BTC
ETH
USDT
XMR
LTC
解决方案 · 研究与 HPC
面向科研与 HPC 的 GPU 服务器。
在 FP64 性能强劲、HBM 容量大的 GPU 上按月运行仿真、科学计算和 AI 研究。
- 4× MI355X最佳搭配
- 1,152 GB显存
- $5,636每月
- $5,636 起最低价选择
研究与 HPC 对 GPU 的要求。
- 1
双精度吞吐量
许多科学计算代码需要 FP64。Hopper（H100、H200）和 AMD MI355X 保留了强劲的 FP64 性能；Blackwell B300 则把其中大部分换成了 AI 吞吐量。
- 2
大容量高速显存
大型网格数据保存在 GPU 显存中：MI355X 提供 288 GB HBM3E、带宽 8 TB/s，H200 提供 141 GB、带宽 4.8 TB/s。
- 3
可预测的预算
资助和项目通常按月编制预算。价格固定、不按用量计费，能让整个项目的费用提前可知。
最适合研究与 HPC 的 GPU。
第一项是最佳选择；另外两项则在速度、显存或生态与价格之间做了取舍。
-
最佳配置
4× AMD MI355X
1,152 GB HBM3E · 每块 GPU 8 TB/s
- 互联方式
- Infinity Fabric · 1.07 TB/s
- vCPU · RAM
- 128 · 1,536 GB
- NVMe
- 15.36 TB
$5,636/月
$8,088 -
备选
4× NVIDIA H200
564 GB HBM3e · 每块 GPU 4.8 TB/s
- 互联方式
- NVLink 4 · 900 GB/s
- vCPU · RAM
- 96 · 1,024 GB
- NVMe
- 15.36 TB
$9,116/月
$13,036 -
备选
4× NVIDIA H100
320 GB HBM3 · 每块 GPU 3.35 TB/s
- 互联方式
- NVLink 4 · 900 GB/s
- vCPU · RAM
- 80 · 800 GB
- NVMe
- 8 TB
$7,116/月
$10,192
研究与 HPC 软件及我们的建议。
- CUDA / HIP在 NVIDIA 和 AMD 上进行原生 GPU 编程。
- OpenMP 与 OpenACC 卸载面向 C、C++ 和 Fortran 的基于指令的 GPU 卸载。
- JAX / PyTorch科学机器学习与可微仿真。
- GROMACS、LAMMPS、OpenFOAM广泛使用的 GPU 加速科学计算程序示例。
小贴士
- 在 H200、MI355X 和 Blackwell 之间做选择前，先确认 FP64 需求。
- 锁定您的代码已验证过的驱动和工具包版本。
- 持续把结果复制到服务器之外；不要把唯一的副本留在租用的磁盘上。
小提示
请确认您的代码支持哪些 GPU 架构：仅支持 CUDA 的代码需要 NVIDIA GPU，支持 HIP/ROCm 和 OpenMP 卸载的代码可以使用 MI355X。
相关指南
- 在 GPU 服务器上部署 JupyterLab在您掌控的 GPU 服务器上运行 JupyterLab：把支持 GPU 的 PyTorch 装在独立的环境中，将 JupyterLab 作为 systemd 服务运行，只监听 localhost 并设置密码，再通过 SSH 隧道访问。
- Ubuntu 上的 NVIDIA 驱动、CUDA 与 Fabric Manager从 NVIDIA 的软件仓库安装驱动，只有在需要自行编译代码时才添加 CUDA 工具包，并在 8 块 GPU 的 HGX 服务器上启用 NVSwitch。命令假定系统为 Ubuntu 22.04 或 24.04 LTS。
- 在 AMD Instinct MI355X 上安装并验证 ROCmMI355X（gfx950）需要 ROCm 7.0 或更高版本。可以从 AMD 的软件仓库安装内核驱动和 ROCm，也可以把 ROCm 留在容器内，主机上只安装驱动。
研究与 HPC相关问题。
其他工作负载：LLM 训练、微调、推理与服务、图像与视频、3D 渲染与 VFX。
哪款 GPU 适合 FP64 计算？
MI355X 和 H100/H200 提供强劲的 FP64。Blackwell B300 的 FP64 性能有限，更适合 AI 而非双精度仿真。
我可以安装自己的编译器和库吗？
可以。您拥有 root 权限，可以安装任何工具链：CUDA、ROCm、编译器、MPI、容器。
我可以为一个科研项目提前付费吗？
每个月都是提前支付的。您可以按月续费，持续整个项目周期。