GPU Cloud
GPU-moln: hyr NVIDIA GPU-servrar per timme
Hyr NVIDIA GPU-servrar för LLM-inferens, finjustering och bildgenerering. Priser i realtid, timdebitering, mallar för PyTorch, vLLM och ComfyUI samt SSH-åtkomst.
- Lagersaldo i realtid, bekräftat pris innan du beställer
- Mallar för PyTorch, vLLM, Ollama och ComfyUI
- Stoppade timservrar debiteras endast för disk
Med Cloudj GPU Cloud hyr du en GPU-server direkt från vårt lagersaldo i realtid: välj GPU-modell, VRAM och disk, starta från en mall som PyTorch, vLLM, Ollama eller ComfyUI och anslut sedan via SSH. Timservrar debiteras från ditt kontosaldo, och för en stoppad timserver debiteras endast disken.
Priser för att hyra GPU och tillgänglighet i realtid
Lagersaldo i realtid: tillgänglighet och priser förändras med marknaden. Kontrollpanelen bekräftar det slutgiltiga priset innan du beställer.
| GPU | VRAM per GPU | Arkitektur | FP32-prestanda | Effektgräns | Från | |
|---|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | – | Detaljer → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Detaljer → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Detaljer → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | – | Detaljer → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | – | Detaljer → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | – | Detaljer → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | – | Detaljer → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | – | Detaljer → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | – | Detaljer → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | – | Detaljer → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | – | Detaljer → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | – | Detaljer → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | – | Detaljer → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | – | Detaljer → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | – | Detaljer → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | – | Detaljer → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | – | Detaljer → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | – | Detaljer → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | – | Detaljer → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | – | Detaljer → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | – | Detaljer → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | – | Detaljer → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | – | Detaljer → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | – | Detaljer → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | – | Detaljer → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | – | Detaljer → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | – | Detaljer → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | – | Detaljer → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | – | Detaljer → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | – | Detaljer → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | – | Detaljer → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | – | Detaljer → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | – | Detaljer → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | – | Detaljer → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | – | Detaljer → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | – | Detaljer → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | – | Detaljer → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | – | Detaljer → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | – | Detaljer → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | – | Detaljer → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | – | Detaljer → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | – | Detaljer → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | – | Detaljer → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | – | Detaljer → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | – | Detaljer → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | – | Detaljer → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | – | Detaljer → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | – | Detaljer → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | – | Detaljer → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | – | Detaljer → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | – | Detaljer → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | – | Detaljer → |
GPU-mallar för AI, LLM och renderings-workloads
LLM-inferens
vLLM, SGLang eller Ollama med Open WebUI för att köra och testa språkmodeller.
Finjustering (fine-tuning)
Unsloth Studio för finjustering av språkmodeller på dina egna data.
Bild- och videogenerering
ComfyUI för Flux, SDXL och videoflöden.
Utveckling med PyTorch och CUDA
PyTorch- och Ubuntu 24.04-avbildningar med NVIDIA CUDA, tillgängliga via SSH.
Skrivbord eller fullständig virtuell maskin
Ett Ubuntu-skrivbord direkt i webbläsaren, eller en fullständig virtuell KVM-maskin när du behöver det.
Så hyr du en GPU-server i 4 steg
- 01
Välj mall och diskstorlek
- 02
Välj en kompatibel GPU direkt ur lagersaldot
- 03
Bekräfta priset och starta servern från ditt kontosaldo
- 04
Anslut via SSH eller webbläsarterminalen
Priser och debitering för GPU-moln
- Per timme: GPU:n debiteras per timme medan servern körs. För en stoppad timserver debiteras endast disken.
- Faktureringsperioder: månadsvis, kvartalsvis, halvårsvis eller årsvis, med eventuell rabatt synlig innan du betalar.
- Disklagring debiteras per GB tillsammans med GPU-priset.
- Priserna anges i USD; du kan visa dem i VND enligt aktuell växelkurs.
Vanliga frågor om GPU-moln
Workloads som ryms i GPU-minnet: LLM-inferens och finjustering, bild- och videogenerering, rendering och CUDA-utveckling. Mallar för PyTorch, vLLM, SGLang, Ollama, Unsloth och ComfyUI installerar mjukvaran automatiskt åt dig.
Tabellen ovan visar tillgängliga konfigurationer just nu, inklusive NVIDIA RTX 5090 med 32 GB VRAM när den finns i lager. Tillgängligheten uppdateras kontinuerligt under dagen.
Priserna baseras på aktuellt GPU-lager och kan ändras. Kontrollpanelen visar det bekräftade priset innan du beställer, och din server debiteras alltid enligt det bekräftade priset.
Ja. Utöver timdebitering kan du välja månads-, kvartals-, halvårs- eller årsfakturering, där eventuell rabatt visas innan du betalar. Disklagring debiteras per GB tillsammans med GPU-priset.
Vid timdebitering debiteras en stoppad server endast för sin disk. Ta bort servern när du inte längre behöver spara dess data.
Via SSH med din nyckel, eller med webbläsarterminalen direkt från kontrollpanelen. Skrivbords- och VM-mallar ger även grafisk åtkomst.