*IVA esclusa.
INCLUSO IN OGNI PIANO
✓ Monitoraggio server gratuito ✓ Gestione del firewall ✓Supporto 24/7 ✓ Virtualizzazione KVM
Distribuisci all'istante server NVIDIA Blackwell pronti per la produzione, costruiti per il training AI e l'inferenza in tempo reale.
*IVA esclusa.
INCLUSO IN OGNI PIANO
| Memoria GPU | 16 GB GDDR7 ECC |
| Core CUDA | 4,352 |
| Core Tensor | 136 (5ª gen) |
| Prestazioni AI | 545 TOPS |
| Prestazioni FP32 | 17 TFLOPS |
| Larghezza di banda memoria | 288 GB/s |
| Memoria GPU | 16 GB GDDR6 |
| Core CUDA | 2,560 |
| Core Tensor | 320 (2ª gen) |
| Prestazioni AI | 130 TOPS |
| Prestazioni FP32 | 8.1 TFLOPS |
| Larghezza di banda memoria | 320 GB/s |
| Memoria GPU | 20 GB GDDR6 ECC |
| Core CUDA | 6,144 |
| Core Tensor | 192 (4ª gen) |
| Prestazioni AI | 306 TOPS |
| Prestazioni FP32 | 19.2 TFLOPS |
| Larghezza di banda memoria | 280 GB/s |
| Memoria GPU | 24 GB GDDR7 ECC |
| Core CUDA | 8,960 |
| Core Tensor | 280 (5ª gen) |
| Prestazioni AI | 770 TOPS |
| Prestazioni FP32 | 24 TFLOPS |
| Larghezza di banda memoria | 432 GB/s |
| Memoria GPU | 32 GB GDDR7 ECC |
| Core CUDA | 10,496 |
| Core Tensor | 328 (5ª gen) |
| Prestazioni AI | 1,600 TOPS |
| Prestazioni FP32 | 51 TFLOPS |
| Larghezza di banda memoria | 800 GB/s |
| Memoria GPU | 48 GB GDDR7 ECC |
| Core CUDA | 14,080 |
| Core Tensor | 440 (5ª gen) |
| Prestazioni AI | 2,142 TOPS |
| Prestazioni FP32 | 72 TFLOPS |
| Larghezza di banda memoria | 1,344 GB/s |
| Memoria GPU | 96 GB GDDR7 ECC |
| Core CUDA | 24,064 |
| Core Tensor | 752 (5ª gen) |
| Prestazioni AI | 4,000 TOPS |
| Prestazioni FP32 | 120 TFLOPS |
| Larghezza di banda memoria | 1,597 GB/s |
Helsinki
Helsinki
La scheda è collegata a un solo server, quindi il throughput corrisponde alla scheda tecnica a ogni esecuzione.
Modelli e ambienti restano su disco tra un'esecuzione e l'altra, pronti nel momento in cui ti riconnetti.
I core EPYC e lo storage NVMe tengono i dati in movimento abbastanza in fretta da mantenere occupata la scheda.
I pesi dei modelli e i prompt restano sul server che noleggi, sotto i tuoi controlli di accesso.
Quando il tuo lavoro dipende dall'hardware, contano le persone che ci stanno dietro. I nostri specialisti certificati ti supportano 24/7 e in più lingue, con oltre 17 anni di esperienza nella gestione di infrastrutture enterprise su larga scala.

Buon prezzo per quello che offre
2025-12-29"Uso i loro servizi da un po' ed è stata un'ottima esperienza. Le prestazioni sono buone e affidabili, e il prezzo rende il tutto ancora più interessante. Funziona tutto in modo fluido e sono molto reattivi quando hai bisogno di qualcosa."

La configurazione è stata rapida e il...
2025-09-01"La configurazione è stata rapida e il VPS da allora gira senza intoppi. L'assistenza clienti ha risposto alle mie domande senza complicare le cose, e francamente mi ha fatto piacere."

Team e azienda fantastici
2025-03-01"Team e azienda fantastici. Mentre estendono la disponibilità dei servizi ad altre regioni del mondo, continuano a crescere in qualità ed efficienza."

Buon servizio per il web hosting
2025-06-24"Buon servizio per il web hosting. Configurazione semplice e prezzo giusto."

Provider eccellente
2026-01-25"Sono con Lumadock da quasi un anno e i loro server sono davvero ottimi.
Ho qualche VPS Forex con loro a Londra e New York, e fino a oggi non ho avuto nessun problema. L'uptime è ottimo e il VPS non si blocca come mi è capitato con altri provider.
"

Un GPU VPS è un server virtuale con una scheda grafica fisica collegata. CPU e storage provengono da un host condiviso tramite virtualizzazione KVM, mentre la GPU è in passthrough, così la scheda risponde a un solo server. È adatto a chiunque abbia bisogno di accelerazione CUDA per un progetto che non giustifica l'acquisto di hardware completo, dal serving dei modelli al rendering.
Ogni piano GPU VPS usa il passthrough completo, quindi la scheda appartiene solo al tuo server. Tutta la vRAM e ogni core CUDA sono tuoi, senza alcuno strato di virtualizzazione tra il tuo codice e l'hardware. È proprio questo che permette a vLLM e al più ampio ecosistema CUDA di comportarsi esattamente come su una macchina locale. Esegui nvidia-smi dopo il deployment e la modalità di virtualizzazione riporta Passthrough.
La vRAM è la prima cosa da dimensionare. Con la quantizzazione a 4 bit, i modelli nella fascia da 7B a 14B stanno comodamente su 16 GB. Sali ai modelli di classe 30B e ti serviranno da 24 GB a 32 GB. Qualsiasi cosa si avvicini ai 70B richiede 48 GB o più. E una volta che il modello entra, la larghezza di banda della memoria decide la velocità con cui escono i token. Il lavoro su immagini e video segue la stessa logica, con 20 GB in su che danno spazio per un output ad alta risoluzione.
Sì. Hai accesso root completo e la scheda è in passthrough diretto, quindi lo stack dei driver è una tua scelta. Fissa una versione più vecchia del CUDA toolkit per un framework che la richiede, o esegui una nightly build contro la più recente. I template ti danno un punto di partenza, e da lì il server è tuo da configurare come preferisci.
Su un GPU VPS la scheda è in passthrough solo verso il tuo server, mentre i core CPU e lo storage provengono da un host condiviso tramite virtualizzazione KVM. Un server GPU dedicato consegna l'intera macchina. Per la maggior parte del lavoro AI la distinzione conta meno di quanto ci si aspetti, dato che inferenza e fine-tuning sono limitati dalla GPU più che dalla CPU accanto. Un GPU VPS ti dà la stessa scheda con un impegno molto minore.
Sì, e la generazione di immagini è una delle cose a cui la vRAM dedicata giova di più. Da 20 GB in su puoi lavorare ad alta risoluzione con diversi checkpoint e LoRAs caricati insieme, il che mantiene rapida l'iterazione. Le schede Blackwell più grandi aggiungono margine per la generazione video e per i job in batch lasciati in esecuzione senza supervisione. Tutto si installa come su qualsiasi macchina Linux con una scheda NVIDIA.
Sì. I piani vanno dalle schede entry level all'ammiraglia, e puoi salire man mano che i tuoi modelli crescono. Ogni piano è legato a una scheda fisica, quindi passare significa distribuire sul nuovo piano e portare con te i tuoi dati, invece di ridimensionare sul posto. Il supporto è disponibile 24/7 se hai domande sul passaggio.
Sì. Installa il NVIDIA Container Toolkit e i container ottengono accesso diretto alla scheda, ed è così che viene distribuita la maggior parte degli stack di inferenza in produzione. Le immagini che NVIDIA pubblica per PyTorch e TensorFlow girano senza modifiche. E dato che hai root, il runtime dei container è tuo da configurare come si aspetta la tua pipeline.
GPU products are in high demand at the moment. Fill the form to get notified as soon as your preferred GPU server is back in stock.
We'll notify you when your preferred server is back in stock.