Unsere GPU-Colocation-Angebote
Angebote zum Festpreis, ausgelegt auf den Stromverbrauch eines GPU-Servers. Fordern Sie mit einem Klick ein Angebot an, wir melden uns innerhalb von 24 Geschäftsstunden.
GPU Starter
Eine Maschine mit 1 bis 2 GPUs für Inferenz, Fine-Tuning oder Bildgenerierung.
- Reservierte Leistung800 W
- Rackplatz2U
- Garantierte Bandbreite100 Mbps
- IPv4-Adressen2
- 10-Gbit/s-Uplink-PortInklusive
GPU Pro
Ein 4U-Server mit mehreren GPUs, das gängigste Format für KI im Produktivbetrieb.
- Reservierte Leistung1,5 kVA
- Rackplatz4U
- Garantierte Bandbreite250 Mbps
- IPv4-Adressen4
- 10-Gbit/s-Uplink-PortInklusive
GPU Cluster
Mehrere GPU-Server nebeneinander, verbunden im selben Rackbereich.
- Reservierte Leistung3 kVA
- Rackplatz8U
- Garantierte Bandbreite500 Mbps
- IPv4-Adressen8
- 10-Gbit/s-Uplink-PortInklusive
Individuell
Ein 8-GPU-Server, mehr als 3 kVA oder ein halbes Rack: Stellen Sie Ihren Platz zusammen.
- Rackplatz1 bis 24U
- Leistung0,5 bis 6 kVA
- Garantierte Bandbreite50 bis 1.000 Mbit/s
- 10-Gbit/s-Uplink-PortInklusive
Stellen Sie Ihren individuellen Platz zusammen
10-Gbit/s-Uplink-Port, IPv6 /64 und redundante A/B-Stromversorgung inklusive. Sie erhalten ein verbindliches Angebot innerhalb von 24 Geschäftsstunden.
- Tier-III+-Infrastruktur (N+1-Redundanz)
- IPMI-/KVM-Monitoring auf Anfrage
- Multi-Carrier-Transit
- IPv6 /64 in allen Angeboten enthalten
- Einrichtungsgebühr: 49,99 € (entfällt bei 12 Monaten Laufzeit)
Warum Ihr GPU-Server ins Rechenzentrum gehört
Eine Maschine mit mehreren Grafikkarten wird heiß, ist laut und verbraucht so viel wie ein Heizkörper. Sie gehört in ein Rack, nicht unter einen Schreibtisch.
Reservierte elektrische Leistung
Jedes Angebot reserviert ein Leistungsbudget von 800 W bis 3 kVA auf redundanter A/B-Stromversorgung: Fällt eine Quelle aus, übernimmt die andere unterbrechungsfrei, auch bei laufenden Trainings.
Netzwerk für Ihre Modelle
10-Gbit/s-Uplink-Port inklusive, Multi-Carrier-Transit, garantierte Bandbreite von 100 bis 500 Mbit/s je nach Angebot, dedizierte IPv4 und IPv6 /64. Genug, um eine Inferenz-API bereitzustellen oder Ihre Datensätze zu übertragen.
Ihre Daten bleiben bei Ihnen
Der Server gehört Ihnen und steht in Aubervilliers, im Rechenzentrum Equinix PA6. Trainingsdaten, Modellgewichte, Prompts: Nichts läuft über eine fremde Cloud-Plattform.
Fernzugriff auf Ihre Maschine
IPMI/KVM-Zugang auf Anfrage, um neu zu starten, einen NVIDIA-Treiber neu zu installieren oder den Kernel zu wechseln, ohne vor Ort zu sein. Unser Team nimmt Ihre Hardware an, baut sie ins Rack ein und schließt sie an.
Wie viel Leistung braucht Ihr GPU-Server?
Bei der GPU-Colocation bestimmt der Strom das Angebot, weit vor dem Rackplatz. So schätzen Sie die zu reservierende Leistung: Addieren Sie den maximalen Verbrauch jeder GPU und des Prozessors (CPU), dann etwa 150 W für Mainboard, RAM, NVMe-SSDs und Lüfter. Rechnen Sie anschließend 20 % Reserve für Lastspitzen hinzu.
| Grafikkarte | Grafikspeicher | Max. Verbrauch | Typische Einsätze |
|---|---|---|---|
| GeForce RTX 4090 | 24 GB GDDR6X | 450 W | LLM-Inferenz bis ca. 30 Mrd. quantisierte Parameter, Stable Diffusion, LoRA-Fine-Tuning |
| GeForce RTX 5090 | 32 GB GDDR7 | 575 W | Gleicher Einsatz wie die 4090, mit mehr Grafikspeicher |
| RTX 6000 Ada | 48 GB GDDR6 | 300 W | KI und 3D-Rendering, Dual-Slot-Karte mit Radiallüfter, passend für Rack-Gehäuse |
| L40S | 48 GB GDDR6 | 350 W | Inferenz und Bildgenerierung im Produktivbetrieb, Multi-GPU-Server |
| A100 PCIe | 80 GB HBM2e | 300 W | Training und Fine-Tuning mittelgroßer Modelle |
| H100 PCIe | 80 GB HBM2e | 350 W | Training und Inferenz großer Sprachmodelle |
Beispiel: Ein Server mit 2 RTX 4090 (2 × 450 W) und einem Prozessor mit 170 W verbraucht maximal 900 + 170 + 150 = 1.220 W. Mit 20 % Reserve kommt man auf etwa 1,45 kVA: Das Angebot GPU Pro passt. Eine einzelne Karte dieses Typs passt in GPU Starter. Herstellerwerte von NVIDIA; prüfen Sie das Datenblatt Ihres genauen Modells, manche Custom-Karten verbrauchen mehr.
GPU-Housing, Cloud, dedizierter Server oder Büro?
Vier Wege, Ihre KI-Modelle zu betreiben, mit sehr unterschiedlichen Kosten, Kontrollmöglichkeiten und Flexibilität.
| GPU-Housing | GPU-Miete in der Cloud | Gemieteter dedizierter Server oder VPS | Server im Büro | |
|---|---|---|---|---|
| Hardware | Ihre eigene, über die Zeit abgeschrieben | Gemietet, nie im Eigentum | Vom Hoster gemietet, selten mit GPU | Ihre eigene |
| Virtualisierung | Keine: physische Maschine, direkter GPU-Zugriff | Oft eine virtuelle Maschine | VPS: geteilter virtueller Server; dediziert: keine | Keine |
| Kosten | Feste Monatsmiete | Stundenweise abgerechnet, steigt bei Dauerbetrieb | Monatliche Servermiete | Strom- und Klimarechnung |
| Verwaltung | Voller Root-Zugriff, Sie verwalten OS, Firewall und Backups | Über die Konsole des Anbieters | Root-Zugriff, Managed Service je nach Angebot | Alles liegt bei Ihnen, vor Ort |
| Stromversorgung | Redundant A/B im Rechenzentrum | Vom Anbieter verwaltet | Vom Hoster verwaltet | Eine Steckdose, keine Absicherung |
| Netzwerk | 10-Gbit/s-Uplink, feste IP-Adressen | Je nach Angebot | Bandbreite je nach Angebot | Firmen-Internetanschluss |
| Daten | Auf Ihrer Maschine, in Frankreich | Beim Anbieter | Beim Hoster | In Ihren Räumen |
| Ideal für | Betrieb rund um die Uhr: Inferenz, APIs, lange Trainings | Punktueller Bedarf von wenigen Stunden | Workloads ohne GPU oder kein Hardwarekauf | Prototyping, eine einzelne Karte |
Noch keine Hardware? Dediziertes Hosting bleibt eine Option: Ein dedizierter Server erspart Ihnen den Kauf. Für einen klassischen Server ohne GPU beginnen unsere Housing-Angebote bei 1U und 100 W. Noch unentschlossen? Unser Ratgeber Housing oder verwalteter dedizierter Server vergleicht beide Ansätze, und Housing im Rechenzentrum: So funktioniert es erklärt Höheneinheiten, Racks und Anbindung.
Ihren GPU-Server im Housing verwalten
ElypseCloud ist Ihr physischer Hoster, nicht Ihr Managed-Service-Anbieter: Die Maschine bleibt vollständig unter Ihrer Kontrolle.
System und Treiber
Sie haben vollen Root-Zugriff. Installieren Sie die Distribution Ihrer Wahl, zum Beispiel Ubuntu Server oder Debian, dann die NVIDIA-Treiber, CUDA und, wenn Sie mit Containern arbeiten, Docker mit dem NVIDIA Container Toolkit.
SSH-Zugang und Firewall
SSH-Anmeldung per Schlüssel, Passwort deaktiviert, und eine Firewall (UFW oder nftables), die nur SSH und den Port Ihrer Inferenz-API offen lässt. Unsere ersten Sicherheitseinstellungen gelten unverändert.
Speicher und Backups
Modellgewichte und Datensätze liegen am besten auf NVMe-SSDs. Backups bleiben beim Housing Ihre Aufgabe: Legen Sie eine Sicherungskopie außerhalb der Maschine an für alles, was sich nicht erneut herunterladen lässt.
Was das Rechenzentrum beiträgt
Hochverfügbare Infrastruktur (A/B-Strom, N+1-Redundanz), garantierte Bandbreite, feste IP-Adressen und IPMI/KVM-Zugang auf Anfrage, um aus der Ferne wieder die Kontrolle zu übernehmen.
Was Sie in der GPU-Colocation betreiben können
LLM-Inferenz
Ein Open-Source-Modell (Llama, Mistral, Qwen…) mit vLLM, Ollama oder llama.cpp hinter Ihrer eigenen API bereitstellen, ohne Abrechnung pro Token.
Training und Fine-Tuning
Ein Modell tagelang mit PyTorch und CUDA an Ihre Daten anpassen (LoRA, QLoRA), ohne auf einen Stundenzähler zu achten.
Bild- und Videogenerierung
Stable Diffusion, Flux oder ComfyUI im Produktivbetrieb für eine Anwendung oder ein Kreativstudio.
3D-Rendering und Berechnungen
Renderfarm für Blender oder Unreal, Simulation, wissenschaftliches Rechnen: alles, was von Tausenden CUDA-Kernen profitiert.
FAQ - GPU-Housing
Alles über die Colocation von GPU- und KI-Servern im Rechenzentrum Equinix PA6.