Template · LLM-Serving & Chat · CUDA 13

vLLM auf einer Cloud-GPU starten, in 30 Sekunden

Produktionsreifes LLM-Serving mit PagedAttention – ein OpenAI-kompatibler Endpunkt aus jedem HF-Modell. vLLM ist der Produktionsstandard für das Serving offener LLMs: PagedAttention, kontinuierliches Batching, Tensor-Parallelität und eine OpenAI-kompatible API. Das Template gibt Port 8000 mit TLS frei, liest MODEL aus einer Umgebungsvariable und speichert die Gewichte auf dem Instanzdatenträger oder einem eingehängten Datenträger zwischen. Ab $0,224/Std. auf einer unterbrechbaren L40S.

vLLM bereitstellen Alle 37 Templates

Läuft in ~30 s

Vorab zwischengespeichertes Image, Ports zugeordnet, TLS terminiert – der Stack läuft, bevor Sie diesen Satz zu Ende gelesen haben.

Template ist kostenlos

Sie zahlen nur den GPU-Preis: vLLM 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 vLLM

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	32 GB GDDR7: das niedrigste $/Token für 7B–14B-FP16- und 32B-4-Bit-Modelle.	Bereitstellen
Besser	L40S	48 GB	$0,448	$0,224	48 GB und Datacenter-Kühlung für 24/7-Endpunkte bis 32B.	Bereitstellen
Am besten	H100 PCIE	80 GB	$1,811	$0,905	80 GB für quantisierte 70B-Modelle auf einer Karte, FP8 für maximalen 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.

vLLM 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, vLLM 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": "vllm". REST-Referenz.
Eigenes Image – jede OCI-Referenz funktioniert ebenfalls; wir injizieren die NVIDIA-Runtime. Template-Dokumentation.

bereitstellen – vllm

$ lowcostgpu launch --gpu rtx-5090 --template vllm \
    --disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (27.9s)
# vLLM · RTX 5090 · $0,481/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8888 (TLS)
$ lowcostgpu stop i-7a41c0e2   # billing ends this second

Was steckt im Template vLLM

Image	lowcostgpu/vllm
CUDA	CUDA 13
Zugang	baut auch für ARM-Hosts · 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 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.
Oobabooga Text Gen auf einer Cloud-GPU — Die WebUI & API für Textgenerierung – laden Sie GPTQ, EXL2 oder GGUF mit Erweiterungen.
Alle 37 Templates

vLLM auf einer Cloud-GPU: FAQ

Umgebungsvariablen, Ports und benutzerdefinierte Images werden in der Template-Dokumentation behandelt.

Wie viel kostet es, vLLM 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 vLLM?

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.

Ist der Endpunkt wirklich OpenAI-kompatibel?

Ja – richten Sie ein beliebiges OpenAI-SDK auf https://<instance>.lowcostgpu.com:8000/v1, mit dem API-Schlüssel, den Sie in VLLM_API_KEY festgelegt haben. Chat, Completions, Embeddings und Streaming funktionieren unverändert.