GPU کلاوډ
د GPU کلاوډ: د ساعت په حساب د NVIDIA GPU سرورونو کرایه
د LLM انفرنس، fine-tuning او عکس جوړولو لپاره د NVIDIA GPU سرورونه په کرایه کړئ. ژوندۍ بیې، ساعتوار لګښت، د PyTorch، vLLM او ComfyUI ټیمپلیټونه، او مستقیم SSH لاسرسی.
- ژوندۍ موجودي، او له فرمایش مخکې تایید شوې بیه
- د PyTorch، vLLM، Ollama او ComfyUI لپاره چمتو ټیمپلیټونه
- د درول شویو ساعتوارو سرورونو لګښت یوازې د ډیسک لپاره اخیستل کېږي
د Cloudj د GPU Cloud سره تاسو له ژوندۍ موجودۍ څخه د GPU سرور کرایه کوئ: د GPU ماډل، VRAM او ډیسک وټاکئ، د PyTorch، vLLM، Ollama یا ComfyUI په څېر له یوې ټیمپلیټ څخه یې پیل کړئ، او بیا د SSH له لارې وصل شئ. ساعتي سرورونه ستاسو د حساب له بیلانس څخه چارج کیږي، او یو درول شوی ساعتي سرور یوازې د ډیسک لګښت اخلي.
د GPU کرایه کولو بیې او فوري شتون
ژوندی موجودي: شتون او قیمتونه د بازار له مخې بدلیږي. کنسول د فرمایش ورکولو دمخه وروستی قیمت تاییدوي.
| GPU | د هر GPU لپاره VRAM | معماري (Architecture) | د FP32 محاسبات | د برېښنا اعظمي کچه (Power limit) | له | |
|---|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | – | تفصیلات → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | تفصیلات → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | تفصیلات → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | – | تفصیلات → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | – | تفصیلات → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | – | تفصیلات → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | – | تفصیلات → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | – | تفصیلات → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | – | تفصیلات → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | – | تفصیلات → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | – | تفصیلات → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | – | تفصیلات → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | – | تفصیلات → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | – | تفصیلات → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | – | تفصیلات → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | – | تفصیلات → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | – | تفصیلات → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | – | تفصیلات → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | – | تفصیلات → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | – | تفصیلات → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | – | تفصیلات → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | – | تفصیلات → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | – | تفصیلات → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | – | تفصیلات → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | – | تفصیلات → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | – | تفصیلات → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | – | تفصیلات → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | – | تفصیلات → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | – | تفصیلات → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | – | تفصیلات → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | – | تفصیلات → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | – | تفصیلات → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | – | تفصیلات → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | – | تفصیلات → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | – | تفصیلات → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | – | تفصیلات → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | – | تفصیلات → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | – | تفصیلات → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | – | تفصیلات → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | – | تفصیلات → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | – | تفصیلات → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | – | تفصیلات → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | – | تفصیلات → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | – | تفصیلات → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | – | تفصیلات → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | – | تفصیلات → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | – | تفصیلات → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | – | تفصیلات → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | – | تفصیلات → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | – | تفصیلات → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | – | تفصیلات → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | – | تفصیلات → |
د AI، LLM او رینډرینګ لپاره د GPU ټیمپلیټونه
د LLM انفرنس
د لویو ژبنیو ماډلونو چلولو او ازمایلو لپاره د Open WebUI سره vLLM، SGLang یا Ollama.
فاین ټیوننګ (Fine-tuning)
ستاسو پر خپلو ډیټا د ژبې ماډلونو د چمتو کولو او فاین ټیون کولو لپاره Unsloth Studio.
د انځور او ویډیو جوړول
د Flux، SDXL او د ویډیو کاري جریانونو لپاره ComfyUI.
د PyTorch او CUDA پراختیا
د PyTorch او Ubuntu 24.04 انځورونه (images) د NVIDIA CUDA سره، چې د SSH له لارې د لاسرسي وړ دي.
ډیسکټاپ یا بشپړ VM
په براوزر کې د Ubuntu ډیسکټاپ، یا د اړتیا په وخت کې بشپړ KVM مجازي ماشین (VM).
په ۴ ګامونو کې د GPU سرور کرایه کولو لارښود
- 01
یوه ټیمپلیټ او د ډیسک اندازه وټاکئ
- 02
له ژوندۍ موجودۍ څخه مناسب GPU غوره کړئ
- 03
قیمت تایید کړئ او سرور له خپل حساب بیلانس څخه جوړ کړئ
- 04
د SSH یا د براوزر ټرمینل له لارې وصل شئ
د GPU کلاوډ بیې او د لګښت محاسبه
- ساعتي: تر هغه چې سرور فعال وي، GPU په ساعت حساب چارج کیږي. یو درول شوی ساعتي سرور یوازې د خپل ډیسک لګښت لري.
- د تادیې دورې: میاشتنۍ، درې میاشتنۍ، شپږ میاشتنۍ یا کلنۍ، چې هر تخفیف د تادیې دمخه ښودل کیږي.
- د ډیسک ذخیره د GPU له نرخ سره یوځای د فی GB له مخې چارج کیږي.
- نرخونه په USD دي؛ تاسو کولی شئ د اوسني تبادلې نرخ له مخې یې په VND کې وښایئ.
د GPU کلاوډ ډېرې پوښتل شوې پوښتنې
هغه کاري بارونه چې د GPU په حافظه کې ځایېږي: د LLM انفرنس او fine-tuning، د انځور او ویډیو تولید، رینډرینګ او CUDA پرمختیا. د PyTorch، vLLM، SGLang، Ollama، Unsloth او ComfyUI ټیمپلیټونه سافټویر په اتومات ډول ستاسو لپاره انسټالوي.
پورته جدول اوسني شته تنظیمات ښیي، په شمول د NVIDIA RTX 5090 چې 32 GB VRAM لري کله چې په سټاک کې وي. موجودیت د ورځې په اوږدو کې بدلېږي.
بیې د GPU له ژوندي سټاک څخه اخیستل کېږي او بدلون موندلی شي. کنسول له فرمایش وړاندې تایید شوې بیه ښیي، او ستاسو سرور په هماغه تایید شوې بیه حسابېږي.
هو. د ساعتوار لګښت ترڅنګ تاسو کولی شئ میاشتنۍ، درې میاشتنۍ، شپږ میاشتنۍ یا کلنۍ دوره وټاکئ، چې تخفیف به یې له تادیې مخکې ښکاره شي. د ډیسک سټوریج لګښت په هر GB کې د GPU له بیې سره یوځای اخیستل کېږي.
په ساعتوار حساب کې، له درول شوي سرور څخه یوازې د ډیسک لګښت اخیستل کېږي. کله چې نوره ډېټا ته اړتیا نه لرئ، سرور له منځه یوسئ.
د خپلې کیلي له لارې په SSH، یا له کنسول څخه په خپل براوزر کې د ترمینل له لارې. د Desktop او VM ټیمپلیټونه ګرافیکي لاسرسی هم برابروي.