GPU Cloud
GPU cloud: mag-renta ng NVIDIA GPU server kada oras
Mag-renta ng mga NVIDIA GPU server para sa LLM inference, fine-tuning, at image generation. Live na presyo, bayad kada oras, mga template para sa PyTorch, vLLM, at ComfyUI, at may SSH access.
- Live inventory, kumpirmado ang presyo bago ka mag-order
- Mga template para sa PyTorch, vLLM, Ollama, at ComfyUI
- Para sa mga naka-stop na hourly server, disk lang ang sinisingil
Sa Cloudj GPU Cloud, maaari kang mag-rent ng GPU server mula sa live inventory: pumili ng modelo ng GPU, VRAM, at disk, magsimula sa template tulad ng PyTorch, vLLM, Ollama, o ComfyUI, at kumonekta gamit ang SSH. Ang mga hourly server ay ibinabawas sa balance ng iyong account, at ang nahintong hourly server ay sinisingil lamang para sa disk nito.
Mga presyo sa pag-renta ng GPU at live availability
Live inventory: nagbabago ang availability at mga presyo ayon sa merkado. Kinukumpirma ng console ang pinal na presyo bago ka mag-order.
| GPU | VRAM bawat GPU | Arkitektura | FP32 compute | Limitasyon sa kuryente | Mula | |
|---|---|---|---|---|---|---|
| NVIDIA RTX PRO 6000 Max-Q | 96 GB | Blackwell | ≈ 119 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA RTX PRO 6000 WS | 96 GB | Blackwell | ≈ 119 TFLOPS | 600 W | – | Mga Detalye → |
| NVIDIA RTX 5090 | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Mga Detalye → |
| NVIDIA RTX 5090D | 32 GB | Blackwell | ≈ 107.6 TFLOPS | 575 W | – | Mga Detalye → |
| NVIDIA RTX PRO 6000 S | 96 GB | Blackwell | ≈ 93.6 TFLOPS | 600 W | – | Mga Detalye → |
| NVIDIA RTX 4090 | 24 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 450 W | – | Mga Detalye → |
| NVIDIA RTX 6000Ada | 48 GB | Ada Lovelace | ≈ 81.4 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA RTX 6000D | 84 GB | Blackwell | ≈ 77.6 TFLOPS | 600 W | – | Mga Detalye → |
| NVIDIA L40S datacenter | 45 GB | Ada Lovelace | ≈ 73.3 TFLOPS | 350 W | – | Mga Detalye → |
| NVIDIA RTX PRO 5000 | 48 GB | Blackwell | ≈ 69.6 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA H100 SXM datacenter | 80 GB | Hopper | ≈ 53.5 TFLOPS | 700 W | – | Mga Detalye → |
| NVIDIA RTX 5080 | 16 GB | Blackwell | ≈ 53.4 TFLOPS | 360 W | – | Mga Detalye → |
| NVIDIA RTX 4080S | 16 GB | Ada Lovelace | ≈ 50.9 TFLOPS | 320 W | – | Mga Detalye → |
| NVIDIA RTX 4080 | 16 GB | Ada Lovelace | ≈ 48.6 TFLOPS | 285 W | – | Mga Detalye → |
| NVIDIA H100 NVL datacenter | 94 GB | Hopper | ≈ 48.3 TFLOPS | 400 W | – | Mga Detalye → |
| NVIDIA H200 NVL datacenter | 140 GB | Hopper | ≈ 48.3 TFLOPS | 600 W | – | Mga Detalye → |
| NVIDIA RTX 5070 Ti | 16 GB | Blackwell | ≈ 44.3 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA RTX PRO 4000 | 24 GB | Blackwell | ≈ 44.3 TFLOPS | 145 W | – | Mga Detalye → |
| NVIDIA RTX 4070S Ti | 16 GB | Ada Lovelace | ≈ 42.6 TFLOPS | 285 W | – | Mga Detalye → |
| NVIDIA H100 PCIE datacenter | 80 GB | Hopper | ≈ 41 TFLOPS | 350 W | – | Mga Detalye → |
| NVIDIA RTX 4500Ada | 24 GB | Ada Lovelace | ≈ 38.2 TFLOPS | 210 W | – | Mga Detalye → |
| NVIDIA RTX 3090 Ti | 24 GB | Ampere | ≈ 36.4 TFLOPS | 450 W | – | Mga Detalye → |
| NVIDIA RTX A6000 | 48 GB | Ampere | ≈ 36.1 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA RTX 4070S | 12 GB | Ada Lovelace | ≈ 35.8 TFLOPS | 220 W | – | Mga Detalye → |
| NVIDIA RTX 3090 | 24 GB | Ampere | ≈ 35.4 TFLOPS | 350 W | – | Mga Detalye → |
| NVIDIA RTX 3080 Ti | 12 GB | Ampere | ≈ 35.1 TFLOPS | 350 W | – | Mga Detalye → |
| NVIDIA A40 datacenter | 45 GB | Ampere | ≈ 29.9 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA RTX 3080 | 10 GB | Ampere | ≈ 29.5 TFLOPS | 380 W | – | Mga Detalye → |
| NVIDIA RTX 4070 | 12 GB | Ada Lovelace | ≈ 29.3 TFLOPS | 200 W | – | Mga Detalye → |
| NVIDIA L4 datacenter | 22 GB | Ada Lovelace | ≈ 24.2 TFLOPS | 72 W | – | Mga Detalye → |
| NVIDIA RTX 5060 Ti | 16 GB | Blackwell | ≈ 22.8 TFLOPS | 180 W | – | Mga Detalye → |
| NVIDIA RTX 4060 Ti | 16 GB | Ada Lovelace | ≈ 21.6 TFLOPS | 165 W | – | Mga Detalye → |
| NVIDIA RTX A4000 | 16 GB | Ampere | ≈ 20.6 TFLOPS | 140 W | – | Mga Detalye → |
| NVIDIA RTX 3070 | 8 GB | Ampere | ≈ 19.8 TFLOPS | 220 W | – | Mga Detalye → |
| NVIDIA RTX 3060 Ti | 8 GB | Ampere | ≈ 15.7 TFLOPS | 200 W | – | Mga Detalye → |
| NVIDIA A100 PCIE datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 250 W | – | Mga Detalye → |
| NVIDIA A100 SXM4 datacenter | 40 GB | Ampere | ≈ 15.6 TFLOPS | 400 W | – | Mga Detalye → |
| NVIDIA A800 PCIE datacenter | 80 GB | Ampere | ≈ 15.6 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA RTX 2080 Ti | 11 GB | Turing | ≈ 14.6 TFLOPS | 250 W | – | Mga Detalye → |
| NVIDIA RTX 3060 laptop | 12 GB | Ampere | ≈ 12.9 TFLOPS | 80 W | – | Mga Detalye → |
| NVIDIA Tesla V100 datacenter | 16 GB | Volta | ≈ 12.5 TFLOPS | 300 W | – | Mga Detalye → |
| NVIDIA CMP 170HX datacenter | 64 GB | Ampere | ≈ 12.1 TFLOPS | 250 W | – | Mga Detalye → |
| NVIDIA RTX 3060 | 12 GB | Ampere | ≈ 12 TFLOPS | 170 W | – | Mga Detalye → |
| NVIDIA Titan Xp | 12 GB | Pascal | ≈ 11.7 TFLOPS | 160 W | – | Mga Detalye → |
| NVIDIA RTX A2000 | 6 GB | Ampere | ≈ 11.2 TFLOPS | 70 W | – | Mga Detalye → |
| NVIDIA GTX 1080 Ti | 11 GB | Pascal | ≈ 11 TFLOPS | 250 W | – | Mga Detalye → |
| NVIDIA GTX 1080 | 8 GB | Pascal | ≈ 7.8 TFLOPS | 130 W | – | Mga Detalye → |
| NVIDIA GTX 1070 Ti | 8 GB | Pascal | ≈ 7.4 TFLOPS | 180 W | – | Mga Detalye → |
| NVIDIA GTX 1650 | 4 GB | ≈ undefined TFLOPS | W | – | Mga Detalye → | |
| NVIDIA Q RTX 8000 | 45 GB | Turing | ≈ 11.9 TFLOPS | 250 W | – | Mga Detalye → |
| NVIDIA Tesla P40 datacenter | 24 GB | Pascal | ≈ 9.4 TFLOPS | 250 W | – | Mga Detalye → |
| NVIDIA RTX 2070S | 8 GB | Turing | ≈ 8.8 TFLOPS | 210 W | – | Mga Detalye → |
| NVIDIA Q RTX 4000 | 8 GB | Turing | ≈ 7.7 TFLOPS | 125 W | – | Mga Detalye → |
| NVIDIA RTX 2070 | 8 GB | Turing | ≈ 7.7 TFLOPS | 150 W | – | Mga Detalye → |
| NVIDIA RTX 2060S | 8 GB | Turing | ≈ 7.5 TFLOPS | 175 W | – | Mga Detalye → |
| NVIDIA GTX TITAN X | 12 GB | Maxwell | ≈ 6.8 TFLOPS | 150 W | – | Mga Detalye → |
| NVIDIA RTX 2060 | 12 GB | Turing | ≈ 6.5 TFLOPS | 130 W | – | Mga Detalye → |
| NVIDIA GTX 1660 Ti | 6 GB | Turing | ≈ 5.3 TFLOPS | 120 W | – | Mga Detalye → |
| NVIDIA GTX 1660 S | 6 GB | Turing | ≈ 3.6 TFLOPS | 125 W | – | Mga Detalye → |
Mga GPU template para sa mga workload ng AI, LLM, at rendering
LLM inference
vLLM, SGLang, o Ollama na may Open WebUI para mag-serve at sumubok ng mga language model.
Fine-tuning
Unsloth Studio para sa pag-fine-tune ng mga language model gamit ang sarili mong data.
Pagbuo ng imahe at video
ComfyUI para sa Flux, SDXL, at mga video workflow.
Development sa PyTorch at CUDA
Mga image ng PyTorch at Ubuntu 24.04 na may NVIDIA CUDA, naa-access sa pamamagitan ng SSH.
Desktop o buong VM
Ubuntu desktop sa browser, o buong KVM virtual machine kapag kailangan mo.
Paano mag-renta ng GPU server sa 4 na hakbang
- 01
Pumili ng template at laki ng disk
- 02
Pumili ng katugmang GPU mula sa live inventory
- 03
Kumpirmahin ang presyo at likhain ang server gamit ang balance ng iyong account
- 04
Kumonekta sa pamamagitan ng SSH o browser terminal
Presyo at pagsingil sa GPU cloud
- Kada oras: sinisingil ang GPU bawat oras habang tumatakbo ang server. Ang nahintong hourly server ay sinisingil lamang para sa disk nito.
- Mga billing cycle: buwanan, quarterly, kada anim na buwan, o taunan, kung saan ipinapakita ang anumang diskwento bago ka magbayad.
- Sinisingil ang disk storage bawat GB kasama ang presyo ng GPU.
- Nasa USD ang mga presyo; maaari mong ipakita ang mga ito sa VND batay sa kasalukuyang palitan.
Mga FAQ tungkol sa GPU cloud
Mga workload na kasya sa GPU memory: LLM inference at fine-tuning, pag-generate ng imahe at video, rendering, at CUDA development. Awtomatikong ini-install para sa iyo ng mga template para sa PyTorch, vLLM, SGLang, Ollama, Unsloth, at ComfyUI ang kailangang software.
Nakalista sa talahanayan sa itaas ang mga configuration na kasalukuyang available, kabilang ang NVIDIA RTX 5090 na may 32 GB na VRAM kapag may stock. Nagbabago ang availability sa buong araw.
Nagmumula ang mga presyo sa live na inventory ng GPU at maaaring magbago. Ipinapakita sa console ang kumpirmadong presyo bago ka mag-order, at sisingilin ang iyong server sa kumpirmadong presyong iyon.
Oo. Bukod sa pagsingil kada oras, maaari kang pumili ng buwanan, quarterly, kada anim na buwan, o taunang cycle, kung saan ipinapakita ang anumang diskwento bago ka magbayad. Ang disk storage ay sinisingil bawat GB kasama ng presyo ng GPU.
Sa pagsingil kada oras, ang disk lang ng naka-stop na server ang sisingilin. I-delete ang server kapag hindi mo na kailangan ang data nito.
Sa pamamagitan ng SSH gamit ang iyong key, o gamit ang terminal sa iyong browser mula sa console. Nagbibigay din ng graphical access ang mga template ng desktop at VM.