AI A100
فائن ٹیوننگ اور انفراس
$1,199.00/ماہ ماہانہ بل — کسی بھی وقت منسوخ کریں
- NVIDIA A100
- 80 GB HBM VRAM
- 16 vCPU کورز
- 120 GB RAM
- 1 TB NVMe Gen4
- CUDA + cuDNN پہلے سے انسٹال
- PyTorch اور TensorFlow تیار
- مکمل GPU علیحدگی
NVIDIA GPU — CUDA تیار
انفراسٹرکچر جو بنایا گیا ہے AI کے کاموں کے لیے
NVIDIA A100 اور H100 تیار شدہ CUDA، پہلے سے انسٹال PyTorch اور TensorFlow اور GPUs کے درمیان NVLink کے ساتھ — اپنے ماڈلز کی ٹریننگ دنوں کی بجائے منٹوں میں شروع کریں۔ آپ کا GPU، مکمل طور پر الگ۔
پہلے بوٹ سے CUDA تیار
1,979 TFLOPS FP16 فی H100
0 GB HBM VRAM فی GPU
0 GB/s NVLink GPU انٹرکنیکٹ
24/7 AI ماہرین کی سپورٹ
اپنے کام کے لیے صحیح GPU پاور کا انتخاب کریں
ہلکے پھلکے انفراس سے لے کر بڑے پیمانے پر LLM ٹریننگ تک — مخصوص GPUs، کبھی شیئر نہیں کیے جاتے، کبھی ٹائم سلائس نہیں ہوتے۔
AI H100
سنجیدہ ماڈل ٹریننگ
$2,499.00/ماہ ماہانہ بل — کسی بھی وقت منسوخ کریں
- NVIDIA H100 SXM
- 80 GB HBM VRAM
- 26 vCPU کورز
- 200 GB RAM
- 2 TB NVMe Gen4
- NVLink انٹرکنیکٹ
- AI A100 کی ہر چیز شامل
- HBM3 — 3.35 TB/s بینڈوڈتھ
- اسکیلنگ کے لیے NVLink تیار
AI Cluster
ملٹی GPU NVLink فیبرک
قیمت رابطہ پر کسٹم کلسٹرز، ہمارے انجینئرز کے مشورے کے ساتھ
- 4× NVIDIA H100 SXM
- 320 GB HBM VRAM
- 96 vCPU کورز
- 768 GB RAM
- 8 TB NVMe Gen4
- NVLink انٹرکنیکٹ
- NVLink 600 GB/s کے ذریعے 4× H100
- ڈسٹری بیوٹڈ ٹریننگ کے لیے موزوں
- مخصوص حل انجینئر
ہر AI سرور میں شامل ہے
- CUDA Toolkit + cuDNN پہلے سے انسٹال
- PyTorch + TensorFlow تیار
- مکمل GPU علیحدگی
- ڈیٹا سیٹس کے لیے تیز رفتار NVMe
- مکمل روٹ رسائی
- چیک پوائنٹس کے لیے اسنیپ شاٹس
- DDoS سے محفوظ اینڈ پوائنٹس
- 24/7 ماہر سپورٹ
پلانز کا موازنہ
ہر جگہ وہی سافٹ ویئر اسٹیک — VRAM، TFLOPS اور انٹرکنیکٹ کی بنیاد پر منتخب کریں۔
| خصوصیت | AI A100 | AI H100 | AI Cluster |
|---|---|---|---|
| GPU | |||
| GPU ماڈل | A100 80GB | H100 80GB SXM | 4× H100 SXM |
| VRAM | 80 GB HBM2e | 80 GB HBM3 | 320 GB HBM3 |
| FP16 کمپیوٹ | 312 TFLOPS | 1,979 TFLOPS | 7,916 TFLOPS |
| NVLink انٹرکنیکٹ | ✓ | ✓ | |
| کمپیوٹ | |||
| vCPU کورز | 16 | 26 | 96 |
| سسٹم RAM | 120 GB | 200 GB | 768 GB |
| اسٹوریج اور نیٹ ورک | |||
| NVMe Gen4 اسٹوریج | 1 TB | 2 TB | 8 TB |
| نیٹ ورک | 10 Gbps | 10 Gbps | 25 Gbps |
| سافٹ ویئر | |||
| CUDA + cuDNN پہلے سے انسٹال | ✓ | ✓ | ✓ |
| PyTorch اور TensorFlow تیار | ✓ | ✓ | ✓ |
| Docker + NVIDIA toolkit | ✓ | ✓ | ✓ |
| انتظام | |||
| مکمل روٹ رسائی | ✓ | ✓ | ✓ |
| اسنیپ شاٹس | ✓ | ✓ | ✓ |
| عربی اور انگریزی پینل | ✓ | ✓ | ✓ |
| مخصوص انجینئر | ✓ | ||
ہارڈویئر — NVIDIA A100 اور H100
وہ GPUs جو AI انڈسٹری کا معیار بن چکے ہیں — صرف آپ کے لیے مخصوص، کبھی تقسیم نہیں، کبھی شیئر نہیں۔
- 80 GB HBM2e VRAM
- 312 TFLOPS (FP16)
- 2 TB/s میموری بینڈوڈتھ
بہترین برائے: فائن ٹیوننگ، پروڈکشن انفراس، درمیانے پیمانے کی ٹریننگ
- 80 GB HBM3 VRAM
- 1,979 TFLOPS (FP16)
- 3.35 TB/s میموری بینڈوڈتھ
بہترین برائے: بڑی LLM ٹریننگ، ملٹی GPU کلسٹرز، تحقیق
آپ کیا بنا سکتے ہیں؟
پانچ کام جو ہمارا GPU فلیٹ روزانہ چلاتا ہے — تمام سافٹ ویئر پہلے سے موجود ہیں۔
ہر پیمانے پر بہترین کارکردگی
وہ اعداد و شمار جو آپ کی ٹریننگ کا وقت طے کرتے ہیں — ناپے گئے، نہ کہ صرف وعدے کے۔
0 TFLOPS FP16 — H100
0 GB VRAM فی GPU
3.35 TB/s میموری بینڈوڈتھ — H100
0 GB/s NVLink انٹرکنیکٹ
0 MB/s NVMe ڈیٹا سیٹ ریڈز
آپ کا اسٹیک پہلے سے انسٹال ہے
ڈرائیورز ڈھونڈنے یا CUDA ورژن کے مسائل کی ضرورت نہیں — بوٹ کریں، ماحول ایکٹو کریں اور ٹریننگ شروع کریں۔
CUDA + cuDNN ہر GPU فریم ورک کی بنیاد — ڈرائیور کے ساتھ بالکل مطابقت پذیر۔ پہلے سے انسٹال 
PyTorch مکمل CUDA سپورٹ کے ساتھ پہلے سے انسٹال — torch.cuda.is_available() پہلے سے فعال ہے۔ پہلے سے انسٹال 
TensorFlow GPU سپورٹ شروع سے فعال، XLA تیار۔ پہلے سے انسٹال 
Hugging Face Transformers + Diffusers — چند منٹوں میں ماڈل ڈاؤن لوڈ کریں اور چلائیں۔ پہلے سے انسٹال 
JupyterLab براؤزر میں اصلی GPU پر تحقیق اور تجربات کریں۔ صرف ایک کمانڈ دور 
Docker + NVIDIA الگ اور دوبارہ قابل استعمال ٹریننگ ماحول کے لیے Container Toolkit۔ صرف ایک کمانڈ دور اسٹوریج اور نیٹ ورک، GPU کی رفتار پر
ڈیٹا کا بروقت نہ ملنا GPU کو ضائع کرتا ہے — ہمارا ڈیٹا پاتھ ہمیشہ ساتھ چلتا ہے۔
تیز رفتار NVMe 7,000 MB/s ڈیٹا سیٹ ریڈز آپ کے ایپوک ٹائم میں کبھی رکاوٹ نہیں بنیں گے۔
10Gbps+ نیٹ ورک 10–25 Gbps چیک پوائنٹس اور ڈیٹا سیٹس گھنٹوں کی بجائے منٹوں میں منتقل کریں۔
NVLink انٹرکنیکٹ 600 GB/s GPU سے GPU کے درمیان ایسی بینڈوڈتھ جو ملٹی GPU ٹریننگ کو واقعی وسعت دیتی ہے۔
آپ کے ماڈلز صرف آپ کے پاس رہتے ہیں
ٹریننگ ڈیٹا اور ویٹس کاروباری راز ہیں — پلیٹ فارم ان کے ساتھ ویسا ہی برتاؤ کرتا ہے۔
یورپی خطوں میں GPU کی گنجائش
AI سرورز ہمارے یورپی ڈیٹا سینٹرز میں لگائے جاتے ہیں۔ نیچے دیے گئے مقامات پر آج ہی دستیاب ہیں۔
وہ ٹیمیں جو Hostrena پر ماڈلز چلا رہی ہیں
A100 پر Llama 3 70B کو 8 گھنٹے سے کم وقت میں فائن ٹیون کیا — NVLink سیٹ اپ نے ملٹی GPU ٹریننگ کو واقعی آسان بنا دیا۔
پروڈکشن انفراس کو 10k درخواستیں فی منٹ پر چلا رہے ہیں — رش کے اوقات میں بھی تاخیر 180ms سے زیادہ نہیں ہوئی۔
ایک بڑی کلاؤڈ کمپنی سے یہاں منتقل ہوئے — یکساں TFLOPS کے ساتھ ہمارے ٹریننگ اخراجات میں ماہانہ 35% کی بچت ہوئی۔
اکثر پوچھے جانے والے سوالات
کیا CUDA پہلے سے انسٹال ہے؟
جی ہاں — CUDA Toolkit اور cuDNN پہلے سے انسٹال ہیں اور ڈرائیور کے ساتھ ہم آہنگ ہیں۔ PyTorch اور TensorFlow پہلے بوٹ پر ہی GPU کو دیکھ لیتے ہیں۔
A100 اور H100 میں کیا فرق ہے؟
H100 نئی جنریشن ہے: تقریباً 6 گنا FP16 کمپیوٹ (1,979 بمقابلہ 312 TFLOPS)، تیز رفتار HBM3 میموری (3.35 بمقابلہ 2 TB/s) اور زیادہ طاقتور ٹرانسفارمر انجن۔ A100 فائن ٹیوننگ اور انفراس کے لیے اب بھی شاندار قیمت فراہم کرتا ہے۔
کیا میں GPU کے ساتھ Docker استعمال کر سکتا ہوں؟
جی ہاں — Docker اور NVIDIA Container Toolkit تیار ہیں، اس لیے دوبارہ قابل استعمال ٹریننگ کے لیے `--gpus all` فوری کام کرتا ہے۔
میں سرور پر بڑے ڈیٹا سیٹس کیسے منتقل کروں؟
rsync/scp یا آبجیکٹ اسٹوریج کے ٹولز کے ذریعے 10–25 Gbps نیٹ ورک پر۔ بڑے پلانز پر 1 TB کا ڈیٹا سیٹ آدھے گھنٹے سے بھی کم وقت میں منتقل ہو جاتا ہے۔
کیا میں ایک سے زیادہ GPUs جوڑ سکتا ہوں؟
جی ہاں — AI Cluster پلان 4× H100 کو 600 GB/s پر NVLink کے ذریعے جوڑتا ہے، جو ڈسٹری بیوٹڈ ٹریننگ کے لیے موزوں ہے۔ اس سے بڑے نیٹ ورک کے لیے سیلز سے بات کریں۔
کیا Jupyter فوراً استعمال کے لیے تیار ہے؟
JupyterLab صرف ایک کمانڈ سے انسٹال ہو جاتا ہے اور پینل کے کوئیک اسٹارٹ میں اس کی تفصیل ہے — کئی ٹیمیں اسے بلٹ ان فائر وال رولز کے پیچھے چلاتی ہیں۔
فی GPU کتنی VRAM دستیاب ہے؟
A100 (HBM2e) اور H100 (HBM3) دونوں پر 80 GB HBM — کوانٹائزیشن کے ساتھ 70B پیرامیٹرز کے انفراس یا ماڈل پیرلل ازم کے ساتھ ٹریننگ کے لیے کافی ہے۔
کیا GPU واقعی مخصوص ہے؟
مکمل طور پر — کوئی MIG تقسیم نہیں، کوئی ٹائم شیئرنگ نہیں۔ GPU آپ کو nvidia-smi میں مکمل طور پر اپنا نظر آتا ہے، کیونکہ وہ واقعی آپ کا ہوتا ہے۔
میں ماڈل چیک پوائنٹس کو محفوظ کیسے رکھوں؟
اہم سنگ میلوں پر سرور کا اسنیپ شاٹ لیں، یا چیک پوائنٹس کو سرور سے باہر آبجیکٹ اسٹوریج میں سنک کریں — دونوں طریقوں کی رہنمائی پینل میں موجود ہے۔
کن خطوں میں GPU کی گنجائش دستیاب ہے؟
آج فرینکفرٹ (FRA-1) اور ہیلسنکی (HEL-1) میں — دونوں GDPR کے موافق یورپی خطے ہیں۔ نئے خطوں کا اعلان ڈیٹا سینٹرز کے صفحے پر کیا جاتا ہے۔
کیا میں عوامی سطح پر انفراس APIs چلا سکتا ہوں؟
جی ہاں — اپنے پورٹس کو کلاؤڈ فائر وال اور DDoS تحفظ کے پیچھے کھولیں۔ کئی کلائنٹس پروڈکشن ٹریفک براہ راست اپنے AI سرور سے چلاتے ہیں۔
کیا سالانہ رعایت دستیاب ہے؟
جی ہاں — سالانہ بلنگ پر ہر GPU پلان میں 15% کی بچت ہوتی ہے۔
کلسٹرز کے لیے "قیمت رابطہ پر" کا کیا مطلب ہے؟
ملٹی GPU سسٹمز کا سائز ہمارے انجینئرز کے ساتھ طے ہوتا ہے — GPUs، انٹرکنیکٹ، اسٹوریج اور نیٹ ورک کا ایک مخصوص پیکج بنا کر قیمت دی جاتی ہے۔
کیا آپ اسپاٹ قیمتوں کی پیشکش کرتے ہیں؟
ابھی نہیں — تمام GPU سرورز مخصوص اور مستقل ہیں۔ عارضی کاموں کے لیے، کسی بھی وقت منسوخی والی ماہانہ بلنگ آپ کو لچک فراہم کرتی ہے۔
میں کتنی جلدی شروعات کر سکتا ہوں؟
A100 اور H100 سرورز عام طور پر آرڈر کے چند منٹوں میں آن لائن ہو جاتے ہیں؛ کلسٹرز انجینئر کی مدد سے 1–2 کاروباری دنوں میں تیار کیے جاتے ہیں۔
کیا میں یہاں Llama یا Mistral جیسے اوپن ماڈلز کو فائن ٹیون کر سکتا ہوں؟
یہاں سب سے عام کام یہی ہوتا ہے۔ ایک اکیلا A100 80GB ماڈل LoRA یا QLoRA کے ساتھ 7B–13B پیرامیٹر ماڈلز کو آسانی سے فائن ٹیون کرتا ہے؛ بڑے ماڈلز کی فل پریسیشن ٹیوننگ کے لیے H100 یا NVLink کے ساتھ ملٹی GPU سیٹ اپ درکار ہوتا ہے۔ ڈیٹا سیٹس مقامی NVMe پر رہتے ہیں، چیک پوائنٹس کسی بھی S3 اسٹوریج پر بھیجے جا سکتے ہیں، اور تیار شدہ PyTorch ماحول آپ کو پہلے گھنٹے کے اندر اندر ٹوکنائزر سے لے کر ٹریننگ تک لے آتا ہے۔
آج ہی اپنے ماڈلز کی ٹریننگ شروع کریں
CUDA تیار، PyTorch انسٹال شدہ، ایک ایسا GPU جو مکمل آپ کا ہے۔ چند منٹوں میں پہلا ایپوک — بغیر کسی طویل سیٹ اپ کے۔
A100 شروع $1,199/ماہ سے — سالانہ بلنگ میں 15% بچت۔