AI A100
Fine-tuning & inferensi
$1,199.00/mo ditagih bulanan - batalkan kapan saja
- NVIDIA A100
- 80 GB VRAM HBM
- 16 core vCPU
- 120 GB RAM
- 1 TB NVMe Gen4
- CUDA + cuDNN sudah terpasang
- Siap PyTorch & TensorFlow
- Isolasi GPU penuh
GPU NVIDIA - siap CUDA
Infrastruktur yang dibangun untuk beban kerja AI
NVIDIA A100 dan H100 dengan CUDA siap pakai, PyTorch dan TensorFlow sudah terpasang, dan NVLink antar-GPU - mulai melatih model Anda dalam hitungan menit, bukan hari. GPU Anda, sepenuhnya terisolasi.
Siap CUDA sejak boot pertama
1,979 TFLOPS FP16 per H100
0 GB VRAM HBM per GPU
0 GB/s Interkoneksi GPU NVLink
24/7 Dukungan ahli yang paham AI
Pilih daya GPU yang tepat untuk beban kerja Anda
Dari inferensi ringan sampai pelatihan LLM besar - GPU khusus, tidak pernah dibagi, tidak pernah dijadwal bergantian.
AI H100
Pelatihan model serius
$2,499.00/mo ditagih bulanan - batalkan kapan saja
- NVIDIA H100 SXM
- 80 GB VRAM HBM
- 26 core vCPU
- 200 GB RAM
- 2 TB NVMe Gen4
- Interkoneksi NVLink
- Semua yang ada di AI A100
- HBM3 - bandwidth 3,35 TB/s
- Siap NVLink untuk penskalaan
AI Cluster
Fabric NVLink multi-GPU
Harga berdasarkan permintaan Cluster khusus, ukurannya ditentukan bersama insinyur kami
- 4× NVIDIA H100 SXM
- 320 GB VRAM HBM
- 96 core vCPU
- 768 GB RAM
- 8 TB NVMe Gen4
- Interkoneksi NVLink
- 4× H100 lewat NVLink 600 GB/s
- Disetel untuk pelatihan terdistribusi
- Insinyur solusi khusus
Setiap Server AI sudah termasuk
- CUDA Toolkit + cuDNN sudah terpasang
- Siap PyTorch + TensorFlow
- Isolasi GPU penuh
- NVMe berkecepatan tinggi untuk dataset
- Akses root penuh
- Snapshot untuk checkpoint
- Endpoint terlindungi DDoS
- Dukungan spesialis 24/7
Perbandingan paket
Susunan perangkat lunak yang sama di semua paket - pilih berdasarkan VRAM, TFLOPS, dan interkoneksi.
| Fitur | AI A100 | AI H100 | AI Cluster |
|---|---|---|---|
| GPU | |||
| Model GPU | A100 80GB | H100 80GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| Komputasi FP16 | 312 TFLOPS | 1.979 TFLOPS | 7.916 TFLOPS |
| Interkoneksi NVLink | ✓ | ✓ | |
| Komputasi | |||
| Core vCPU | 16 | 26 | 96 |
| RAM sistem | 120 GB | 200 GB | 768 GB |
| Penyimpanan & jaringan | |||
| Penyimpanan NVMe Gen4 | 1 TB | 2 TB | 8 TB |
| Jaringan | 10 Gbps | 10 Gbps | 25 Gbps |
| Perangkat lunak | |||
| CUDA + cuDNN sudah terpasang | ✓ | ✓ | ✓ |
| Siap PyTorch & TensorFlow | ✓ | ✓ | ✓ |
| Docker + NVIDIA toolkit | ✓ | ✓ | ✓ |
| Pengelolaan | |||
| Akses root penuh | ✓ | ✓ | ✓ |
| Snapshot | ✓ | ✓ | ✓ |
| Panel bahasa Arab & Inggris | ✓ | ✓ | ✓ |
| Insinyur khusus | ✓ | ||
Perangkat kerasnya - NVIDIA A100 & H100
GPU yang menjadi standar industri AI - khusus untuk Anda, tidak pernah dipecah, tidak pernah dipakai bergantian.
- VRAM 80 GB HBM2e
- 312 TFLOPS (FP16)
- Bandwidth memori 2 TB/s
Cocok untuk: fine-tuning, inferensi produksi, pelatihan skala menengah
- VRAM 80 GB HBM3
- 1.979 TFLOPS (FP16)
- Bandwidth memori 3,35 TB/s
Cocok untuk: pelatihan LLM besar, cluster multi-GPU, riset
Apa yang bisa Anda bangun?
Lima beban kerja yang dijalankan armada GPU kami setiap hari - dengan susunan perangkat lunak yang sudah siap.
Kinerja benchmark di setiap metrik
Angka-angka yang menentukan waktu pelatihan Anda - dihitung, bukan dijanjikan.
0 TFLOPS FP16 - H100
0 GB VRAM per GPU
3,35 TB/s Bandwidth memori - H100
0 GB/s interkoneksi NVLink
0 MB/s baca dataset NVMe
Susunan Anda sudah terpasang
Tanpa mencari-cari driver, tanpa pusing versi CUDA - nyalakan, aktifkan environment, mulai melatih.
CUDA + cuDNN Fondasi untuk setiap framework GPU - versinya cocok dengan driver. Sudah terpasang 
PyTorch Sudah terpasang dengan dukungan CUDA penuh - torch.cuda.is_available() sudah bernilai true. Sudah terpasang 
TensorFlow Dukungan GPU langsung aktif, siap XLA. Sudah terpasang 
Hugging Face Transformers + Diffusers - tarik model dan jalankan dalam hitungan menit. Sudah terpasang 
JupyterLab Riset dan bereksperimen di browser, langsung dengan GPU sungguhan. Cukup satu perintah 
Docker + NVIDIA Container Toolkit untuk lingkungan pelatihan yang terisolasi dan bisa diulang. Cukup satu perintah Penyimpanan & jaringan secepat GPU
GPU yang kekurangan data adalah GPU yang terbuang - jalur datanya mampu mengimbangi.
NVMe berkecepatan tinggi 7.000 MB/s Pembacaan dataset tidak pernah memperlambat waktu epoch Anda.
Jaringan 10Gbps+ 10–25 Gbps Pindahkan checkpoint dan dataset dalam hitungan menit, bukan jam.
Interkoneksi NVLink 600 GB/s Bandwidth GPU-ke-GPU yang membuat pelatihan multi-GPU bisa diskalakan.
Model Anda tetap milik Anda
Data pelatihan dan bobot adalah rahasia bisnis - platform memperlakukannya demikian.
Kapasitas GPU di region Eropa
Server AI dipasang di pusat data kami di Eropa. Yang di bawah ini tersedia untuk dibeli saat ini.
Tim yang merilis model di Hostrena
Fine-tune Llama 3 70B di A100 dalam kurang dari 8 jam - susunan NVLink membuat pelatihan multi-GPU benar-benar mulus.
Menjalankan inferensi produksi 10rb permintaan/menit - latensi tidak pernah lewat dari 180 md bahkan saat puncak.
Pindah dari cloud raksasa - hemat 35% per bulan untuk pelatihan kami dengan TFLOPS yang sama.
Pertanyaan yang sering diajukan
Apakah CUDA sudah terpasang?
Ya - CUDA Toolkit dan cuDNN sudah terpasang dan versinya cocok dengan driver. PyTorch dan TensorFlow mengenali GPU sejak boot pertama.
Apa bedanya A100 dan H100?
H100 adalah generasi yang lebih baru: komputasi FP16 sekitar 6× (1.979 vs 312 TFLOPS), memori HBM3 yang lebih cepat (3,35 vs 2 TB/s), dan transformer engine yang lebih kuat. A100 tetap pilihan hemat yang sangat baik untuk fine-tuning dan inferensi.
Bisakah saya memakai Docker dengan GPU?
Bisa - Docker plus NVIDIA Container Toolkit sudah siap, jadi `--gpus all` langsung berfungsi untuk lingkungan pelatihan yang bisa diulang.
Bagaimana cara memindahkan dataset besar ke server?
Lewat jaringan 10–25 Gbps dengan rsync/scp atau alat object storage. Dataset 1 TB tiba dalam waktu jauh di bawah setengah jam di paket yang lebih besar.
Bisakah saya menghubungkan beberapa GPU?
Bisa - tingkat AI Cluster menghubungkan 4× H100 lewat NVLink 600 GB/s, disetel untuk pelatihan terdistribusi. Bicarakan dengan tim penjualan untuk fabric yang lebih besar.
Apakah Jupyter langsung siap pakai?
JupyterLab terinstal dengan satu perintah dan terdokumentasi di panduan cepat panel - banyak tim menjalankannya di balik aturan firewall bawaan.
Berapa VRAM yang tersedia per GPU?
80 GB HBM di A100 (HBM2e) maupun H100 (HBM3) - cukup untuk inferensi 70 miliar parameter dengan kuantisasi, atau pelatihan dengan model parallelism.
Apakah GPU-nya benar-benar khusus?
Sepenuhnya - tanpa pecahan MIG, tanpa pemakaian bergantian, tanpa berbagi. GPU tampil di nvidia-smi sebagai milik Anda sepenuhnya, karena memang begitu.
Bagaimana cara menyimpan checkpoint model dengan aman?
Buat snapshot server di tonggak checkpoint, atau sinkronkan checkpoint ke object storage di luar server - kedua cara terdokumentasi di panel.
Region mana yang punya kapasitas GPU?
Frankfurt (FRA-1) dan Helsinki (HEL-1) saat ini - keduanya region Uni Eropa yang ramah GDPR. Region baru diumumkan di halaman pusat data.
Bisakah saya menjalankan API inferensi secara publik?
Bisa - buka port Anda di balik firewall cloud dan perlindungan DDoS. Banyak klien melayani trafik produksi langsung dari Server AI mereka.
Apakah ada diskon tahunan?
Ada - tagihan tahunan menghemat 15% di setiap paket GPU.
Apa arti "harga berdasarkan permintaan" untuk cluster?
Fabric multi-GPU disusun bersama insinyur kami - GPU, interkoneksi, penyimpanan, dan jaringan ditawarkan sebagai satu paket khusus.
Apakah kalian mendukung harga spot/yang bisa diinterupsi?
Belum - semua server GPU dipesan dan permanen. Untuk beban kerja sesaat, tagihan bulanan yang bisa dibatalkan kapan saja membuat Anda tetap fleksibel.
Seberapa cepat saya bisa mulai?
Server A100 dan H100 biasanya aktif dalam hitungan menit setelah pemesanan; cluster disiapkan bersama insinyur dalam 1–2 hari kerja.
Bisakah saya fine-tune model terbuka seperti Llama atau Mistral di sini?
Itu beban kerja yang paling sering kami lihat. Satu A100 80GB bisa fine-tune model 7–13 miliar parameter dengan nyaman memakai LoRA atau QLoRA; tuning presisi penuh untuk model yang lebih besar butuh H100 atau susunan multi-GPU dengan NVLink. Dataset disiapkan di ruang scratch NVMe lokal, checkpoint dikirim ke penyimpanan apa pun yang kompatibel dengan S3, dan environment PyTorch yang siap pakai membawa Anda dari tokenizer sampai pelatihan dalam jam pertama.
Mulai latih model Anda hari ini
Siap CUDA, PyTorch terpasang, GPU yang sepenuhnya milik Anda. Hitungan menit sampai epoch pertama - tanpa maraton pemasangan.
A100 mulai $1,199/bln - tagihan tahunan hemat 15%.