IteraGPU：GPU 方案、方法与服务事实

01 /

服务事实

IteraGPU 是本网站所介绍的服务名称。以下要点描述我们的方案和可用工具。各配置的详细价格和库存可在配置目录中查询；单张显卡的显存容量本身并不能说明服务器情况，也不能说明你的软件会取得什么结果。

IteraGPU 事实说明——2026 年 9 月 24 日文档核验

基准	数值或运行方式	解读条件
适用对象	ML 研究与工程	按你的实验协议进行训练、推理和微调
配置目录	15 种 NVIDIA 和 AMD 配置	根据兼容软件、内存和实测负载来选择
内存	每块 GPU 标称 24 至 192 GB	此处 GB 指厂商标注的 GB，既不是可用 Gio，也不是服务器 RAM
组成	每份为 1 块 GPU；B200 为 2 块 GPU	每份价格包含其显卡；它们的显存不会自动合并
Location	3、7 或 30 天；1 至 10 份	每份按美元计算的完整金额，乘以数量
可用性	每个配置页面上显示的库存	确认付款与准备访问权限是两个独立的步骤
软件准备	下单时指定所需环境	偏好并不等于已安装，也不证明与你的模型兼容
跟踪	账户、订单与 ML 笔记本	记录的笔记不能替代你的文件、备份或外部测量

02 /

显存要能容纳计划中的工作，环境要适合模型，时间安排要包括准备、测量、重试和导出。做推理时，要确定输入和输出长度以及并发请求数。做训练时，要考察完整的步进以及断点续训所需的状态。

规模估算器根据参数量、权重格式和你的运行余量计算出一个容量范围。这个余量是明确的假设，而不是有保证的容量。要区分两种配置的优劣，请保持同一组输入和同一套质量规则，然后测量对项目真正重要的那些用例。

03 /

IteraGPU Lab v1 汇集了一份计算与内存测量 notebook、两个 Python 脚本、一份质量协议、各套餐价格以及一张空白原始表格。原创代码与文档以 MIT 许可证分发。说明中列出了前置条件，并在缺少 PyTorch 或 GPU 时给出明确报错。

测量脚本已在一张未列入目录的 RTX 5070 上使用一个 8,320 参数的网络进行测试。该试验用于检验测量工具，既不测量大模型，也不测量所租用产品的性能。内存档案中说明了测试条件和结果。

内存方法解释了各项计数器；基准测试方法在固定质量下比较结果与所选套餐的成本。分发的资源不包含预先填好的 notebook 输出或 GPU 结果。请先测量您自己的负载，再据此得出建议。

04 /

您可以自行选择软件、模型以及计算的组织方式。IteraGPU 不会检查您文件、提示词或处理过程的内容。该政策针对工作内容；它不会免除与账户、订单和支付跟踪相关的必要信息。

准备好依赖项和版本，检查使用权限，并整理好你的备份。下单时选择的环境体现了你在准备工作上的需求。在启动完整任务前，必须确认该环境与你的库、扩展和模型是否兼容。

05 /

ML 笔记会保存您录入的目标、参数和观察结果。请将您的假设与某个代码版本、一组输入以及一个订单编号关联起来。同时保留被否决的变体：内存超限、质量不足或结果不完整，都能解释下一步决策。

笔记不会运行您的代码，不会自动采集 GPU 遥测数据，也不会上传您的数据集。请将原始文件、输出和 checkpoint 保存在您自己的备份中。一条笔记应能帮您找回证据，而不是替代证据。

06 /

选择型号、时长和批次数，然后核对 USD 总额。价格对应整个套餐，并非按时计费。加密支付无需 KYC，也无需提供身份证件。名字、姓氏和邮箱用于订单跟踪。

转账后，「我已付款」会记录你的报告以供核实。付款确认与 GPU 访问权限的开通是分开跟踪的。你的账户汇集了订单、文档和支援请求；在开始处理前，请先查看准备状态。

IteraGPU 是否提供通用的 GPU 推荐？

IteraGPU 提供用于准备选择的准则和工具，但不会指定一款适用于所有负载的 GPU。内存、环境、上下文、并发和质量必须一并核实。之后，再在满足这些要求的选项之间比较预算。

两块 B200 GPU 是否构成单一内存？

一个 B200 批次包含两块 GPU，各自拥有独立内存。您的软件必须显式分摊数据或计算，才能将它们一起使用。批次构成并不证明存在统一内存、特定拓扑或某种加速。

下单时选择 PyTorch 是否就能保证我的模型可以运行？

选择环境表达的是准备偏好，并不代表对您模型的验证。请核实所需的驱动、库、扩展和版本，然后在正式训练前运行一个小型代表性用例。