首次试运行前的疑问。

从模型和要解决的问题出发。先估算权重，再加上缓存、激活值和运行时的缓冲区。第一次试跑 3 天，可用于加载模型、检查依赖并测量显存峰值。然后再比较容量足够的配置：更新的卡并不能替代适合您负载的方案。

租用时长可选 3、7 或 30 天。结账时您可以选择 1 到 10 个份额：每份含一张卡，B200 除外，其每份含两张。三天适合有针对性的验证，七天适合一系列变体，三十天适合有组织的活动。请在开始计算前准备好数据和恢复点，以便把时间用在目标上。

显示的价格对应所选时长下的一个份额，单位为 USD。订单总额将该套餐价乘以份额数。库存表示可用显卡数量，B200 则为两卡份额的数量。例如，两个 B200 份额代表四块 GPU：份额价格不应再乘以 2。

选择 GPU、时长、份额数量以及您的环境偏好：Ubuntu、PyTorch、Blender 或其他。然后用您的名字、姓氏、邮箱和密码创建账户，或选择“我已有账户”来登录。如果您已登录，请核对预填信息和订单摘要。无需提供任何身份证件。

每块显卡都有各自独立的内存。分布式程序必须显式地将数据或计算分配到多块设备上；两块 GPU 并不会自动组成一块更大的 GPU。模型复制、层拆分和训练状态分片各自满足不同的需求。在订购多个批次之前，请先确定你的策略。

确定必须做的实验、可选的变体以及停止标准。在启动长期份额前，先跑通一个小型完整案例。保留代码版本、参数、测量结果，以及一个您真正重新加载过的 checkpoint。还要留出检查和导出结果的时间，避免把整段时间都只用于计算。

IteraGPU 在租用环节不要求提供身份证件，也不进行 KYC 身份验证流程。不过，结账时会保留您的名、姓和联系邮箱。您先选择一种资产及其网络，然后从自己的钱包发起转账。这条无需身份验证的流程，并不意味着公有链上的交易会变得匿名。

支持的方式包括：Bitcoin 上的 BTC、Ethereum 上的 ETH、Ethereum 上的 USDT 和 USDC、Solana 上的 SOL、Tron 上的 TRX 和 USDT，以及 Litecoin 上的 LTC。请选择订单中显示的资产/网络组合。对于 USDT 这类代币，仅凭名称不足以确定目标网络：相关指引会区分 Ethereum 和 Tron。

订单始终保持以 USD 计价的总金额。指引中会给出确切的加密货币金额、汇率和有效期。请在准备转账时使用仍然有效的支付意向。如果它在您发送之前过期，请从该订单重新获取指引；新金额对应的是当时获得的汇率。

转账完成后，请点击对应支付意向的按钮。“已报告付款，等待核验。”这一提示表示报告已记录，并在您返回时仍然可见。随后结算会进入核验流程。如果您使用了旧的支付意向，请在历史记录中打开它，并使用它自己的按钮。

一笔已确认的加密货币充值会为您的 USD 余额入账。随后打开租用订单，当余额足以覆盖其金额时，选择使用余额结算。充值和租用各自保留自己的参考编号，账本可用于追踪入账和出账。仅记录充值并不会增加可用资金。

在“我的租用”中即可找到该记录，然后进入订单列表。它会分别展示金额、结算情况和交付阶段。“已报告付款”对应您的申报；“已付款”对应已确认的结算。随后在提供相关信息时，查看准备状态和访问信息。

可以。您可以选择要在租用 GPU 上运行的代码、模型、依赖项和处理流程。请准备好您了解其版本和需求的环境。若要更换硬件系列，请在迁移完整方案之前，先确认您的库和扩展的兼容性。

本服务不会检查你的文件、提示词或计算内容。你始终掌控自己的处理和结果。商业跟踪使用订单和结算信息；本政策不构成对完全不存在任何技术数据或绝对匿名的承诺。

记录本汇集您在其中写下的假设、环境版本、参数和观察结果。每个实验问题使用一页记录：例如，在 batch 不变的情况下比较两种精度，或测量上下文对缓存的影​​响。清晰的笔记会将配置与测量结果和结论联系起来，而不会把估算与观察到的结果混为一谈。

使用您账户的邮箱和密码登录 IteraGPU，即可找回您的订单、余额和记录本。退出登录只会关闭会话。如果旧访客会话仍然有效且尚未绑定，那么从该会话进行新注册时，其中的数据可能会被保留。仅凭相同的邮箱地址不足以找回其他浏览器中的记录。请下载您的订单汇总，以保存有用的参考编号。

保持模型、数据集、版本、输入长度和测量规则不变。每次只改变一个变量。区分首次运行与稳定状态，并同时衡量输出质量，而不仅仅是速度。记录失败：内存峰值超限是选择下一个配置的有用信息。

记下订单编号、GPU 型号、库版本以及复现问题的步骤。如有可能，将问题缩减为具有代表性的输入，并说明预期结果。在您的私密请求中，请移除敏感信息，并以文本形式附上有用的报错信息；业务数据和完整文件请自行保管。

不能。它给出了参数存储的基准。实际运行还会增加其他对象：激活和临时分配、训练期间的梯度和优化器状态、生成期间可能的缓存。请根据你的负载规模做出估算，然后用一次有代表性的试运行进行实测。

这是根据你的输入和明确列出的各项计算出的假设。它有助于组织选型，但并不保证模型能加载或其速度。你所用软件自身的规模、格式和额外开销都可能改变需求。请将估算连同日期一并保留，然后与实测峰值进行对比。

更低的精度会改变显存、计算和数值行为之间的权衡。请用你的质量标准在相同输入上进行比较。保留权重格式、计算格式和库版本：它们的组合决定了所选变体能否复现。

程序必须在设备之间分配工作，必要时还要分配模型状态。多张显卡并不会自动合并为一个统一的内存空间。请根据模型选择并行策略，然后记录每块 GPU 上的峰值。B200 批次包含两块 GPU；内存仍按单卡描述。

先确定问题、指标和质量标准。保留输入、版本、参数、测量方法和各项单独结果。说明各变体之间的差异。如果多个要素同时变化，您可以比较整套配置，但无法将差异归因于其中某一个要素。

它只控制部分随机性来源，无法控制所有执行差异。PyTorch 不保证在不同版本、平台和设备之间完全可复现。请记录种子、确定性设置和环境。还要明确你所说的可复现指什么：完全相同的数值，还是在已说明容差范围内的可比结果。