Template · Service LLM et chat

Lancer Text Generation Inference sur un GPU cloud, en 30 secondes

Hugging Face Text Generation Inference — un service de production éprouvé, avec une API. Le TGI de Hugging Face est une stack de serving éprouvée : Flash Attention, quantification (bitsandbytes, GPTQ, AWQ), streaming de tokens et une Messages API. Le template exécute l’image officielle ghcr.io avec MODEL_ID comme variable d’environnement. À partir de $0,224/h sur une L40S interruptible.

Déployer HuggingFace TGI Tous les 37 templates

Actif en ~30 s

Image pré-mise en cache, ports mappés, TLS terminé — la stack fonctionne avant même que vous ayez fini de lire cette phrase.

Template gratuit

Vous payez uniquement le prix du GPU : HuggingFace TGI sur une RTX 5090 coûte $0,481/h à la demande, $0,240/h en interruptible, facturé à la seconde.

Volumes pour l’état

Les modèles, jeux de données et résultats vivent sur un volume à $0,08/GB/mois ; l’instance reste jetable.

Privé par défaut

GPU dédié, disque chiffré, paiements en crypto, sans KYC, aucune IP stockée — Jupyter et SSH derrière vos propres identifiants.

Meilleurs GPU pour HuggingFace TGI

Trois paliers de prix qui font bien tourner ce template — Bon, Meilleur, Le meilleur. Tous les modèles du catalogue fonctionnent ; ce sont les options les plus avantageuses.

Palier	GPU	VRAM	À la demande	Interruptible	Pourquoi cette carte	Action
Bon	RTX 5090	32 GB	$0,481	$0,240	Carte 32 GB rapide pour des endpoints 7B–14B.	Déployer
Meilleur	L40S	48 GB	$0,448	$0,224	48 GB pour l’inférence de classe 32B avec la fiabilité datacenter.	Déployer
Le meilleur	H100 SXM	80 GB	$1,680	$0,840	Sharding multi-GPU pour les modèles 70B+, avec le débit le plus élevé.	Déployer

Besoin de plus de VRAM ? Le catalogue complet liste tous les 83 modèles avec leur disponibilité en direct ; le guide VRAM associe les modèles aux cartes.

Déployez HuggingFace TGI depuis la console, le CLI ou l’API

Choisissez le template dans la barre de déploiement de la console, ou scriptez-le :

Console — filtrez par GPU, choisissez HuggingFace TGI dans le sélecteur de templates, définissez le disque et l’environnement, déployez.
CLI — pip install lowcostgpu, puis la commande à droite. Référence CLI.
API — POST /v1/instances avec "template": "huggingface-tgi". Référence REST.
Votre image — toute référence OCI fonctionne aussi ; nous injectons le runtime NVIDIA. Documentation des templates.

déploiement — huggingface-tgi

$ 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 second

Ce que contient le template HuggingFace TGI

Image	ghcr.io/huggingface/text-generation-inference
CUDA	hérite du pilote de l’hôte (12.x ou 13.x, indifféremment)
Accès	Shell SSH · JupyterLab sur un port mappé
Catégorie	Service LLM et chat
Stockage	Disque NVMe de l’instance (dimensionné au déploiement) + volumes réseau en option
Facturation	Le prix du GPU uniquement, à la seconde — aucun frais de template, aucun frais d’installation

Autres templates de service llm et chat

vLLM sur un GPU cloud — Service LLM de production avec PagedAttention — un endpoint compatible OpenAI à partir de n’importe quel modèle HF.
vLLM Omni sur un GPU cloud — vLLM étendu pour les modèles multimodaux — entrées vision et audio sur le même serveur rapide.
SGLang sur un GPU cloud — Service à haut débit avec RadixAttention — excelle sur les charges de travail structurées et agentiques.
Llama.cpp sur un GPU cloud — Inférence GGUF avec serveur intégré — la façon la plus légère d’exécuter des modèles quantifiés.
Ollama sur un GPU cloud — Récupérez et exécutez des modèles quantifiés en une seule commande, avec une API REST propre.
Open WebUI (Ollama) sur un GPU cloud — Une interface de discussion complète pour Ollama — conversations, RAG et gestion des modèles, dans le navigateur.
Tous les 37 templates

HuggingFace TGI sur un GPU cloud : FAQ

Les variables d’environnement, les ports et les images personnalisées sont couverts dans la documentation des templates.

Combien coûte l’exécution de HuggingFace TGI sur un GPU cloud ?

Seulement le prix du GPU — le template est gratuit. À partir de $0,224/h sur une L40S interruptible, $0,481/h à la demande sur une RTX 5090. La facturation est à la seconde, donc une heure d’expérimentation coûte une heure, pas une journée. Le stockage est à $0,08/GB/mois.

Combien de temps faut-il pour démarrer HuggingFace TGI ?

Environ 30 secondes après le clic de déploiement : l’image est pré-mise en cache sur les hôtes, les ports sont mappés et le TLS est terminé pour vous. Redémarrer une instance arrêtée est plus rapide, et votre disque est exactement comme vous l’avez laissé.

Puis-je conserver mes modèles et mes résultats entre les sessions ?

Oui — attachez un volume au déploiement. Tout ce qui se trouve sur le volume survit à la destruction de l’instance et se monte sur l’instance suivante dans la région en quelques secondes, à $0,08/GB/mois. Le disque de l’instance lui-même survit à l’arrêt et au démarrage, mais pas à la destruction.

TGI ou vLLM ?

Les deux sont excellents. vLLM l’emporte généralement en débit brut ; TGI s’intègre étroitement au Hugging Face Hub, aux conventions d’Inference Endpoints et à la Messages API. Déployez les deux pendant dix minutes et benchmarkez — cela coûte quelques centimes.