GPU Cloud
GPU Cloud para AI, LLMs e renderização
Alugue servidores com GPU NVIDIA por hora ou por ciclo de faturamento. Compare configurações e preços em tempo real, comece a partir de um modelo pronto e conecte-se via SSH ou pelo terminal do navegador.
- Estoque de GPUs em tempo real com preços atualizados
- Modelos para PyTorch, execução de LLMs e geração de imagens
- Acesso via SSH e terminal no navegador
Com o Cloudj GPU Cloud, você aluga um servidor com GPU a partir do estoque em tempo real: escolha o modelo da GPU, a VRAM e o disco, inicie com um modelo pronto como PyTorch, vLLM, Ollama ou ComfyUI e conecte-se via SSH. Servidores por hora são debitados do saldo da sua conta, e um servidor por hora parado é cobrado apenas pelo disco.
GPUs disponíveis e preços atuais
Estoque em tempo real: a disponibilidade e os preços mudam conforme o mercado. O console confirma o preço final antes de você concluir o pedido.
| GPU | VRAM por GPU | Arquitetura | Computação FP32 | Limite de energia | |
|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | Detalhes → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | Detalhes → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Detalhes → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | Detalhes → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | Detalhes → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | Detalhes → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | Detalhes → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | Detalhes → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | Detalhes → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | Detalhes → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | Detalhes → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | Detalhes → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | Detalhes → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | Detalhes → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | Detalhes → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | Detalhes → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | Detalhes → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | Detalhes → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | Detalhes → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | Detalhes → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | Detalhes → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | Detalhes → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | Detalhes → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | Detalhes → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | Detalhes → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | Detalhes → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | Detalhes → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | Detalhes → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | Detalhes → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | Detalhes → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | Detalhes → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | Detalhes → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | Detalhes → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | Detalhes → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | Detalhes → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | Detalhes → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | Detalhes → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | Detalhes → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | Detalhes → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | Detalhes → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | Detalhes → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | Detalhes → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | Detalhes → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | Detalhes → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | Detalhes → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | Detalhes → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | Detalhes → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | Detalhes → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | Detalhes → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | Detalhes → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | Detalhes → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | Detalhes → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | Detalhes → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | Detalhes → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | Detalhes → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | Detalhes → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | Detalhes → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | Detalhes → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | Detalhes → |
Modelos prontos para sua carga de trabalho
Inferência de LLM
vLLM, SGLang ou Ollama com Open WebUI para servir e testar modelos de linguagem.
Ajuste fino (fine-tuning)
Unsloth Studio para fazer o ajuste fino de modelos de linguagem com seus próprios dados.
Geração de imagens e vídeos
ComfyUI para fluxos de trabalho com Flux, SDXL e vídeo.
Desenvolvimento com PyTorch e CUDA
Imagens com PyTorch e Ubuntu 24.04 com NVIDIA CUDA, acessíveis via SSH.
Desktop ou VM completa
Um desktop Ubuntu no navegador ou uma máquina virtual KVM completa quando você precisar.
Como alugar uma GPU
- 01
Escolha um modelo e o tamanho do disco
- 02
Escolha uma GPU compatível no estoque em tempo real
- 03
Confirme o preço e crie o servidor usando o saldo da sua conta
- 04
Conecte-se via SSH ou pelo terminal do navegador
Como funciona o faturamento de GPU
- Por hora: a GPU é debitada por hora enquanto o servidor está em execução. Um servidor por hora parado é debitado apenas pelo disco.
- Ciclos de faturamento: mensal, trimestral, semestral ou anual, com eventuais descontos exibidos antes de você pagar.
- O armazenamento em disco é debitado por GB junto com o preço da GPU.
- Os preços estão em USD; você pode exibi-los em VND pela taxa de câmbio atual.
Perguntas frequentes
Cargas de trabalho que caibam na memória da GPU: inferência e ajuste fino de LLMs, geração de imagens e vídeos, renderização e desenvolvimento em CUDA. Os modelos para PyTorch, vLLM, SGLang, Ollama, Unsloth e ComfyUI já instalam o software para você.
Via SSH com sua chave, ou pelo terminal no navegador diretamente no painel. Modelos de desktop e VM também oferecem acesso gráfico.
Os preços vêm do estoque de GPUs em tempo real e podem variar. O painel exibe o preço confirmado antes de você finalizar o pedido, e seu servidor é faturado por esse valor confirmado.
No faturamento por hora, um servidor parado é cobrado apenas pelo disco. Exclua o servidor quando não precisar mais dos dados.
A tabela acima lista as configurações disponíveis no momento, incluindo a NVIDIA RTX 5090 com 32 GB de VRAM quando está em estoque. A disponibilidade muda ao longo do dia.