AI A100
Fine-tuning e inferenza
$1,199.00/mese fatturato ogni mese — disdici quando vuoi
- NVIDIA A100
- 80 GB VRAM HBM
- 16 core vCPU
- 120 GB RAM
- 1 TB NVMe Gen4
- CUDA + cuDNN preinstallati
- PyTorch e TensorFlow pronti
- Isolamento completo della GPU
NVIDIA GPU — Pronto per CUDA
Infrastruttura costruita per carichi di lavoro AI
NVIDIA A100 e H100 con CUDA pronto all'uso, PyTorch e TensorFlow preinstallati e interconnessione NVLink tra le GPU: inizia ad addestrare i tuoi modelli in pochi minuti, non giorni. La tua GPU, completamente isolata.
Pronto per CUDA dal primo avvio
1.979 TFLOPS FP16 per ogni H100
0 GB VRAM HBM per GPU
0 GB/s Interconnessione GPU NVLink
24/7 Assistenza esperta specializzata in AI
Scegli la giusta potenza GPU per il tuo lavoro
Dall'inferenza leggera all'addestramento massivo di LLM: GPU dedicate, mai condivise né frazionate nel tempo.
AI H100
Addestramento avanzato di modelli
$2,499.00/mese fatturato ogni mese — disdici quando vuoi
- NVIDIA H100 SXM
- 80 GB VRAM HBM
- 26 core vCPU
- 200 GB RAM
- 2 TB NVMe Gen4
- Interconnessione NVLink
- Tutto ciò che include AI A100
- HBM3 — larghezza di banda 3,35 TB/s
- Pronto per NVLink per scalare
AI Cluster
Infrastruttura multi-GPU NVLink
Prezzo su richiesta Cluster personalizzati, dimensionati con i nostri ingegneri
- 4× NVIDIA H100 SXM
- 320 GB VRAM HBM
- 96 core vCPU
- 768 GB RAM
- 8 TB NVMe Gen4
- Interconnessione NVLink
- 4× H100 su NVLink a 600 GB/s
- Ottimizzato per addestramento distribuito
- Ingegnere di soluzioni dedicato
Ogni server AI include
- CUDA Toolkit + cuDNN preinstallati
- PyTorch + TensorFlow pronti all'uso
- Isolamento completo della GPU
- NVMe ad altissima velocità per i dataset
- Accesso root completo
- Snapshot per i checkpoint
- Endpoint protetti da attacchi DDoS
- Assistenza specialistica 24/7
Confronto tra i piani
Stesso stack software ovunque: scegli in base a VRAM, TFLOPS e interconnessione.
| Caratteristica | AI A100 | AI H100 | AI Cluster |
|---|---|---|---|
| GPU | |||
| Modello GPU | A100 80GB | H100 80GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| Calcolo FP16 | 312 TFLOPS | 1.979 TFLOPS | 7.916 TFLOPS |
| Interconnessione NVLink | sì | sì | |
| Calcolo | |||
| Core vCPU | 16 | 26 | 96 |
| RAM di sistema | 120 GB | 200 GB | 768 GB |
| Archiviazione e rete | |||
| Archiviazione NVMe Gen4 | 1 TB | 2 TB | 8 TB |
| Rete | 10 Gbps | 10 Gbps | 25 Gbps |
| Software | |||
| CUDA + cuDNN preinstallati | sì | sì | sì |
| PyTorch e TensorFlow pronti | sì | sì | sì |
| Docker + toolkit NVIDIA | sì | sì | sì |
| Gestione | |||
| Accesso root completo | sì | sì | sì |
| Snapshot | sì | sì | sì |
| Pannello in arabo e inglese | sì | sì | sì |
| Ingegnere dedicato | sì | ||
L'hardware — NVIDIA A100 e H100
Le GPU su cui l'industria dell'AI ha standardizzato i carichi di lavoro: dedicate solo a te, mai frazionate né condivise nel tempo.
- 80 GB VRAM HBM2e
- 312 TFLOPS (FP16)
- 2 TB/s larghezza di banda memoria
Ideale per: fine-tuning, inferenza in produzione, addestramento di media scala
- 80 GB VRAM HBM3
- 1.979 TFLOPS (FP16)
- 3,35 TB/s larghezza di banda memoria
Ideale per: addestramento di grandi LLM, cluster multi-GPU, ricerca avanzata
Cosa puoi realizzare?
Cinque carichi di lavoro che la nostra flotta di GPU gestisce ogni giorno, con lo stack già pronto.
Prestazioni benchmark su ogni metrica
I numeri che determinano i tempi di addestramento: misurati sul campo, non promesse su carta.
0 TFLOPS FP16 — H100
0 GB VRAM per GPU
3,35 TB/s Larghezza di banda memoria — H100
0 GB/s interconnessione NVLink
0 MB/s letture dataset NVMe
Il tuo stack è già installato
Niente caccia ai driver, nessun conflitto di versioni CUDA: avvii la macchina, attivi l'ambiente e inizi l'addestramento.
CUDA + cuDNN La base per qualsiasi framework GPU, allineata perfettamente alla versione del driver. Preinstallato 
PyTorch Preinstallato con pieno supporto CUDA: torch.cuda.is_available() restituisce subito true. Preinstallato 
TensorFlow Supporto GPU abilitato fin dal primo avvio, pronto per XLA. Preinstallato 
Hugging Face Transformers + Diffusers: scarica un modello ed eseguilo in pochi minuti. Preinstallato 
JupyterLab Fai ricerca e sperimenta direttamente dal browser, interfacciandoti con la vera GPU. A portata di un comando 
Docker + NVIDIA Container Toolkit per ambienti di addestramento isolati e riproducibili. A portata di un comando Archiviazione e rete alla velocità delle GPU
Una GPU senza dati è una risorsa sprecata: il flusso di trasferimento dati tiene sempre il passo.
NVMe ad altissima velocità 7.000 MB/s La lettura dei dataset non rallenta mai il tempo per epoca.
Rete a oltre 10 Gbps 10–25 Gbps Trasferisci checkpoint e dataset in minuti anziché ore.
Interconnessione NVLink 600 GB/s Larghezza di banda diretta GPU-to-GPU che rende scalabile l'addestramento multi-GPU.
I tuoi modelli rimangono solo tuoi
I dati di addestramento e i pesi dei modelli sono segreti industriali: la piattaforma li tutela esattamente come tali.
Capacità GPU nelle regioni europee
I server AI vengono attivati nei nostri data center europei. Quelli indicati sotto sono disponibili per l'acquisto oggi.
I team che rilasciano modelli su Hostrena
Abbiamo eseguito il fine-tuning di Llama 3 70B su A100 in meno di 8 ore: la configurazione con NVLink ha reso l'addestramento multi-GPU incredibilmente fluido.
Gestiamo l'inferenza in produzione a 10.000 richieste al minuto: la latenza non ha mai superato i 180 ms anche nei momenti di picco massimo.
Siamo passati da un colosso del cloud a Hostrena: abbiamo risparmiato il 35% al mese sui nostri cicli di addestramento con TFLOPS identici.
Domande frequenti
CUDA è preinstallato?
Sì: CUDA Toolkit e cuDNN vengono forniti preinstallati e perfettamente allineati alla versione del driver. PyTorch e TensorFlow riconoscono la GPU fin dal primo avvio.
Qual è la differenza tra A100 e H100?
H100 appartiene alla generazione più recente: circa 6 volte la potenza di calcolo FP16 (1.979 rispetto a 312 TFLOPS), memoria HBM3 più veloce (3,35 contro 2 TB/s) e un motore transformer potenziato. L'A100 rimane una soluzione con un eccellente rapporto qualità/prezzo per fine-tuning e inferenza.
Posso usare Docker con la GPU?
Sì: Docker e l'NVIDIA Container Toolkit sono già configurati, quindi il comando `--gpus all` funziona immediatamente per ambienti di addestramento riproducibili.
Come posso trasferire dataset di grandi dimensioni sul server?
Tramite la rete a 10–25 Gbps usando rsync/scp o strumenti per object storage. Un dataset da 1 TB viene scaricato in meno di mezz'ora sui piani di fascia superiore.
Posso collegare più GPU tra loro?
Sì: il piano AI Cluster collega 4× H100 tramite NVLink a 600 GB/s, ottimizzato per l'addestramento distribuito. Contatta il nostro team commerciale per cluster di dimensioni maggiori.
Jupyter è pronto all'uso fin da subito?
JupyterLab si installa con un singolo comando ed è documentato nella guida rapida del pannello; molti team lo eseguono protetto dalle regole del firewall integrato.
Quanta VRAM è disponibile per ciascuna GPU?
80 GB HBM sia su A100 (HBM2e) sia su H100 (HBM3): sufficienti per l'inferenza di modelli da 70 miliardi di parametri con quantizzazione, o per l'addestramento con parallelismo del modello.
La GPU è davvero dedicata al 100%?
Completamente: nessuna frazione MIG, nessuna suddivisione temporale, nessuna condivisione. La GPU compare nel comando nvidia-smi come interamente tua, perché lo è.
Come conservo i checkpoint del modello in sicurezza?
Crea snapshot del server in corrispondenza dei checkpoint principali oppure sincronizzali su uno storage a oggetti esterno: entrambi i metodi sono spiegati nel pannello.
Quali regioni dispongono di disponibilità GPU?
Francoforte (FRA-1) e Helsinki (HEL-1) ad oggi: entrambe regioni UE conformi al GDPR. Le nuove regioni vengono comunicate nella pagina dei data center.
Posso esporre pubblicamente le API di inferenza?
Sì: esponi le tue porte dietro il firewall cloud e la protezione DDoS inclusa. Molti clienti servono traffico di produzione direttamente dal loro AI Server.
È previsto uno sconto per la fatturazione annuale?
Sì: la fatturazione annuale consente di risparmiare il 15% su qualsiasi piano GPU.
Cosa significa "Prezzo su richiesta" per i cluster?
I cluster multi-GPU vengono dimensionati insieme ai nostri ingegneri: GPU, interconnessione, storage e rete vengono quotati in un pacchetto personalizzato su misura.
Supportate prezzi spot o istanze interrompibili?
Non al momento: tutti i server GPU sono riservati e persistenti. Per carichi di lavoro temporanei, la fatturazione mensile con cancellazione libera ti offre la massima flessibilità.
In quanto tempo posso iniziare a lavorare?
I server A100 e H100 sono solitamente operativi entro pochi minuti dall'ordine; i cluster vengono predisposti con il supporto di un ingegnere entro 1–2 giorni lavorativi.
Posso fare il fine-tuning di modelli aperti come Llama o Mistral qui?
È il carico di lavoro più frequente che ospitiamo. Una singola A100 da 80 GB esegue agevolmente il fine-tuning di modelli da 7B a 13B parametri con LoRA o QLoRA; per il fine-tuning a precisione piena di modelli più grandi è preferibile l'H100 o un'infrastruttura multi-GPU con NVLink. I dataset si caricano sullo spazio scratch NVMe locale, i checkpoint si salvano su qualsiasi storage compatibile S3 e l'ambiente PyTorch preconfigurato ti porta dal tokenizer all'addestramento entro la prima ora.
Inizia ad addestrare i tuoi modelli oggi stesso
CUDA pronto, PyTorch installato e una GPU interamente tua. Pochi minuti alla prima epoca, senza maratone di configurazione.
A100 a partire da 1.199 $/mese — la fatturazione annuale fa risparmiare il 15%.