Запуск за ~30 с
Образ закэширован заранее, порты проброшены, TLS терминирован — стек уже работает, пока вы дочитываете это предложение.
Шаблон · LLM-сервинг и чат · CUDA 12.9
Запустите llama.cpp на облачном GPU за 30 секунд
GGUF-инференс со встроенным сервером — самый лёгкий способ запускать квантованные модели. llama.cpp запускает модели GGUF с выгрузкой на CUDA и поставляется с лёгким сервером, совместимым с OpenAI. Это наиболее экономичный по памяти способ запуска квантованных моделей и оптимальный вариант для файлов GGUF Q4/Q5/Q6 с Hugging Face — включая модели, которые не подходят для форматов vLLM. От $0,029/ч на прерываемом RTX 3060.
Шаблон бесплатен
Вы платите только цену GPU: Llama.cpp на RTX 3060 стоит $0,058/ч по требованию, $0,029/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 Llama.cpp
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 3060 | 12 GB | $0,058 | $0,029 | 12 GB достаточно для 7B–8B Q4 GGUF — самый дешёвый чат-эндпоинт в таблице. | Развернуть |
| Лучший | RTX 4090 | 24 GB | $0,354 | $0,177 | 24 GB запускает квантованные модели 14B–32B с полной выгрузкой на GPU. | Развернуть |
| Самый лучший | RTX A6000 | 48 GB | $0,281 | $0,140 | 48 GB для 70B Q4 GGUF на одной карте. | Развернуть |
Нужно больше VRAM? Полный каталог перечисляет все модели с доступностью в реальном времени — всего: 83; руководство по VRAM подбирает карту под модель.
Разверните Llama.cpp через консоль, CLI или API
Откройте консоль, выберите шаблон в панели развёртывания, или сделайте это через скрипт:
- Консоль — отфильтруйте по GPU, выберите Llama.cpp в списке шаблонов, задайте диск и переменные окружения, разверните.
- CLI — pip install lowcostgpu, затем команда справа. Справочник CLI.
- API — POST /v1/instances с "template": "llama-cpp". Справочник REST API.
- Свой образ — подойдёт любая ссылка OCI; мы добавляем NVIDIA runtime. Документация по шаблонам.
$ lowcostgpu launch --gpu rtx-3060 --template llama-cpp \
--disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (27.9s)
# Llama.cpp · RTX 3060 · $0,058/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8888 (TLS)
$ lowcostgpu stop i-7a41c0e2 # billing ends this secondЧто внутри шаблона Llama.cpp
| Образ | lowcostgpu/llama-cpp |
|---|---|
| CUDA | CUDA 12.9 |
| Доступ | также собирается под ARM · 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.
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.
Oobabooga Text Gen на облачном GPU — WebUI и API для генерации текста — загрузка GPTQ, EXL2 или GGUF с расширениями.- Все шаблоны: 37
Llama.cpp на облачном GPU: FAQ
Переменные окружения, порты и пользовательские образы описаны в документации по шаблонам.
Сколько стоит запустить Llama.cpp на облачном GPU?
Только цена GPU — шаблон бесплатен. От $0,029/ч на прерываемом RTX 3060, $0,058/ч по требованию на RTX 3060. Тарификация посекундная, поэтому час экспериментов стоит час, а не день. Хранилище — $0,08/GB/мес.
Сколько времени занимает запуск Llama.cpp?
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.
Можно ли разделить модель между GPU и CPU RAM?
Да — задайте при запуске число слоёв, выгружаемых на GPU (-ngl). Машины с большим объёмом RAM позволяют запускать модели крупнее, чем VRAM, с меньшей скоростью — это удобно для редкого использования 70B на недорогой карте.