Läuft in ~30 s
Vorab zwischengespeichertes Image, Ports zugeordnet, TLS terminiert – der Stack läuft, bevor Sie diesen Satz zu Ende gelesen haben.
Template · Basis & Frameworks · CUDA 13
CUDA auf einer Cloud-GPU starten, in 30 Sekunden
Das reine CUDA-Basis-Image – Treiber, Toolkit, SSH und Jupyter. Bauen Sie Ihren eigenen Stack darauf auf. Das reine CUDA-Image ist die leere Leinwand: der NVIDIA-Treiber-Stack, das CUDA-13-Toolkit, nvcc, cuDNN, SSH und JupyterLab – sonst nichts. Nutzen Sie es, um eigene Kernels zu kompilieren, einen eigenen Framework-Stack aufzubauen oder die Umgebung eines Papers exakt nachzubilden, ohne gegen ein vorkonfiguriertes Image ankämpfen zu müssen. Ab $0,177/Std. auf einer unterbrechbaren RTX 4090.
Template ist kostenlos
Sie zahlen nur den GPU-Preis: NVIDIA CUDA auf einer RTX 4090 kostet $0,354/Std. On-Demand, $0,177/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 NVIDIA CUDA
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 4090 | 24 GB | $0,354 | $0,177 | Günstige Ada-Karte zum interaktiven Kompilieren und Testen von Kernels. | Bereitstellen |
| Besser | A100 SXM4 | 80 GB | $0,468 | $0,234 | Datacenter-Ampere mit FP64 und MIG für Bibliotheksentwicklung. | Bereitstellen |
| Am besten | H100 SXM | 80 GB | $1,680 | $0,840 | Hopper-Features (FP8, TMA, Thread-Block-Clusters) für Kernels, die auf die neueste Architektur abzielen. | 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.
NVIDIA CUDA 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, NVIDIA CUDA 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": "nvidia-cuda". REST-Referenz.
- Eigenes Image – jede OCI-Referenz funktioniert ebenfalls; wir injizieren die NVIDIA-Runtime. Template-Dokumentation.
$ lowcostgpu launch --gpu rtx-4090 --template nvidia-cuda \
--disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (27.9s)
# NVIDIA CUDA · RTX 4090 · $0,354/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8888 (TLS)
$ lowcostgpu stop i-7a41c0e2 # billing ends this secondWas steckt im Template NVIDIA CUDA
| Image | lowcostgpu/base:cuda13 |
|---|---|
| CUDA | CUDA 13 |
| Zugang | baut auch für ARM-Hosts · SSH-Shell · JupyterLab auf einem zugeordneten Port |
| Kategorie | Basis & Frameworks |
| Speicherplatz | NVMe-Instanzdatenträger (Größe bei Bereitstellung festgelegt) + optionale Netzwerk-Volumes |
| Abrechnung | Nur GPU-Preis, pro Sekunde – keine Template-Gebühr, keine Einrichtungsgebühr |
Weitere basis & frameworks Templates
PyTorch auf einer Cloud-GPU — Der Standard für Training und Forschung: PyTorch 2.6, cuDNN, JupyterLab und SSH von Haus aus.
TensorFlow CUDA auf einer Cloud-GPU — TensorFlow mit GPU-Unterstützung, Keras und TensorBoard auf einem zugeordneten Port.
PyTorch NGC auf einer Cloud-GPU — NGC-optimierter PyTorch-Build von NVIDIA – abgestimmte Kernel für die Datacenter-Karten.- NVIDIA RAPIDS auf einer Cloud-GPU — GPU-beschleunigte Data Science – cuDF, cuML, cuGraph in einem Notebook.
All-in-One-App-Studio auf einer Cloud-GPU — Ein Launcher, der die meistgenutzten KI-Anwendungen auf einem Desktop bündelt – auswählen und starten.- Alle 37 Templates
NVIDIA CUDA auf einer Cloud-GPU: FAQ
Umgebungsvariablen, Ports und benutzerdefinierte Images werden in der Template-Dokumentation behandelt.
Wie viel kostet es, NVIDIA CUDA auf einer Cloud-GPU auszuführen?
Nur der GPU-Preis – das Template ist kostenlos. Ab $0,177/Std. auf einer unterbrechbaren RTX 4090, $0,354/Std. On-Demand auf einer RTX 4090. 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 NVIDIA CUDA?
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.
Welche CUDA-Version liefert das Template mit?
CUDA-13-Userspace auf Hosts mit dem aktuellen NVIDIA-Produktionstreiber. Templates mit fixierter CUDA-12.x-Version gibt es für Frameworks, die sie benötigen; die Angebotskarte zeigt die maximale CUDA-Version, die jede Maschine unterstützt.