Les faits du service
IteraGPU est le nom du service présenté sur ce site. Les repères ci-dessous décrivent notre offre et les outils disponibles. Les tarifs détaillés et le stock de chaque configuration se consultent dans le catalogue ; la capacité d’une carte ne décrit pas à elle seule le serveur ni le résultat de votre logiciel.
| Repère | Valeur ou fonctionnement | Condition de lecture |
|---|---|---|
| Public | Recherche et ingénierie ML | Entraînement, inférence et fine-tuning selon votre protocole |
| Catalogue | 15 configurations NVIDIA et AMD | Choisir selon logiciel compatible, mémoire et charge mesurée |
| Mémoire | 24 à 192 Go nominaux par GPU | Les Go reprennent les GB constructeur ; ce ne sont ni les Gio libres ni la RAM du serveur |
| Composition | 1 GPU par lot ; 2 GPU pour B200 | Le prix du lot inclut ses cartes ; leur mémoire ne se regroupe pas automatiquement |
| Location | 3, 7 ou 30 jours ; 1 à 10 lots | Montant complet en USD par lot, multiplié par la quantité |
| Disponibilité | Stock affiché sur chaque fiche | La confirmation du règlement et la préparation de l’accès sont deux étapes distinctes |
| Préparation logicielle | Environnement souhaité à la commande | Une préférence ne vaut pas preuve d’installation ou de compatibilité de votre modèle |
| Suivi | Compte, commandes et carnet ML | Les notes saisies ne remplacent pas vos fichiers, sauvegardes ou mesures externes |
Sources techniques : Catalogue et caractéristiques des offres · Tarifs des forfaits · Conditions de commande
Le GPU est une décision de protocole
La mémoire doit accueillir le travail prévu, l’environnement doit convenir au modèle et le calendrier doit inclure préparation, mesures, reprises et export. En inférence, fixez les longueurs d’entrée et de sortie ainsi que le nombre de requêtes simultanées. En entraînement, examinez le pas complet et les états nécessaires à la reprise.
Le dimensionneur calcule une enveloppe à partir des paramètres, du format des poids et de votre réserve d’exécution. Cette réserve est une hypothèse explicite ; elle n’est pas une capacité garantie. Pour départager deux configurations, gardez un jeu d’entrées et une règle de qualité communs, puis mesurez les cas qui comptent pour votre projet.
Sources techniques : Dimensionneur et hypothèses · Préparer les requêtes d’inférence
Des ressources originales, avec une portée explicite
IteraGPU Lab v1 rassemble un notebook de calcul et de mesure mémoire, deux scripts Python, un protocole de qualité, les tarifs des forfaits et un tableau brut vierge. Le code et la documentation originaux sont distribués sous licence MIT. Les instructions indiquent les prérequis et les erreurs explicites lorsque PyTorch ou le GPU manque.
Le script de mesure a été testé sur une RTX 5070 hors catalogue avec un réseau de 8 320 paramètres. Cet essai vérifie l’instrumentation ; il ne mesure ni un grand modèle ni les performances des offres louées. Le dossier mémoire précise les conditions et les résultats.
La méthode mémoire explique les compteurs ; la méthode benchmarks compare des résultats à qualité fixée et le coût du forfait engagé. Les ressources distribuées ne contiennent pas de sorties de notebook ou de résultats GPU préremplis. Mesurez votre charge avant d’en tirer une recommandation.
- Télécharger IteraGPU Lab v1
Archive versionnée : protocole, notebook, scripts, tableaux, instructions, inventaire et licence.
- Lire les prérequis et la portée de validation
Prérequis, paramètres testés et limites de l’essai.
Sources techniques : Estimation et pic mémoire · Comparaison et coût par corpus validé
L’autonomie dans vos traitements
Vous choisissez vos logiciels, vos modèles et l’organisation de vos calculs. IteraGPU ne procède pas à une inspection du contenu de vos fichiers, prompts ou traitements. Cette politique concerne le contenu des travaux ; elle n’efface pas les informations nécessaires au compte, à la commande et au suivi du règlement.
Préparez les dépendances et les versions, vérifiez les droits d’utilisation et organisez vos sauvegardes. L’environnement sélectionné à la commande exprime votre besoin de préparation. Sa compatibilité avec vos bibliothèques, extensions et modèles doit être contrôlée avant de lancer la campagne complète.
Sources techniques : Données et confidentialité
Un carnet pour garder la raison du choix
Le carnet ML conserve les objectifs, paramètres et observations que vous saisissez. Reliez votre hypothèse à une version de code, à un jeu d’entrées et à une référence de commande. Conservez aussi les variantes rejetées : dépassement mémoire, qualité insuffisante ou résultat incomplet expliquent la décision suivante.
Le carnet ne lance pas votre code, ne relève pas automatiquement la télémétrie GPU et ne téléverse pas vos jeux de données. Conservez les fichiers bruts, les sorties et les checkpoints dans vos propres sauvegardes. Une note doit permettre de retrouver la preuve, sans se substituer à elle.
Du forfait au suivi de la location
Choisissez le modèle, la durée et le nombre de lots, puis vérifiez le total USD. Le prix correspond au forfait entier ; ce n’est pas un compteur horaire. Le paiement crypto s’effectue sans KYC ni demande de pièce d’identité. Le prénom, le nom et l’email servent au suivi de la commande.
Après un transfert, « J’ai payé » enregistre votre signalement pour vérification. Le paiement confirmé et la fourniture de l’accès GPU sont suivis séparément. Votre compte rassemble les commandes, les documents et les demandes d’assistance ; consultez l’état de préparation avant de démarrer vos traitements.
Sources techniques : Parcours de règlement crypto
Questions pratiques
IteraGPU fournit-il une recommandation universelle de GPU ?
IteraGPU fournit des critères et des outils pour préparer votre choix, sans désigner un GPU gagnant pour toutes les charges. La mémoire, l’environnement, le contexte, la concurrence et la qualité doivent être vérifiés ensemble. Le budget se compare ensuite entre les options qui remplissent ces exigences.
Deux GPU B200 constituent-ils une seule mémoire ?
Un lot B200 comprend deux GPU, chacun avec sa mémoire. Votre logiciel doit répartir explicitement les données ou les calculs pour les utiliser ensemble. La composition du lot ne démontre pas une mémoire unifiée, une topologie particulière ou une accélération donnée.
Le choix de PyTorch à la commande garantit-il que mon modèle fonctionnera ?
Le choix d’un environnement exprime une préférence de préparation, pas une validation de votre modèle. Vérifiez le pilote, les bibliothèques, les extensions et les versions nécessaires, puis exécutez un petit cas représentatif avant votre campagne.