Tensordock

A TensorDock lista 45 modelos de GPU, então você ajusta o hardware ao orçamento e à carga de trabalho. Na ponta de baixo, placas de consumo começam perto de US$ 0,12/h e dão conta de inferência e renderização leves sem esforço. No topo, sistemas HGX H100 SXM5 80GB a partir de US$ 2,25/h cobrem treinos pesados. O meio está cheio de opções como a A100 SXM4 a US$ 1,80/h, que equilibra preço e velocidade para inferência de IA. Há muito por onde escolher.

Não há cotas, nem taxas escondidas, nem contratos de longo prazo. Você paga por hora. Desligou o servidor, parou o medidor. Esse modelo serve para quem não consegue prever quanta computação um projeto exige, ou para quem só quer um pico de potência para um trabalho específico e nada além disso.

Cada máquina é uma máquina virtual de verdade, não um ambiente travado. Você tem acesso root, controle total do sistema operacional e gestão própria de drivers, o que significa zero surpresas de compatibilidade e liberdade para rodar a stack que seu projeto precisar, de uma compilação CUDA personalizada a uma área de trabalho completa do Windows 10. O Windows 10 é suportado junto com o Linux.

A capacidade se espalha por mais de 100 locais em mais de 20 países, todos em data centers de nível 3 e 4. Esse alcance importa para a latência quando você atende usuários de uma região específica. A TensorDock também afirma que até 30.000 GPUs ficam disponíveis por meio de seus parceiros. O número que você consegue de fato depende do que está online naquele momento. A disponibilidade muda a cada hora.

A TensorDock checa a qualidade do hardware dos hosts e exige um padrão de 99,99% de uptime. A manutenção precisa ser agendada com pelo menos duas semanas de antecedência, e hosts que ficam abaixo do padrão são removidos da plataforma por completo. Essa verificação evita que um modelo de marketplace vire loteria. Nem todo host passa.

A plataforma inclui uma API REST que expõe metadados, disponibilidade e gestão de servidores. Você consulta estoque e implanta máquinas a partir das suas próprias ferramentas, exatamente o que os times precisam quando a capacidade de GPU faz parte de um pipeline automatizado maior que sobe e desce servidores sob demanda sem ninguém apertar botões a cada vez.