AI A100
Feinabstimmung & Inferenz
$1,199.00/Monat monatlich abgerechnet — jederzeit kündbar
- NVIDIA A100
- 80 GB HBM-VRAM
- 16 vCPU-Kerne
- 120 GB RAM
- 1 TB NVMe Gen4
- CUDA + cuDNN vorinstalliert
- PyTorch & TensorFlow bereit
- Volle GPU-Isolation
NVIDIA GPU — CUDA-bereit
Infrastruktur gebaut für AI-Arbeitslasten
NVIDIA A100 und H100 mit bereitem CUDA, vorinstalliertem PyTorch und TensorFlow und NVLink zwischen GPUs — starten Sie das Training Ihrer Modelle in Minuten, nicht Tagen. Ihre GPU, vollständig isoliert.
CUDA-bereit beim ersten Start
1.979 TFLOPS FP16 pro H100
0 GB HBM-VRAM pro GPU
0 GB/s NVLink-GPU-Verbindung
24/7 AI-erfahrener Fachsupport
Wählen Sie die richtige GPU-Leistung für Ihre Arbeitslast
Von leichter Inferenz bis massivem LLM-Training — dedizierte GPUs, nie geteilt, nie zeitlich aufgeteilt.
AI H100
Ernsthaftes Modelltraining
$2,499.00/Monat monatlich abgerechnet — jederzeit kündbar
- NVIDIA H100 SXM
- 80 GB HBM-VRAM
- 26 vCPU-Kerne
- 200 GB RAM
- 2 TB NVMe Gen4
- NVLink-Verbindung
- Alles aus AI A100
- HBM3 — 3,35 TB/s Bandbreite
- NVLink-bereit zum Skalieren
AI-Cluster
Multi-GPU-NVLink-Fabric
Preis auf Anfrage Individuelle Cluster, mit unseren Ingenieuren dimensioniert
- 4× NVIDIA H100 SXM
- 320 GB HBM-VRAM
- 96 vCPU-Kerne
- 768 GB RAM
- 8 TB NVMe Gen4
- NVLink-Verbindung
- 4× H100 über NVLink 600 GB/s
- Auf verteiltes Training abgestimmt
- Dedizierter Lösungsingenieur
Jeder AI-Server enthält
- CUDA Toolkit + cuDNN vorinstalliert
- PyTorch + TensorFlow bereit
- Volle GPU-Isolation
- Hochgeschwindigkeits-NVMe für Datensätze
- Voller Root-Zugriff
- Snapshots für Checkpoints
- DDoS-geschützte Endpunkte
- Fachkundiger Support rund um die Uhr
Tarifvergleich
Überall derselbe Software-Stack — wählen Sie nach VRAM, TFLOPS und Verbindung.
| Funktion | AI A100 | AI H100 | AI-Cluster |
|---|---|---|---|
| GPU | |||
| GPU-Modell | A100 80 GB | H100 80 GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| FP16-Rechenleistung | 312 TFLOPS | 1.979 TFLOPS | 7.916 TFLOPS |
| NVLink-Verbindung | ✓ | ✓ | |
| Rechenleistung | |||
| vCPU-Kerne | 16 | 26 | 96 |
| System-RAM | 120 GB | 200 GB | 768 GB |
| Speicher & Netzwerk | |||
| NVMe-Gen4-Speicher | 1 TB | 2 TB | 8 TB |
| Netzwerk | 10 Gbit/s | 10 Gbit/s | 25 Gbit/s |
| Software | |||
| CUDA + cuDNN vorinstalliert | ✓ | ✓ | ✓ |
| PyTorch & TensorFlow bereit | ✓ | ✓ | ✓ |
| Docker + NVIDIA-Toolkit | ✓ | ✓ | ✓ |
| Verwaltung | |||
| Voller Root-Zugriff | ✓ | ✓ | ✓ |
| Snapshots | ✓ | ✓ | ✓ |
| Arabisches & englisches Panel | ✓ | ✓ | ✓ |
| Dedizierter Ingenieur | ✓ | ||
Die Hardware — NVIDIA A100 & H100
Die GPUs, auf die sich die AI-Branche geeinigt hat — exklusiv für Sie, nie aufgeteilt, nie zeitlich geteilt.
- 80 GB HBM2e VRAM
- 312 TFLOPS (FP16)
- 2 TB/s Speicherbandbreite
Ideal für: Feinabstimmung, Produktionsinferenz, mittelgroßes Training
- 80 GB HBM3 VRAM
- 1.979 TFLOPS (FP16)
- 3,35 TB/s Speicherbandbreite
Ideal für: großes LLM-Training, Multi-GPU-Cluster, Forschung
Was können Sie bauen?
Fünf Arbeitslasten, die unsere GPU-Flotte täglich betreibt — mit dem Stack bereits vorhanden.
Benchmark-Leistung bei jeder Kennzahl
Die Zahlen, die Ihre Trainingszeit bestimmen — gezählt, nicht versprochen.
0 TFLOPS FP16 — H100
0 GB VRAM pro GPU
3,35 TB/s Speicherbandbreite — H100
0 GB/s NVLink-Verbindung
0 MB/s NVMe-Datensatzlesungen
Ihr Stack ist bereits installiert
Keine Treiberjagd, keine CUDA-Versionshölle — starten, Umgebung aktivieren, mit dem Training beginnen.
CUDA + cuDNN Die Grundlage für jedes GPU-Framework — versionsabgestimmt auf den Treiber. Vorinstalliert 
PyTorch Vorinstalliert mit voller CUDA-Unterstützung — torch.cuda.is_available() ist bereits wahr. Vorinstalliert 
TensorFlow GPU-Unterstützung sofort aktiviert, XLA bereit. Vorinstalliert 
Hugging Face Transformers + Diffusers — ein Modell laden und innerhalb von Minuten ausführen. Vorinstalliert 
JupyterLab Forschen und experimentieren im Browser, mit der echten GPU. Einen Befehl entfernt 
Docker + NVIDIA Container Toolkit für isolierte, reproduzierbare Trainingsumgebungen. Einen Befehl entfernt Speicher & Netzwerk in GPU-Geschwindigkeit
Eine hungrige GPU ist eine verschwendete GPU — der Datenpfad hält mit.
Hochgeschwindigkeits-NVMe 7.000 MB/s Datensatzlesungen bremsen Ihre Epochenzeit nie aus.
Netzwerk über 10 Gbit/s 10–25 Gbit/s Verschieben Sie Checkpoints und Datensätze in Minuten, nicht Stunden.
NVLink-Verbindung 600 GB/s GPU-zu-GPU-Bandbreite, die Multi-GPU-Training skalierbar macht.
Ihre Modelle bleiben Ihre
Trainingsdaten und Gewichte sind Geschäftsgeheimnisse — die Plattform behandelt sie so.
GPU-Kapazität in europäischen Regionen
AI-Server werden in unseren europäischen Rechenzentren bereitgestellt. Die folgenden sind heute buchbar.
Teams, die Modelle auf Hostrena ausliefern
Llama 3 70B in unter 8 Stunden auf A100 feinabgestimmt — der NVLink-Aufbau machte Multi-GPU-Training wirklich nahtlos.
Produktionsinferenz mit 10.000 Anfragen/Min. — die Latenz überschritt selbst zu Spitzenzeiten nie 180 ms.
Von einem Cloud-Riesen gewechselt — 35 % monatlich bei unseren Trainingsläufen gespart, bei identischen TFLOPS.
Häufig gestellte Fragen
Ist CUDA vorinstalliert?
Ja — CUDA Toolkit und cuDNN kommen vorinstalliert und versionsabgestimmt auf den Treiber. PyTorch und TensorFlow erkennen die GPU beim ersten Start.
Was ist der Unterschied zwischen A100 und H100?
H100 ist die neuere Generation: ~6× FP16-Rechenleistung (1.979 vs. 312 TFLOPS), schnellerer HBM3-Speicher (3,35 vs. 2 TB/s) und eine stärkere Transformer-Engine. A100 bleibt hervorragend für Feinabstimmung und Inferenz geeignet.
Kann ich Docker mit der GPU nutzen?
Ja — Docker plus das NVIDIA Container Toolkit sind bereit, sodass `--gpus all` sofort für reproduzierbare Trainingsumgebungen funktioniert.
Wie übertrage ich große Datensätze auf den Server?
Über das 10–25-Gbit/s-Netzwerk per rsync/scp oder Object-Storage-Werkzeuge. Ein 1-TB-Datensatz landet bei den größeren Tarifen deutlich unter einer halben Stunde.
Kann ich mehrere GPUs verbinden?
Ja — die AI-Cluster-Stufe verbindet 4× H100 über NVLink mit 600 GB/s, abgestimmt auf verteiltes Training. Für größere Aufbauten sprechen Sie mit dem Vertrieb.
Ist Jupyter sofort einsatzbereit?
JupyterLab installiert sich mit einem Befehl und ist im Panel-Schnellstart dokumentiert — viele Teams betreiben es hinter den integrierten Firewall-Regeln.
Wie viel VRAM ist pro GPU verfügbar?
80 GB HBM sowohl bei A100 (HBM2e) als auch H100 (HBM3) — genug für 70B-Parameter-Inferenz mit Quantisierung oder Training mit Modellparallelität.
Ist die GPU wirklich dediziert?
Vollständig — keine MIG-Fraktionen, kein Time-Slicing, kein Teilen. Die GPU erscheint in nvidia-smi als vollständig Ihre, weil sie es ist.
Wie speichere ich Modell-Checkpoints sicher?
Erstellen Sie bei Checkpoint-Meilensteinen einen Snapshot des Servers, oder synchronisieren Sie Checkpoints extern zu Object Storage — beide Wege sind im Panel dokumentiert.
Welche Regionen haben GPU-Kapazität?
Heute Frankfurt (FRA-1) und Helsinki (HEL-1) — beides DSGVO-freundliche EU-Regionen. Neue Regionen werden auf der Rechenzentrumsseite angekündigt.
Kann ich Inferenz-APIs öffentlich betreiben?
Ja — legen Sie Ihre Ports hinter die Cloud-Firewall und den DDoS-Schutz. Viele Kunden bedienen Produktionsverkehr direkt von ihrem AI-Server aus.
Gibt es einen Jahresrabatt?
Ja — die jährliche Abrechnung spart 15 % bei jedem GPU-Tarif.
Was bedeutet „Preis auf Anfrage“ bei Clustern?
Multi-GPU-Aufbauten werden mit unseren Ingenieuren dimensioniert — GPUs, Verbindung, Speicher und Netzwerk werden als ein maßgeschneidertes Paket angeboten.
Unterstützen Sie Spot-/unterbrechbare Preise?
Noch nicht — alle GPU-Server sind reserviert und dauerhaft. Für Lastspitzen hält Sie die monatliche Abrechnung mit jederzeitiger Kündigung flexibel.
Wie schnell kann ich starten?
A100- und H100-Server sind typischerweise innerhalb von Minuten nach der Bestellung online; Cluster werden mit einem Ingenieur innerhalb von 1–2 Werktagen bereitgestellt.
Kann ich hier offene Modelle wie Llama oder Mistral feinabstimmen?
Das ist die häufigste Arbeitslast, die wir sehen. Ein einzelner A100 80 GB stimmt 7B–13B-Parameter-Modelle bequem mit LoRA oder QLoRA ab; volle Präzisionsabstimmung größerer Modelle möchte den H100 oder einen Multi-GPU-Aufbau mit NVLink. Datensätze werden auf lokalem NVMe-Scratch-Speicher bereitgestellt, Checkpoints gehen an jeden S3-kompatiblen Speicher, und die vorgefertigte PyTorch-Umgebung bringt Sie innerhalb der ersten Stunde vom Tokenizer zum Training.
Starten Sie heute das Training Ihrer Modelle
CUDA bereit, PyTorch installiert, eine GPU, die vollständig Ihnen gehört. Minuten bis zur ersten Epoche — kein Einrichtungsmarathon.
A100 ab 1.199 $/Monat — die jährliche Abrechnung spart 15 %.