AI A100
تنظیم دقیق و استنتاج
$1,199.00/ماه صورتحساب ماهانه — امکان لغو در هر زمان
- NVIDIA A100
- 80 گیگابایت HBM VRAM
- 16 هسته vCPU
- 120 گیگابایت RAM
- 1 ترابایت NVMe Gen4
- CUDA + cuDNN از پیش نصب‌شده
- PyTorch و TensorFlow آماده
- جداسازی کامل GPU
NVIDIA GPU — آماده با CUDA
زیرساختی ساخته‌شده برای بارهای کاری هوش مصنوعی
کارت‌های NVIDIA A100 و H100 با CUDA آماده، PyTorch و TensorFlow از پیش نصب‌شده و ارتباط NVLink میان GPUها — آموزش مدل‌های خود را به جای چند روز، در چند دقیقه آغاز کنید. پردازنده گرافیکی شما، کاملاً مجزا و اختصاصی.
آماده با CUDA از اولین راه‌اندازی
1,979 TFLOPS FP16 به ازای هر H100
0 گیگابایت حافظه HBM VRAM به ازای هر GPU
0 گیگابایت بر ثانیه ارتباط داخلی NVLink بین GPUها
24/7 پشتیبانی تخصصی و مسلط به هوش مصنوعی
قدرت GPU مناسب برای بار کاری خود را انتخاب کنید
از استنتاج سبک تا آموزش مدل‌های بزرگ زبانی (LLM) — پردازنده‌های گرافیکی اختصاصی، بدون اشتراک‌گذاری، بدون تقسیم زمانی.
AI H100
آموزش جدی مدل‌ها
$2,499.00/ماه صورتحساب ماهانه — امکان لغو در هر زمان
- NVIDIA H100 SXM
- 80 گیگابایت HBM VRAM
- 26 هسته vCPU
- 200 گیگابایت RAM
- 2 ترابایت NVMe Gen4
- ارتباط داخلی NVLink
- همه امکانات موجود در AI A100
- حافظه HBM3 — پهنای باند 3.35 ترابایت بر ثانیه
- آماده NVLink برای مقیاس‌پذیری
خوشه هوش مصنوعی (AI Cluster)
بستر ارتباطی چند پردازنده‌ای NVLink
قیمت بر اساس درخواست خوشه‌های سفارشی، متناسب با نیاز شما به کمک مهندسان ما
- 4× NVIDIA H100 SXM
- 320 گیگابایت HBM VRAM
- 96 هسته vCPU
- 768 گیگابایت RAM
- 8 ترابایت NVMe Gen4
- ارتباط داخلی NVLink
- 4 کارت H100 روی رابط NVLink با سرعت 600 گیگابایت بر ثانیه
- تنظیم‌شده برای آموزش توزیع‌شده
- مهندس راهکار اختصاصی
هر سرور هوش مصنوعی شامل این موارد است
- مجموعه ابزار CUDA + cuDNN از پیش نصب‌شده
- محیط PyTorch + TensorFlow آماده به کار
- جداسازی کامل و ۱۰۰٪ GPU
- ذخیره‌سازی فوق‌سریع NVMe برای مجموعه‌داده‌ها
- دسترسی کامل root
- اسنپ‌شات‌ها برای نقاط ذخیره (Checkpoints)
- نقاط پایانی با محافظت در برابر DDoS
- پشتیبانی تخصصی شبانه‌روزی
مقایسه طرح‌ها
مجموعه نرم‌افزاری یکسان در همه جا — بر اساس VRAM، TFLOPS و ارتباط داخلی انتخاب کنید.
| ویژگی | AI A100 | AI H100 | خوشه هوش مصنوعی (AI Cluster) |
|---|---|---|---|
| GPU | |||
| مدل GPU | A100 80GB | H100 80GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| محاسبات FP16 | 312 TFLOPS | 1,979 TFLOPS | 7,916 TFLOPS |
| ارتباط داخلی NVLink | ✓ | ✓ | |
| محاسبات | |||
| هسته‌های vCPU | 16 | 26 | 96 |
| حافظه رم سیستم | 120 GB | 200 GB | 768 GB |
| ذخیره‌سازی و شبکه | |||
| ذخیره‌سازی NVMe Gen4 | 1 TB | 2 TB | 8 TB |
| شبکه | 10 Gbps | 10 Gbps | 25 Gbps |
| نرم‌افزار | |||
| CUDA + cuDNN از پیش نصب‌شده | ✓ | ✓ | ✓ |
| PyTorch و TensorFlow آماده | ✓ | ✓ | ✓ |
| Docker + ابزارهای NVIDIA | ✓ | ✓ | ✓ |
| مدیریت | |||
| دسترسی کامل root | ✓ | ✓ | ✓ |
| اسنپ‌شات‌ها | ✓ | ✓ | ✓ |
| پنل عربی و انگلیسی | ✓ | ✓ | ✓ |
| مهندس اختصاصی | ✓ | ||
سخت‌افزار — NVIDIA A100 و H100
پردازنده‌های گرافیکی استانداردی که صنعت هوش مصنوعی بر آن‌ها بنا شده — منحصراً برای شما، بدون قطعه‌بندی، بدون اشتراک زمانی.
- 80 گیگابایت حافظه HBM2e VRAM
- 312 TFLOPS (FP16)
- پهنای باند حافظه 2 ترابایت بر ثانیه
ایده‌آل برای: تنظیم دقیق، استنتاج در مقیاس عملیاتی، آموزش میان‌مقیاس
- 80 گیگابایت حافظه HBM3 VRAM
- 1,979 TFLOPS (FP16)
- پهنای باند حافظه 3.35 ترابایت بر ثانیه
ایده‌آل برای: آموزش مدل‌های بزرگ LLM، خوشه‌های چند پردازنده‌ای، تحقیقات پیشرفته
چه چیزهایی می‌توانید بسازید؟
پنج مورد از بارهای کاری که ناوگان GPU ما هر روز اجرا می‌کند — با پشته نرم‌افزاری کاملاً آماده.
عملکرد بنچمارک در تمامی معیارها
اعدادی که زمان آموزش شما را تعیین می‌کنند — ثبت‌شده، نه صرفاً وعده داده‌شده.
0 TFLOPS FP16 — مدل H100
0 گیگابایت VRAM به ازای هر GPU
3.35 ترابایت بر ثانیه پهنای باند حافظه — مدل H100
0 گیگابایت بر ثانیه ارتباط داخلی NVLink
0 مگابایت بر ثانیه خواندن مجموعه‌داده روی NVMe
پشته نرم‌افزاری شما از قبل نصب شده است
بدون نیاز به جستجوی درایور یا درگیری با ناسازگاری نسخه‌های CUDA — سرور را روشن کنید، محیط را فعال نمایید و آموزش را آغاز کنید.
CUDA + cuDNN پایه و اساس هر فریم‌ورک GPU — نسخه کاملاً منطبق با درایور. از پیش نصب‌شده 
PyTorch از پیش نصب‌شده با پشتیبانی کامل از CUDA — دستور torch.cuda.is_available() از قبل مقدار true دارد. از پیش نصب‌شده 
TensorFlow پشتیبانی GPU به صورت آماده به کار، همراه با XLA. از پیش نصب‌شده 
Hugging Face کتابخانه‌های Transformers و Diffusers — مدل را دریافت کنید و ظرف چند دقیقه اجرا نمایید. از پیش نصب‌شده 
JupyterLab پژوهش و آزمایش مستقیم در مرورگر، متصل به GPU واقعی. تنها با یک دستور 
Docker + NVIDIA مجموعه ابزار Container Toolkit برای محیط‌های آموزشی ایزوله و بازتولیدپذیر. تنها با یک دستور ذخیره‌سازی و شبکه با سرعت GPU
یک پردازنده گرافیکی منتظر داده، یک پردازنده تلف‌شده است — مسیر انتقال داده کاملاً همگام است.
حافظه پرسرعت NVMe 7,000 MB/s خواندن مجموعه‌داده هرگز زمان دوره (Epoch) شما را محدود نمی‌کند.
شبکه با سرعت بالای 10Gbps 10–25 Gbps جابجایی نقاط بازرسی و مجموعه‌داده‌ها در چند دقیقه، نه چند ساعت.
ارتباط داخلی NVLink 600 GB/s پهنای باند GPU به GPU که مقیاس‌پذیری آموزش چند کارته را ممکن می‌سازد.
مدل‌های شما متعلق به خودتان می‌مانند
داده‌های آموزشی و وزن‌های مدل‌ها اسرار تجاری هستند — سامانه نیز با آن‌ها بر همین اساس رفتار می‌کند.
ظرفیت GPU در مناطق اروپایی
سرورهای هوش مصنوعی در مراکز داده اروپایی ما مستقر می‌شوند. مراکز داده زیر هم‌اکنون برای سفارش در دسترس هستند.
تیم‌هایی که مدل‌های خود را روی Hostrena عرضه می‌کنند
مدل Llama 3 70B را روی A100 در کمتر از 8 ساعت تنظیم دقیق کردم — پیکربندی NVLink آموزش چند پردازنده‌ای را واقعاً بی‌نقص کرد.
استنتاج در مقیاس عملیاتی را با ۱۰ هزار درخواست در دقیقه اجرا می‌کنیم — تاخیر حتی در زمان اوج مصرف هرگز از 180 میلی‌ثانیه فراتر نرفت.
از یک غول ابری مهاجرت کردیم — ماهانه ۳۵٪ در اجرای دوره‌های آموزشی خود با همان TFLOPS یکسان صرفه‌جویی کردیم.
پرسش‌های متداول
آیا CUDA از پیش نصب شده است؟
بله — مجموعه ابزار CUDA Toolkit و cuDNN از پیش نصب شده و نسخه‌شان کاملاً با درایور مطابقت دارد. کتابخانه‌های PyTorch و TensorFlow از همان اولین راه‌اندازی GPU را شناسایی می‌کنند.
تفاوت بین A100 و H100 چیست؟
مدل H100 نسل جدیدتر است: حدود ۶ برابر توان محاسباتی بیشتر FP16 (1,979 در مقایسه با 312 TFLOPS)، حافظه HBM3 سریع‌تر (3.35 در مقایسه با 2 ترابایت بر ثانیه) و موتور پردازش ترنسفورمر قدرتمندتر. با این حال A100 همچنان ارزش فوق‌العاده‌ای برای تنظیم دقیق و استنتاج دارد.
آیا می‌توانم از Docker همراه با GPU استفاده کنم؟
بله — داکر به همراه NVIDIA Container Toolkit کاملاً آماده هستند، بنابراین دستور --gpus all بلافاصله برای محیط‌های آموزشی بازتولیدپذیر کار می‌کند.
چگونه مجموعه‌داده‌های حجیم را به سرور منتقل کنم؟
از طریق شبکه 10 تا 25 گیگابیت بر ثانیه با ابزارهایی مانند rsync/scp یا ذخیره‌سازی ابری شیء (Object Storage). یک مجموعه‌داده 1 ترابایتی در طرح‌های بزرگ‌تر در کمتر از نیم ساعت منتقل می‌شود.
آیا می‌توانم چندین پردازنده گرافیکی را متصل کنم؟
بله — سطح خوشه هوش مصنوعی (AI Cluster) چهار کارت H100 را از طریق NVLink با سرعت 600 گیگابایت بر ثانیه به هم متصل می‌کند که برای آموزش توزیع‌شده تنظیم شده است. برای خوشه‌های بزرگ‌تر با بخش فروش گفتگو کنید.
آیا Jupyter به صورت آماده به کار ارائه می‌شود؟
نرم‌افزار JupyterLab تنها با یک دستور نصب می‌شود و مراحل آن در راهنمای شروع سریع پنل مستند شده است — بسیاری از تیم‌ها آن را پشت قوانین فایروال داخلی اجرا می‌کنند.
به ازای هر GPU چه مقدار VRAM در دسترس است؟
80 گیگابایت حافظه HBM در هر دو مدل A100 (از نوع HBM2e) و H100 (از نوع HBM3) — که برای استنتاج مدل‌های دارای ۷۰ میلیارد پارامتر با کوانتیزاسیون، یا آموزش با موازی‌سازی مدل کاملاً کافی است.
آیا پردازنده گرافیکی واقعاً اختصاصی است؟
کاملاً — بدون تقسیم MIG، بدون تقسیم زمانی و بدون هیچ‌گونه اشتراک‌گذاری. پردازنده گرافیکی در دستور nvidia-smi کاملاً متعلق به شما نمایش داده می‌شود، زیرا واقعاً متعلق به شماست.
چگونه نقاط ذخیره (Checkpoints) مدل را با اطمینان ذخیره کنم؟
در نقاط عطف آموزش از سرور اسنپ‌شات بگیرید، یا نقاط ذخیره را با ذخیره‌سازی ابری شیء همگام‌سازی کنید — هر دو روش در پنل مستند شده‌اند.
کدام مناطق دارای ظرفیت GPU هستند؟
هم‌اکنون فرانکفورت (FRA-1) و هلسینکی (HEL-1) — که هر دو مناطقی در اتحادیه اروپا و منطبق با قوانین GDPR هستند. مناطق جدید در صفحه مراکز داده اعلام می‌شوند.
آیا می‌توانم APIهای استنتاج را به صورت عمومی اجرا کنم؟
بله — پورت‌های خود را پشت فایروال ابری و محافظت در برابر DDoS قرار دهید. بسیاری از مشتریان ترافیک عملیاتی خود را مستقیماً از سرور هوش مصنوعی خود ارائه می‌دهند.
آیا تخفیف سالانه وجود دارد؟
بله — صورتحساب سالانه 15% صرفه‌جویی در تمام طرح‌های GPU به همراه دارد.
عبارت «قیمت بر اساس درخواست» برای خوشه‌ها به چه معناست؟
شبکه‌های چند پردازنده‌ای همراه با مهندسان ما اندازه‌گیری و طراحی می‌شوند — پردازنده‌های گرافیکی، ارتباطات داخلی، ذخیره‌سازی و شبکه به صورت یک پکیج سفارشی قیمت‌گذاری می‌شوند.
آیا از قیمت‌گذاری لحظه‌ای یا قابل وقفه (Spot) پشتیبانی می‌کنید؟
هنوز نه — تمام سرورهای GPU رزروشده و پایدار هستند. برای بارهای کاری مقطعی، صورتحساب ماهانه با امکان لغو در هر زمان انعطاف‌پذیری شما را حفظ می‌کند.
با چه سرعتی می‌توانم شروع کنم؟
سرورهای A100 و H100 معمولاً ظرف چند دقیقه پس از سفارش آنلاین می‌شوند؛ خوشه‌ها ظرف ۱ تا ۲ روز کاری به همراه یک مهندس راه‌اندازی می‌گردند.
آیا می‌توانم مدل‌های بازی مانند Llama یا Mistral را در اینجا تنظیم دقیق کنم؟
این متداول‌ترین بار کاری است که می‌بینیم. یک کارت تکی A100 با ظرفیت 80 گیگابایت مدل‌های ۷ تا ۱۳ میلیارد پارامتری را به راحتی با LoRA یا QLoRA تنظیم دقیق می‌کند؛ آموزش با دقت کامل برای مدل‌های بزرگ‌تر به H100 یا راه‌اندازی چند پردازنده‌ای با NVLink نیاز دارد. مجموعه‌داده‌ها روی فضای محلی پرسرعت NVMe قرار می‌گیرند، نقاط ذخیره به هر فضای ذخیره‌سازی سازگار با S3 ارسال می‌شوند و محیط آماده PyTorch شما را در همان ساعت اول از آماده‌سازی توکن‌ها به مرحله آموزش می‌رساند.
آموزش مدل‌های خود را از امروز آغاز کنید
CUDA آماده، PyTorch نصب‌شده، و یک GPU که کاملاً متعلق به شماست. چند دقیقه تا اولین epoch — بدون دردسرهای طولانی راه‌اندازی.
مدل A100 از 1,199 دلار در ماه — پرداخت سالانه 15% صرفه‌جویی به همراه دارد.