AI A100
Тонкая настройка и инференс
$1,199.00/мес оплата каждый месяц — отмена в любой момент
- NVIDIA A100
- 80 GB HBM VRAM
- 16 ядер vCPU
- 120 GB RAM
- 1 TB NVMe Gen4
- Предустановленные CUDA + cuDNN
- PyTorch и TensorFlow готовы к работе
- Полная изоляция GPU
NVIDIA GPU — с поддержкой CUDA
Инфраструктура, созданная для задач искусственного интеллекта
NVIDIA A100 и H100 с готовой к работе CUDA, предустановленными PyTorch и TensorFlow и связью NVLink между GPU — начинайте обучать модели за минуты, а не дни. Ваш GPU полностью изолирован.
CUDA готова к работе с первого запуска
1,979 TFLOPS FP16 на каждый H100
0 GB Памяти HBM VRAM на каждый GPU
0 GB/s Интерконнект NVLink между GPU
24/7 Экспертная поддержка по задачам ИИ
Выберите подходящую мощность GPU для вашей задачи
От лёгкого инференса до масштабного обучения LLM — выделенные GPU, без соседей и разделения по времени.
AI H100
Серьёзное обучение моделей
$2,499.00/мес оплата каждый месяц — отмена в любой момент
- NVIDIA H100 SXM
- 80 GB HBM VRAM
- 26 ядер vCPU
- 200 GB RAM
- 2 TB NVMe Gen4
- Интерконнект NVLink
- Всё, что входит в AI A100
- HBM3 — пропускная способность 3.35 TB/s
- Поддержка NVLink для масштабирования
AI Cluster
Кластер из нескольких GPU с связью NVLink
Цена по запросу Индивидуальные кластеры, подобранные нашими инженерами
- 4× NVIDIA H100 SXM
- 320 GB HBM VRAM
- 96 ядер vCPU
- 768 GB RAM
- 8 TB NVMe Gen4
- Интерконнект NVLink
- 4× H100 через NVLink 600 GB/s
- Оптимизирован для распределённого обучения
- Выделенный инженер по решениям
В каждый сервер для ИИ входит
- Предустановленные CUDA Toolkit + cuDNN
- Готовые к работе PyTorch + TensorFlow
- Полная изоляция GPU
- Сверхбыстрый NVMe для наборов данных
- Полный root-доступ
- Снимки для контрольных точек
- Защита эндпоинтов от DDoS
- Круглосуточная поддержка специалистов 24/7
Сравнение тарифов
Одинаковый набор ПО на всех серверах — выбирайте по объёму VRAM, TFLOPS и типу интерконнекта.
| Характеристика | AI A100 | AI H100 | AI Cluster |
|---|---|---|---|
| GPU | |||
| Модель GPU | A100 80GB | H100 80GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| Вычисления FP16 | 312 TFLOPS | 1,979 TFLOPS | 7,916 TFLOPS |
| Интерконнект NVLink | ✓ | ✓ | |
| Вычисления | |||
| Ядра vCPU | 16 | 26 | 96 |
| Системная память RAM | 120 GB | 200 GB | 768 GB |
| Хранилище и сеть | |||
| Хранилище NVMe Gen4 | 1 TB | 2 TB | 8 TB |
| Сеть | 10 Gbps | 10 Gbps | 25 Gbps |
| Программное обеспечение | |||
| Предустановленные CUDA + cuDNN | ✓ | ✓ | ✓ |
| Готовые к работе PyTorch и TensorFlow | ✓ | ✓ | ✓ |
| Docker + набор инструментов NVIDIA | ✓ | ✓ | ✓ |
| Управление | |||
| Полный root-доступ | ✓ | ✓ | ✓ |
| Снимки (снапшоты) | ✓ | ✓ | ✓ |
| Панель на арабском и английском | ✓ | ✓ | ✓ |
| Выделенный инженер | ✓ | ||
Оборудование — NVIDIA A100 и H100
Графические процессоры, ставшие стандартом в индустрии ИИ — выделены только вам, без дробления и разделения времени.
- 80 GB HBM2e VRAM
- 312 TFLOPS (FP16)
- Пропускная способность памяти 2 TB/s
Идеально для: тонкой настройки, рабочего инференса, обучения средних моделей
- 80 GB HBM3 VRAM
- 1,979 TFLOPS (FP16)
- Пропускная способность памяти 3.35 TB/s
Идеально для: обучения больших LLM, кластеров из нескольких GPU, исследований
Что вы можете создавать?
Пять типичных задач, которые каждый день выполняются на наших GPU — со всем уже готовым стеком.
Эталонная производительность по каждому показателю
Цифры, от которых напрямую зависит время вашего обучения — реальные замеры, а не пустые обещания.
0 TFLOPS FP16 — H100
0 GB VRAM на каждый GPU
3.35 TB/s Пропускная способность памяти — H100
0 GB/s интерконнект NVLink
0 MB/s чтение датасетов с NVMe
Ваш стек технологий уже установлен
Никаких поисков драйверов и проблем с версиями CUDA — запустите сервер, активируйте окружение и начинайте обучение.
CUDA + cuDNN Основа для любого GPU-фреймворка — версия точно подобрана под драйвер. Предустановлено 
PyTorch Предустановлен с полной поддержкой CUDA — функция torch.cuda.is_available() уже возвращает true. Предустановлено 
TensorFlow Поддержка GPU включена из коробки, готов к работе с XLA. Предустановлено 
Hugging Face Библиотеки Transformers и Diffusers — загружайте модель и запускайте за считанные минуты. Предустановлено 
JupyterLab Проводите исследования и эксперименты прямо в браузере на реальном GPU. Устанавливается одной командой 
Docker + NVIDIA Container Toolkit для изолированных и воспроизводимых сред обучения. Устанавливается одной командой Хранилище и сеть под стать скорости GPU
Простаивающий GPU — это напрасно потраченные ресурсы. Канал передачи данных успевает за вычислениями.
Быстрый NVMe 7,000 MB/s Скорость чтения датасетов никогда не станет узким местом для времени эпохи.
Сеть от 10 Gbps 10–25 Gbps Передавайте чекпоинты и наборы данных за минуты, а не часы.
Интерконнект NVLink 600 GB/s Пропускная способность между GPU, обеспечивающая эффективное масштабирование обучения.
Ваши модели остаются только вашими
Обучающие данные и веса моделей — коммерческая тайна, и платформа относится к ним именно так.
Мощности GPU в европейских регионах
Серверы для ИИ развёртываются в наших дата-центрах в Европе. Дата-центры ниже доступны для заказа уже сегодня.
Команды, создающие и запускающие модели на Hostrena
Дообучили Llama 3 70B на A100 менее чем за 8 часов — благодаря связке NVLink обучение на нескольких GPU прошло без малейших заминок.
Запустили рабочий инференс на 10 000 запросов в минуту — задержка не превышала 180 мс даже в пиковые моменты.
Перешли от крупного облачного провайдера и сэкономили 35% в месяц на обучении при абсолютно тех же TFLOPS.
Часто задаваемые вопросы
Предустановлена ли CUDA?
Да — CUDA Toolkit и cuDNN поставляются предустановленными, а их версии точно соответствуют драйверу. PyTorch и TensorFlow распознают GPU сразу при первом запуске.
В чём разница между A100 и H100?
H100 — это более новое поколение: примерно в 6 раз больше вычислительной мощности FP16 (1,979 против 312 TFLOPS), более быстрая память HBM3 (3.35 против 2 TB/s) и более мощный движок Transformer Engine. При этом A100 остаётся отличным и выгодным выбором для тонкой настройки и инференса.
Можно ли использовать Docker с GPU?
Да — Docker вместе с набором инструментов NVIDIA Container Toolkit уже готовы к работе, поэтому параметр `--gpus all` работает сразу для создания воспроизводимых сред обучения.
Как передать большие наборы данных на сервер?
Через скоростную сеть 10–25 Gbps с помощью rsync, scp или инструментов для объектного хранилища. Датасет объёмом 1 TB загружается значительно быстрее получаса на старших тарифах.
Можно ли объединить несколько GPU?
Да — тариф AI Cluster объединяет 4× H100 через интерконнект NVLink на скорости 600 GB/s и оптимизирован для распределённого обучения. Для более масштабных кластеров обратитесь в отдел продаж.
Готов ли Jupyter к работе из коробки?
JupyterLab устанавливается одной командой согласно руководству в панели управления — многие команды запускают его за встроенными правилами фаервола.
Сколько видеопамяти доступно на каждый GPU?
По 80 GB HBM как на A100 (HBM2e), так и на H100 (HBM3) — этого достаточно для инференса моделей на 70 млрд параметров с квантованием или для обучения с параллелизмом моделей.
GPU действительно выделенный?
Полностью — никаких частей MIG, никакого разделения времени и никаких соседей. В выводе команды nvidia-smi видеокарта отображается как полностью ваша, потому что так оно и есть.
Как безопасно сохранять чекпоинты моделей?
Создавайте снимки сервера на ключевых этапах или синхронизируйте контрольные точки с внешним объектным хранилищем — оба варианта подробно описаны в панели управления.
В каких регионах доступны мощности GPU?
На данный момент во Франкфурте (FRA-1) и Хельсинки (HEL-1) — в обоих регионах ЕС, соответствующих GDPR. Новые регионы анонсируются на странице дата-центров.
Можно ли открыть публичный доступ к API инференса?
Да — откройте нужные порты за облачным фаерволом и защитой от DDoS. Многие клиенты направляют реальный рабочий трафик прямо на свой сервер для ИИ.
Есть ли скидка при оплате за год?
Да — годовая оплата экономит 15% на любом тарифе с GPU.
Что означает «цена по запросу» для кластеров?
Кластеры из нескольких GPU рассчитываются индивидуально с нашими инженерами — графические процессоры, интерконнект, накопители и сеть формируются в рамках единого готового решения.
Поддерживаются ли спотовые (прерываемые) серверы?
Пока нет — все GPU-серверы зарезервированы и постоянны. Для временных задач помесячная оплата с возможностью отмены в любой момент сохраняет гибкость.
Как быстро можно начать работу?
Серверы A100 и H100 обычно становятся доступны через несколько минут после заказа, а кластеры развёртываются с инженером в течение 1–2 рабочих дней.
Можно ли дообучать открытые модели, такие как Llama или Mistral?
Это самая частая задача наших пользователей. Один процессор A100 80GB уверенно справляется с дообучением моделей на 7B–13B параметров с помощью LoRA или QLoRA; для полноточной настройки более крупных моделей потребуется H100 или конфигурация из нескольких GPU с NVLink. Датасеты размещаются на локальном быстром пространстве NVMe, чекпоинты сохраняются в любое совместимое с S3 хранилище, а готовое окружение PyTorch позволяет перейти от токенизатора к обучению уже в первый час.
Начните обучать свои модели уже сегодня
CUDA готова к работе, PyTorch установлен, а видеокарта полностью в вашем распоряжении. Минуты до первой эпохи — без утомительной настройки.
A100 от $1,199/мес — при оплате за год скидка 15%.