Запуск за ~30 с
Образ закэширован заранее, порты проброшены, TLS терминирован — стек уже работает, пока вы дочитываете это предложение.
Шаблон · LLM-сервинг и чат
Запустите Text Generation Inference на GPU за 30 секунд
Hugging Face Text Generation Inference — проверенный практикой продакшен-сервинг с API. TGI от Hugging Face — проверенный в бою стек для сервинга: Flash Attention, квантование (bitsandbytes, GPTQ, AWQ), стриминг токенов и Messages API. Шаблон запускает официальный образ ghcr.io с переменной окружения MODEL_ID. От $0,224/ч на прерываемом L40S.
Шаблон бесплатен
Вы платите только цену GPU: HuggingFace TGI на RTX 5090 стоит $0,481/ч по требованию, $0,240/ч прерываемый, тарификация посекундная.
Тома для состояния
Модели, датасеты и результаты хранятся на томе по $0,08/GB/мес.; сам инстанс остаётся одноразовым.
Приватность по умолчанию
Выделенный GPU, зашифрованный диск, оплата криптой, без KYC, без сохранения IP-адресов — Jupyter и SSH с вашими собственными учётными данными.
Лучшие GPU для HuggingFace TGI
Три ценовых уровня, хорошо подходящих для этого шаблона, — Хороший, Лучший, Самый лучший. Подходит любая модель GPU из каталога; это оптимальные по цене варианты.
| Уровень | GPU | VRAM | По требованию | Прерываемые | Почему эта карта | Действие |
|---|---|---|---|---|---|---|
| Хороший | RTX 5090 | 32 GB | $0,481 | $0,240 | Быстрая карта на 32 GB для эндпоинтов 7B–14B. | Развернуть |
| Лучший | L40S | 48 GB | $0,448 | $0,224 | 48 GB для сервинга моделей класса 32B с надёжностью уровня дата-центра. | Развернуть |
| Самый лучший | H100 SXM | 80 GB | $1,680 | $0,840 | Мульти-GPU шардинг для моделей 70B+ с максимальной пропускной способностью. | Развернуть |
Нужно больше VRAM? Полный каталог перечисляет все модели с доступностью в реальном времени — всего: 83; руководство по VRAM подбирает карту под модель.
Разверните HuggingFace TGI через консоль, CLI или API
Откройте консоль, выберите шаблон в панели развёртывания, или сделайте это через скрипт:
- Консоль — отфильтруйте по GPU, выберите HuggingFace TGI в списке шаблонов, задайте диск и переменные окружения, разверните.
- CLI — pip install lowcostgpu, затем команда справа. Справочник CLI.
- API — POST /v1/instances с "template": "huggingface-tgi". Справочник REST API.
- Свой образ — подойдёт любая ссылка OCI; мы добавляем NVIDIA runtime. Документация по шаблонам.
$ 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 secondЧто внутри шаблона HuggingFace TGI
| Образ | ghcr.io/huggingface/text-generation-inference |
|---|---|
| CUDA | наследует драйвер хоста (любой 12.x / 13.x) |
| Доступ | shell по SSH · JupyterLab на проброшенном порту |
| Категория | LLM-сервинг и чат |
| Хранилище | NVMe-диск инстанса (размер задаётся при развёртывании) + опциональные сетевые тома |
| Биллинг | Только цена GPU, посекундно — без платы за шаблон, без платы за подключение |
Другие шаблоны категории llm-сервинг и чат
vLLM на облачном GPU — Продакшен-сервинг LLM с PagedAttention — совместимый с OpenAI эндпоинт из любой модели HF.- vLLM Omni на облачном GPU — Расширенный vLLM для мультимодальных моделей — изображения и аудио на входе одного быстрого сервера.
SGLang на облачном GPU — Высокопроизводительный сервинг с RadixAttention — особенно хорош для структурированных и агентных нагрузок.
Llama.cpp на облачном GPU — GGUF-инференс со встроенным сервером — самый лёгкий способ запускать квантованные модели.
Ollama на облачном GPU — Скачивание и запуск квантованных моделей одной командой, с лаконичным REST API.
Open WebUI (Ollama) на облачном GPU — Полноценный чат-интерфейс поверх Ollama — диалоги, RAG и управление моделями в браузере.- Все шаблоны: 37
HuggingFace TGI на облачном GPU: FAQ
Переменные окружения, порты и пользовательские образы описаны в документации по шаблонам.
Сколько стоит запустить HuggingFace TGI на облачном GPU?
Только цена GPU — шаблон бесплатен. От $0,224/ч на прерываемом L40S, $0,481/ч по требованию на RTX 5090. Тарификация посекундная, поэтому час экспериментов стоит час, а не день. Хранилище — $0,08/GB/мес.
Сколько времени занимает запуск HuggingFace TGI?
Около 30 секунд с момента клика по кнопке «Развернуть»: образ заранее закэширован на машинах, порты проброшены, а TLS терминирован. Перезапуск остановленного инстанса быстрее, а диск остаётся точно таким, каким вы его оставили.
Можно ли сохранить модели и результаты между сессиями?
Да — подключите том при развёртывании. Всё на томе переживает уничтожение инстанса и монтируется на следующий инстанс в регионе за секунды, по цене $0,08/GB/мес. Сам диск инстанса переживает остановку/запуск, но не уничтожение.
TGI или vLLM?
Оба варианта хороши. vLLM обычно лидирует по пропускной способности; TGI тесно интегрируется с Hugging Face Hub, соглашениями Inference Endpoints и Messages API. Разверните оба на десять минут и сравните — это обойдётся в копейки.