Läuft in ~30 s
Vorab zwischengespeichertes Image, Ports zugeordnet, TLS terminiert – der Stack läuft, bevor Sie diesen Satz zu Ende gelesen haben.
Template · LLM-Serving & Chat
TGI auf einer Cloud-GPU starten, in 30 Sekunden
Hugging Face Text Generation Inference – bewährtes Serving für den Produktivbetrieb mit API. Die TGI von Hugging Face ist ein bewährter Serving-Stack: Flash Attention, Quantisierung (bitsandbytes, GPTQ, AWQ), Token-Streaming und eine Messages API. Das Template führt das offizielle ghcr.io-Image mit MODEL_ID als Umgebungsvariable aus. Ab $0,224/Std. auf einer unterbrechbaren L40S.
Template ist kostenlos
Sie zahlen nur den GPU-Preis: HuggingFace TGI auf einer RTX 5090 kostet $0,481/Std. On-Demand, $0,240/Std. unterbrechbar, abgerechnet pro Sekunde.
Volumes für Zustandsdaten
Modelle, Datensätze und Ausgaben liegen auf einem Datenträger für $0,08/GB/Monat; die Instanz bleibt austauschbar.
Standardmäßig privat
Dedizierte GPU, verschlüsselter Datenträger, Kryptozahlungen, ohne KYC, keine gespeicherten IPs – Jupyter und SSH hinter Ihren eigenen Zugangsdaten.
Beste GPUs für HuggingFace TGI
Drei Preisstufen, mit denen dieses Template gut läuft – gut, besser, am besten. Jedes Modell im Katalog funktioniert; dies sind die besten Preis-Leistungs-Optionen.
| Stufe | GPU | VRAM | On-Demand | Unterbrechbar | Warum diese Karte | Aktion |
|---|---|---|---|---|---|---|
| Gut | RTX 5090 | 32 GB | $0,481 | $0,240 | Schnelle 32-GB-Karte für 7B–14B-Endpunkte. | Bereitstellen |
| Besser | L40S | 48 GB | $0,448 | $0,224 | 48 GB für Serving der 32B-Klasse mit Datacenter-Zuverlässigkeit. | Bereitstellen |
| Am besten | H100 SXM | 80 GB | $1,680 | $0,840 | Multi-GPU-Sharding für 70B+ mit dem höchsten Durchsatz. | Bereitstellen |
Mehr VRAM benötigt? Der vollständige Katalog listet alle 83 Modelle mit Verfügbarkeit in Echtzeit auf; der VRAM-Leitfaden ordnet Modelle den passenden Karten zu.
HuggingFace TGI über Konsole, CLI oder API bereitstellen
Wählen Sie das Template in der Bereitstellungsleiste der Konsole, oder erledigen Sie es per Skript:
- Konsole – nach GPU filtern, HuggingFace TGI im Template-Auswahlmenü wählen, Datenträger und Umgebungsvariablen festlegen, bereitstellen.
- CLI – pip install lowcostgpu, dann der Befehl rechts. CLI-Referenz.
- API – POST /v1/instances mit "template": "huggingface-tgi". REST-Referenz.
- Eigenes Image – jede OCI-Referenz funktioniert ebenfalls; wir injizieren die NVIDIA-Runtime. Template-Dokumentation.
$ lowcostgpu launch --gpu rtx-5090 --template huggingface-tgi \
--disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (27.9s)
# HuggingFace TGI · RTX 5090 · $0,481/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8888 (TLS)
$ lowcostgpu stop i-7a41c0e2 # billing ends this secondWas steckt im Template HuggingFace TGI
| Image | ghcr.io/huggingface/text-generation-inference |
|---|---|
| CUDA | übernimmt Host-Treiber (beliebige 12.x-/13.x-Version) |
| Zugang | SSH-Shell · JupyterLab auf einem zugeordneten Port |
| Kategorie | LLM-Serving & Chat |
| Speicherplatz | NVMe-Instanzdatenträger (Größe bei Bereitstellung festgelegt) + optionale Netzwerk-Volumes |
| Abrechnung | Nur GPU-Preis, pro Sekunde – keine Template-Gebühr, keine Einrichtungsgebühr |
Weitere llm-serving & chat Templates
vLLM auf einer Cloud-GPU — Produktionsreifes LLM-Serving mit PagedAttention – ein OpenAI-kompatibler Endpunkt aus jedem HF-Modell.- vLLM Omni auf einer Cloud-GPU — vLLM erweitert für multimodale Modelle – Bild- und Audioeingaben auf demselben schnellen Server.
SGLang auf einer Cloud-GPU — Hochdurchsatz-Serving mit RadixAttention – eignet sich besonders für strukturierte und agentische Workloads.
Llama.cpp auf einer Cloud-GPU — GGUF-Inferenz mit integriertem Server – der schlankste Weg, um quantisierte Modelle auszuführen.
Ollama auf einer Cloud-GPU — Quantisierte Modelle mit einem Befehl abrufen und ausführen – mit sauberer REST-API.
Open WebUI (Ollama) auf einer Cloud-GPU — Eine vollständige Chat-Oberfläche über Ollama – Unterhaltungen, RAG und Modellverwaltung im Browser.- Alle 37 Templates
HuggingFace TGI auf einer Cloud-GPU: FAQ
Umgebungsvariablen, Ports und benutzerdefinierte Images werden in der Template-Dokumentation behandelt.
Wie viel kostet es, HuggingFace TGI auf einer Cloud-GPU auszuführen?
Nur der GPU-Preis – das Template ist kostenlos. Ab $0,224/Std. auf einer unterbrechbaren L40S, $0,481/Std. On-Demand auf einer RTX 5090. Es wird pro Sekunde abgerechnet, eine Stunde Herumprobieren kostet also eine Stunde, nicht einen Tag. Datenträger kosten $0,08/GB/Monat.
Wie lange dauert der Start von HuggingFace TGI?
Etwa 30 Sekunden nach dem Klick auf „Bereitstellen“: Das Image ist auf den Hosts vorab zwischengespeichert, Ports sind zugeordnet und TLS wird für Sie terminiert. Der Neustart einer gestoppten Instanz ist schneller, und Ihr Datenträger ist genauso, wie Sie ihn verlassen haben.
Kann ich meine Modelle und Ausgaben zwischen Sessions behalten?
Ja – fügen Sie bei der Bereitstellung einen Datenträger hinzu. Alles auf dem Datenträger übersteht das Löschen der Instanz und wird in Sekunden auf der nächsten Instanz in der Region eingebunden, für $0,08/GB/Monat. Der Instanzdatenträger selbst übersteht Stopp/Start, aber nicht das Löschen.
TGI oder vLLM?
Beide sind hervorragend. vLLM führt meist beim reinen Durchsatz; TGI integriert sich eng in den Hugging Face Hub, die Inference-Endpoints-Konventionen und die Messages API. Stellen Sie beide zehn Minuten lang bereit und benchmarken Sie – es kostet nur ein paar Cent.