ceną serwera GPU.
- Ceny podane są w USD; możesz je wyświetlić w VND według aktualnego kursu wymiany.
GPU w chmurze – FAQ
Wszystkie obciążenia mieszczące się w pamięci GPU: inferencję i fine-tuning LLM, generowanie obrazów i wideo, renderowanie oraz programowanie w CUDA. Szablony dla PyTorch, vLLM, SGLang, Ollama, Unsloth i ComfyUI automatycznie zainstalują potrzebne oprogramowanie.
W powyższej tabeli wymieniono aktualnie dostępne konfiguracje, w tym NVIDIA RTX 5090 z 32 GB pamięci VRAM, gdy jest na stanie. Dostępność zmienia się na bieżąco w ciągu dnia.
Ceny zależą od bieżącej dostępności zasobów GPU i mogą ulegać zmianie. Konsola prezentuje potwierdzoną cenę przed złożeniem zamówienia, a serwer jest rozliczany dokładnie według tej potwierdzonej stawki.
Tak. Poza rozliczeniem godzinowym możesz wybrać cykl miesięczny, kwartalny, półroczny lub roczny – ewentualny rabat zobaczysz przed dokonaniem płatności. Opłata za przestrzeń dyskową naliczana jest za każdy GB łącznie z ceną GPU.
Przy rozliczeniu godzinowym zatrzymany serwer generuje opłaty wyłącznie za przestrzeń dyskową. Usuń serwer, gdy nie potrzebujesz już przechowywanych na nim danych.
Przez SSH za pomocą własnego klucza lub w terminalu w przeglądarce bezpośrednio z poziomu konsoli. Szablony Desktop i VM zapewniają również dostęp graficzny.