NVIDIA A100 y H100 con CUDA listo, PyTorch y TensorFlow preinstalados, y NVLink entre GPU — empiece a entrenar sus modelos en minutos, no en días. Su GPU, totalmente aislada.
Listo con CUDA desde el primer arranque
Desde inferencia ligera hasta entrenamiento masivo de LLM — GPU dedicadas, nunca compartidas, nunca fraccionadas en el tiempo.
Ajuste fino e inferencia
Entrenamiento serio de modelos
Malla NVLink multi-GPU
El mismo stack de software en todos — elija según la VRAM, los TFLOPS y la interconexión.
| Característica | AI A100 | AI H100 | AI Cluster |
|---|---|---|---|
| GPU | |||
| Modelo de GPU | A100 80GB | H100 80GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| Cómputo FP16 | 312 TFLOPS | 1,979 TFLOPS | 7,916 TFLOPS |
| Interconexión NVLink | ✓ | ✓ | |
| Cómputo | |||
| Núcleos vCPU | 16 | 26 | 96 |
| RAM del sistema | 120 GB | 200 GB | 768 GB |
| Almacenamiento y red | |||
| Almacenamiento NVMe Gen4 | 1 TB | 2 TB | 8 TB |
| Red | 10 Gbps | 10 Gbps | 25 Gbps |
| Software | |||
| CUDA + cuDNN preinstalados | ✓ | ✓ | ✓ |
| PyTorch y TensorFlow listos | ✓ | ✓ | ✓ |
| Docker + NVIDIA toolkit | ✓ | ✓ | ✓ |
| Administración | |||
| Acceso root completo | ✓ | ✓ | ✓ |
| Instantáneas | ✓ | ✓ | ✓ |
| Panel en árabe e inglés | ✓ | ✓ | ✓ |
| Ingeniero dedicado | ✓ | ||
Las GPU que se convirtieron en el estándar de la industria de AI — dedicadas para usted, nunca fraccionadas, nunca compartidas en el tiempo.
Ideal para: ajuste fino, inferencia en producción, entrenamiento de escala media
Ideal para: entrenamiento de LLM grandes, clústeres multi-GPU, investigación
Cinco cargas de trabajo que nuestra flota de GPU ejecuta todos los días — con el stack ya listo.
Los números que determinan su tiempo de entrenamiento — medidos, no prometidos.
Sin buscar controladores, sin el infierno de versiones de CUDA — arranque, active el entorno y empiece a entrenar.
CUDA + cuDNN La base de todos los frameworks de GPU — con la versión sincronizada con el controlador. Preinstalado 
PyTorch Preinstalado con soporte completo de CUDA — torch.cuda.is_available() ya devuelve true. Preinstalado 
TensorFlow Soporte de GPU activado de fábrica, listo para XLA. Preinstalado 
Hugging Face Transformers + Diffusers — descargue un modelo y ejecútelo en minutos. Preinstalado 
JupyterLab Investigue y experimente desde el navegador, directamente sobre la GPU real. A un comando de distancia 
Docker + NVIDIA Container Toolkit para entornos de entrenamiento aislados y reproducibles. A un comando de distancia Una GPU sin datos suficientes es una GPU desperdiciada — la ruta de datos mantiene el ritmo.
Los datos de entrenamiento y los pesos son secretos de su negocio — la plataforma los trata como tal.
Los servidores de AI se implementan en nuestros centros de datos europeos. Los de abajo están a la venta hoy.
Ajustamos Llama 3 70B en A100 en menos de 8 horas — la configuración NVLink hizo que el entrenamiento multi-GPU fuera realmente fluido.
Ejecutamos inferencia en producción a 10,000 solicitudes por minuto — la latencia nunca superó los 180ms ni en los picos de tráfico.
Cambiamos desde un gigante de la nube — ahorramos un 35% al mes en nuestras corridas de entrenamiento con los mismos TFLOPS.
Sí — CUDA Toolkit y cuDNN vienen preinstalados con la versión sincronizada con el controlador. PyTorch y TensorFlow detectan la GPU desde el primer arranque.
H100 es la generación más reciente: cómputo FP16 unas 6 veces mayor (1,979 frente a 312 TFLOPS), memoria HBM3 más rápida (3.35 frente a 2 TB/s) y un motor de transformers más potente. La A100 sigue siendo una excelente opción de valor para ajuste fino e inferencia.
Sí — Docker y el NVIDIA Container Toolkit ya están listos, así que `--gpus all` funciona de inmediato para entornos de entrenamiento reproducibles.
A través de la red de 10 a 25 Gbps, con rsync/scp o herramientas de almacenamiento de objetos. Un conjunto de datos de 1 TB llega en bastante menos de media hora en los planes más grandes.
Sí — el nivel AI Cluster conecta 4× H100 mediante NVLink a 600 GB/s, optimizado para entrenamiento distribuido. Hable con ventas para mallas más grandes.
JupyterLab se instala con un solo comando y está documentado en la guía rápida del panel — muchos equipos lo ejecutan detrás de las reglas de firewall integradas.
80 GB de HBM tanto en A100 (HBM2e) como en H100 (HBM3) — suficiente para inferencia de modelos de 70 mil millones de parámetros con cuantización, o entrenamiento con paralelismo de modelo.
Completamente — sin fracciones MIG, sin división en el tiempo, sin uso compartido. La GPU aparece en nvidia-smi como completamente suya, porque lo es.
Tome una instantánea del servidor en cada hito de punto de control, o sincronice los puntos de control fuera del servidor hacia almacenamiento de objetos — ambos caminos están documentados en el panel.
Por ahora, Fráncfort (FRA-1) y Helsinki (HEL-1) — ambas regiones de la UE compatibles con el GDPR. Las nuevas regiones se anuncian en la página de centros de datos.
Sí — exponga sus puertos protegidos por el firewall en la nube y la protección DDoS. Muchos clientes sirven tráfico de producción directamente desde su servidor de AI.
Sí — la facturación anual ahorra un 15% en cada plan de GPU.
Las mallas multi-GPU se dimensionan junto con nuestros ingenieros — las GPU, la interconexión, el almacenamiento y la red se cotizan como un solo paquete a medida.
Todavía no — todos los servidores GPU son reservados y persistentes. Para cargas de trabajo puntuales, la facturación mensual con cancelación en cualquier momento le da flexibilidad.
Los servidores A100 y H100 suelen estar en línea minutos después del pedido; los clústeres se aprovisionan junto con un ingeniero en 1 o 2 días hábiles.
Esa es la carga de trabajo más común que vemos. Una sola A100 de 80GB ajusta cómodamente modelos de 7 a 13 mil millones de parámetros con LoRA o QLoRA; el ajuste de precisión completa en modelos más grandes requiere la H100 o una configuración multi-GPU con NVLink. Los conjuntos de datos se preparan en almacenamiento temporal NVMe local, los puntos de control se envían a cualquier almacenamiento compatible con S3, y el entorno de PyTorch preinstalado lo lleva del tokenizador al entrenamiento en la primera hora.
CUDA listo, PyTorch instalado, una GPU que es completamente suya. Minutos hasta la primera época — sin maratones de configuración.
A100 desde $1,199/mes — la facturación anual ahorra un 15%.Le ayudaré con todo lo que quiera hacer.
Elija un tema y pregúnteme lo que quiera sobre él.
Ahora mismo no hay temas sobre los que preguntar.
Hablar con una persona
Hablar con una persona
Welcome! Please note that our website is currently in its beta phase. We are delighted to have you browse our site and explore our products, but we kindly apologize that we cannot accept or process any orders at this time. Thank you for your patience and understanding until our official launch soon.
