JarvisLabs
Nutzungsabhängig abgerechnete NVIDIA-GPU- und CPU-Cloud mit verwalteten Vorlagen, VMs mit Root-Zugriff und minutengenauer Abrechnung.
Über JarvisLabs
JarvisLabs vermietet GPU- und CPU-Rechenleistung für KI-Training, Inferenz, Notebooks und andere beschleunigte Workloads. Der GPU-Katalog umfasst NVIDIA H200, H100, RTX Pro 6000 Blackwell, A100, A30 und L4 sowie universell einsetzbare virtuelle CPU-Maschinen. Sie können eine verwaltete Vorlage mit JupyterLab, VS Code, einem API-Endpunkt oder SSH wählen oder eine VM mit Root-Zugriff für eigene Kernel, Treiber, Container, Orchestrierung, Daemons und CI-Runner nutzen. GPU-Konfigurationen reichen von einer bis zu acht Karten. On-Demand-Instanzen werden minutengenau abgerechnet; die angegebenen GPU-Preise liegen zwischen $0.41 und $3.99 pro GPU-Stunde. Speicher kostet $0.10 pro GB und Monat, und ausgehender Datenverkehr innerhalb der Region ist kostenlos. Wird eine Instanz pausiert, endet die Abrechnung der Rechenleistung, während weiterhin Speicherkosten anfallen. Reservierte Kapazität, Cluster und Bereitstellungen mit mehr als 25 GPUs erfordern ein Vertriebsangebot. JarvisLabs eignet sich für Workloads, die von schneller Bereitstellung und kurzen Abrechnungsintervallen profitieren. Nachteile sind die fortlaufenden Speicherkosten bei pausierten Instanzen, regionale Einschränkungen für einige Produkte und das Fehlen einer kostenlosen Testversion.
Funktionen
LLM-Training und Feinabstimmung
Führen Sie Training und Feinabstimmung mit einer oder mehreren GPUs auf H200-, H100-, A100-, A30- oder L4-Hardware in Konfigurationen mit bis zu acht GPUs aus.
Notebook-basierte Experimente
Starten Sie verwaltete Container mit JupyterLab oder VS Code, persistentem Speicher und einem vorkonfigurierten CUDA-Stack für iterative Deep-Learning-Arbeiten.
Individuelle GPU-Infrastruktur
Nutzen Sie eine On-Demand-VM mit Root-Zugriff per SSH, wenn ein Workload eigene Treiber oder Kernel, Docker oder Kubernetes, Daemons oder einen selbst gehosteten CI-Runner benötigt.
Inferenz und API-Endpunkte
Stellen Sie kostengünstige Inferenz-Workloads auf A30- oder L4-Instanzen bereit oder veröffentlichen Sie eine verwaltete Vorlage als API-Endpunkt, ohne das zugrunde liegende Betriebssystem zu verwalten.
Vorteile
- Die minutengenaue On-Demand-Abrechnung begrenzt die Rechenkosten für Experimente, die nur einen Teil einer Stunde laufen.
- Verwaltete Vorlagen übernehmen Betriebssystem, Treiber, CUDA und Container und erhalten den Speicher zwischen Stoppen und Starten.
- VMs mit Root-Zugriff unterstützen eigene Kernel und Treiber, Docker, Kubernetes, Daemons und selbst gehostete CI-Runner.
Nachteile
- Auch pausierte Instanzen verursachen Speicherkosten von $0.10 pro GB und Monat, sodass inaktive Projekte nicht kostenlos sind.
- Virtuelle CPU-Maschinen werden nur für die Region Indien (Noida) aufgeführt, was Anforderungen an Latenz oder Datenspeicherort einschränken kann.
- Es gibt keine kostenlose Testversion; Benutzer müssen ihr Konto aufladen, bevor sie einen echten Workload auf dem Dienst testen können.
Preispläne
H200 SXM
- 141 GB VRAM
- 368 GB RAM
- 28 vCPU
- 1, 2, 4 oder 8 GPUs
H100 SXM
- 80 GB VRAM
- 200 GB RAM
- 16 vCPU
- 1, 2, 4 oder 8 GPUs
RTX Pro 6000 Blackwell
- 96 GB VRAM
- 160 GB RAM
- 28 vCPU
- 1, 2, 4 oder 8 GPUs
A100 80GB
- 80 GB VRAM
- 112 GB RAM
- 16 vCPU
- 1, 2, 4 oder 8 GPUs
A100 40GB
- 40 GB VRAM
- 112 GB RAM
- 16 vCPU
- 1, 2, 4 oder 8 GPUs
A30
- 24 GB VRAM
- 112 GB RAM
- 16 vCPU
- 1, 2, 4 oder 8 GPUs
L4
- 24 GB VRAM
- 124 GB RAM
- 32 vCPU
- 1, 2, 4 oder 8 GPUs
CPU-VM mit 2 vCPU
- 2 vCPU
- 8 GB RAM
- Auf Abruf
- Region Indien (Noida)
CPU-VM mit 4 vCPU
- 4 vCPU
- 16 GB RAM
- Auf Abruf
- Region Indien (Noida)
CPU-VM mit 8 vCPU
- 8 vCPU
- 32 GB RAM
- Auf Abruf
- Region Indien (Noida)
CPU-VM mit 16 vCPU
- 16 vCPU
- 64 GB RAM
- Auf Abruf
- Region Indien (Noida)
CPU-VM mit 32 vCPU
- 32 vCPU
- 128 GB RAM
- Auf Abruf
- Region Indien (Noida)
* Die Preisangaben dienen nur zur Orientierung. Bitte beachten Sie die aktuellen Informationen auf der offiziellen Website von JarvisLabs.