📑 Spis Treści (13 sekcji)
Najważniejsze Wnioski i Podsumowanie (2026)
- Stawki H100 SXM na żądanie wahały się od $1,95 do $12,30 za GPU-godzinę u 32 dostawców w raporcie PetaPrice z 14 listopada 2026 r., przy medianie $3,70.
- Dobierz model rozliczeń do charakteru obciążenia: serverless dla skokowego ruchu, na żądanie do prac rozwojowych i trenowania, rezerwacje dla stałego ciągłego zapotrzebowania, spot dla zadań wsadowych odpornych na przerwania.
- Zarezerwowana pojemność wygrywa z modelem na żądanie tylko wtedy, gdy faktycznie wykorzystujesz więcej godzin niż wynika ze stosunku ceny rezerwacji do ceny na żądanie.
- Stawka godzinowa GPU nie obejmuje przestrzeni dyskowej, transferu wychodzącego (egress) ani podatków. Przed porównaniem podziel ceny instancji multi-GPU przez liczbę kart GPU.
- Szacuj koszty na podstawie własnych danych o zużyciu (godziny, wykorzystanie, przesłane dane), a nie na podstawie stawki z cennika.
Przetestuj Perplexity Pro na produkcji
Silnik badawczy AI z cytowaniami na żywo, trybem Deep Research i syntezą wielu modeli
Rozpiętość cen GPU w chmurze jest większa, niż spodziewa się większość kupujących. Raport PetaPrice z 14 listopada 2026 r. wykazał stawki H100 SXM na żądanie od $1,95 do $12,30 za GPU-godzinę u 32 dostawców, przy medianie $3,70. Różnica między najtańszą a najdroższą ofertą przekracza 6x dla tego samego układu. Stawka z cennika to dopiero początek: o tym, co trafi na fakturę, decydują model rozliczeń, czas bezczynności, pamięć masowa i transfer danych.
Ten poradnik pokazuje, ile kosztują główne modele GPU, jak działa każdy model cenowy oraz jak przeliczyć stawkę na miesięczny budżet dla Twojego obciążenia.
Co faktycznie obejmuje cena za GPU-godzinę
Cena za GPU-godzinę to koszt jednej karty GPU przez jedną godzinę. Brzmi prosto, ale słownik GPU Ledger zwraca uwagę, że kwota ta zazwyczaj nie obejmuje pamięci masowej, transferu sieciowego, podatków ani wynegocjowanych rabatów. Zaznacza też, że cenę instancji należy podzielić przez liczbę kart GPU, aby uzyskać koszt pojedynczej karty, podczas gdy niektórzy dostawcy podają wyłącznie koszt samego komponentu GPU.
Znaczenie mają również przedziały rozliczeniowe. Rozliczanie sekundowe obciąża Cię za faktycznie wykorzystany czas. Rozliczanie godzinowe może zaokrąglać niepełną godzinę w górę. W tym samym słowniku dwunastu z 29 dostawców deklarowało rozliczanie co do sekundy. Jeśli uruchamiasz wiele krótkich zadań, takich jak testy lub małe dostrajania (fine-tuning), zaokrąglenia mogą dodać zauważalną część do rachunku.
Trzy rzeczy do sprawdzenia na każdej stronie z cennikiem przed porównaniem z inną ofertą:
- Czy cena dotyczy jednej karty GPU, czy całej instancji?
- Jaki jest krok rozliczeniowy (sekunda, minuta, godzina)?
- Jakie koszty znajdują się poza stawką: dysk, egress, wsparcie, zarządzana sieć?
Silnik badawczy AI z cytowaniami na żywo, trybem Deep Research i syntezą wielu modeli
Ceny GPU w chmurze według modelu, 2026
Na żądanie, rezerwacje, spot i serverless: jak rozliczany jest każdy model
Dostawcy sprzedają ten sam sprzęt w czterech modelach rozliczeniowych. Przewodnik po modelach cenowych GMICloud oraz poradnik rozliczeniowy Spheron opisują te kompromisy w ten sam sposób.
Na żądanie (On-demand)
Brak zobowiązania czasowego, rozliczanie za czas działania, zazwyczaj po najwyższej stawce godzinowej. Dopłata wynika z elastyczności: to dostawca ponosi ryzyko niesprzedanej pojemności. Używaj tego modelu przy zrywach prac rozwojowych i eksperymentach, gdy jeszcze nie znasz swojego zużycia.
Rezerwacje (Reserved)
Zobowiązujesz się na określony czas — od tygodni do lat — w zamian za niższą stawkę i płacisz za cały okres niezależnie od tego, czy GPU pracuje, czy stoi bezczynnie. Przykłady z tabeli Compute Suppliers: Together AI H100 od $3,69 do $3,19 w zależności od okresu 3–30, 31–90 lub 91–180 dni oraz Azure H100 po $7,87 przy rezerwacji rocznej. Benchmark VendorBenchmark ze stycznia 2026 r. wskazuje na oszczędności z rocznej rezerwacji na poziomie około 40% w Azure ND H100 v5 i Google Cloud a3-highgpu oraz 32% w AWS p5.48xlarge. Strona cenowa CoreWeave reklamuje do 60% zniżki względem stawek na żądanie przy zadeklarowanym zużyciu.
Spot lub przerywalne
Przeceniona pojemność, którą dostawca może odebrać. Dokumentacja cenowa Vast.ai podaje, że instancje przerywalne są często o ponad 50% tańsze niż na żądanie i mogą zostać wstrzymane. W tabeli Compute Suppliers H100 w Together AI kosztuje $3,99 na żądanie, ale $1,99 w opcji spot. Spot sprawdza się w trenowaniu wsadowym, seriach ewaluacji i wszędzie tam, gdzie zadania zapisują punkty kontrolne i czysto się wznawiają.
Serverless
Płacisz za wywołanie lub za sekundę wykonania, a endpoint skaluje się do zera. Compute Suppliers podaje ceny serverless H100 na poziomie $3,95 za godzinę obciążenia w Modal oraz $5,39 w RunPod. Stawka godzinowa wygląda na wyższą niż na żądanie, ale płacisz tylko wtedy, gdy praca faktycznie trwa. To wygrywa przy skokowym ruchu, a przegrywa, gdy endpoint jest zajęty niemal bez przerwy.
Zasada progu rentowności dla pojemności rezerwowanej
Rezerwacja to zakład o poziom wykorzystania. Compute Suppliers formułuje tę zasadę jasno: rezerwacja wygrywa z modelem na żądanie tylko wtedy, gdy odsetek godzin, które faktycznie wykorzystujesz, przekracza cenę rezerwacji podzieloną przez cenę na żądanie.
Praktyczny przykład z ich tabeli: DigitalOcean H100 po $3,26 w rezerwacji wobec $4,41 na żądanie daje 74%. To około 540 godzin w 730-godzinnym miesiącu. Okres 91–180 dni dla H100 w Together AI daje 80% (584 godziny miesięcznie), a H100 PCIe w Hyperstack — 70% (511 godzin). To samo źródło zauważa, że sześć miesięcy jednej karty Together AI H100 po $3,19 to zobowiązanie na kwotę $13 972, więc koszt przeszacowania zużycia jest bardzo konkretny.
Praktyczna reguła kciuka z ram porównawczych GPUaaS.com z lipca 2026 r.: spot do zadań wsadowych odpornych na błędy, na żądanie do zrywów rozwojowych, a rezerwacja do przewidywalnej inferencji, gdy wykorzystanie osiąga około 60–70% lub więcej.
Jak to zastosować:
- Rejestruj swoje godziny GPU przez cztery tygodnie w trybie na żądanie lub serverless.
- Podziel wykorzystane godziny przez 730, aby uzyskać współczynnik wykorzystania.
- Porównaj go z procentowym progiem rentowności rozważanej oferty rezerwowanej.
- Zarezerwuj tylko stałą bazę, a szczyty obsługuj w modelu na żądanie.
Koszty poza stawką godzinową
Pozycja za GPU rzadko stanowi cały rachunek. Najczęściej pojawiają się cztery dodatkowe koszty.
Pamięć masowa. Dokumentacja Vast.ai przypomina, że pamięć masowa jest nadal rozliczana na zatrzymanych instancjach, dopóki jej nie usuniesz. Zaparkowana instancja z dużym dyskiem nie jest darmowa.
Egress (transfer wychodzący). GPU Ledger podaje, że dane wychodzące są zazwyczaj rozliczane za gigabajt, czasem po przekroczeniu bezpłatnego limitu, i nie są ujęte w stawce godzinowej. Przy inferencji zwracającej ciężkie wyniki, takie jak wideo, koszt ten może konkurować z kosztem obliczeń. Praktyczne wyliczenie brazylijskiego inżyniera wyceniło jedną stale włączoną kartę GPU (730 godzin) z 30 TB miesięcznego ruchu wychodzącego w czterech chmurach i pokazało, jak mocno porównanie zależy od opłat za egress.
Czas bezczynności i rozgrzewania. Analiza Modal wykonana przez BudgetForge wskazuje, że kontener jest rozliczany podczas rozgrzewania zimnego startu (cold-start warmup) oraz w każdym oknie keep-warm, a nie wyłącznie podczas obsługi zapytań. Wyliczono w niej, że H100 utrzymywana w trybie keep-warm przez 30 dni przy zerowym ruchu kosztuje $2 843. Skalowanie do zera oszczędza pieniądze tylko wtedy, gdy ustawienia keep-warm faktycznie pozwalają mu zejść do zera.
Operacje. SemiAnalysis definiuje miesięczny koszt klastra jako sumę obliczeń, pamięci masowej, sieci, płaszczyzny sterowania, wsparcia, efektywnej przepustowości (goodput), konfiguracji i debugowania. Jeśli Twój zespół spędza tydzień na debugowaniu niestabilnego klastra, ten czas wlicza się do kosztu. Gdy rachunek ujawnia lukę kadrową, na przykład brak osoby odpowiedzialnej za wykorzystanie GPU, rekrutacja w obszarze AI i machine learning staje się osobną pozycją budżetową do zaplanowania.
Jak oszacować własny rachunek za GPU w chmurze
Zacznij od obciążenia, nie od cennika. Przewodnik infrastrukturalny Allwo zaleca rozdzielenie budżetów na trenowanie, dostrajanie i inferencję oraz korzystanie z realnej telemetrii: tokenów, opóźnień, wykorzystania GPU, współbieżności i logów transferu danych.
Prosty szablon:
- Zdefiniuj zadanie. Rozmiar modelu, potrzebny typ GPU i pamięć VRAM oraz to, czy trenujesz, dostrajasz, czy serwujesz model.
- Policz GPU-godziny. Godziny na przebieg pomnożone przez liczbę przebiegów miesięcznie dla trenowania; dla serwowania — godziny, przez które endpoint musi być rozgrzany.
- Wybierz model rozliczeń z powyższej sekcji i podstaw odpowiednią stawkę.
- Dodaj pamięć masową i egress w gigabajtach, według stawek dostawcy za GB.
- Dodaj bufor na nieudane przebiegi i powtórki.
- Przelicz na koszt efektu: dolary za przebieg treningowy, za tysiąc zapytań lub za minutę wygenerowanego wideo.
Przykład: zespół serwuje model na jednej karcie H100 przez 730 godzin w miesiącu. Przy stawce na żądanie $3,70 (mediana PetaPrice) daje to $2 701 przed doliczeniem dysku i transferu egress. Jeśli endpoint jest naprawdę zajęty tylko przez 200 godzin, stawka serverless $3,95 za godzinę pracy daje $790. Przy 600 godzinach obciążenia serverless kosztuje $2 370 i zaczyna przypominać koszt zasobów dedykowanych. Korzystaj z własnych danych o zużyciu i własnych wycen, ponieważ każda liczba tutaj jest migawką z danego momentu.
Uczciwe porównywanie dostawców
Porównanie na żywo w TransAtlas oferuje przejrzystą listę kontrolną do zestawiania ofert:
- Ten sam model GPU i pamięć VRAM (H100 SXM to nie H100 PCIe).
- Ceny instancji podzielone przez liczbę GPU.
- Osobne porównywanie cen na żądanie, przerywalnych i z zobowiązaniem.
- Dostępność w regionach, egress, pamięć masowa i opłaty za dyski.
- Zimne starty, ryzyko przerwania, SLA i warunki zobowiązań.
Przy dużym pretrainingu GPUaaS.com dodaje, że najniższa stawka w cenniku nie musi oznaczać najtańszego efektu: jakość połączeń międzywęzłowych (interconnect) może decydować o czasie treningu, a tym samym o koszcie całkowitym.
Jeszcze jedna uwaga dotycząca cen regionalnych. Porównanie NerdLevelTech z lutego 2026 r. podaje AWS H100 w cenie około $6,50–$7 za GPU-godzinę w us-east-1, Google Cloud A3 High około $10,98 w us-central1 oraz Azure ND H100 v5 po $12,29 w East US, więc region i rodzina instancji zmieniają stawkę nawet u jednego dostawcy.
Nasze podejście: wyceniaj wynik, nie godzinę
Testujemy narzędzia AI w praktyce przez minimum 14 dni, mierząc realną wydajność, opóźnienia i opłacalność, i ten nawyk kształtuje sposób, w jaki czytamy cenniki GPU.
Stawka godzinowa odpowiada na jedno pytanie: ile kosztuje sprzęt? Kupujący potrzebują innej odpowiedzi: ile kosztuje ukończone zadanie? Tańsze GPU, które jest wolniejsze, przerywane lub ma za mało pamięci, może przegrać z droższym. Zarezerwowany rabat, który leży niewykorzystany, nie jest żadnym rabatem.
Dlatego zalecamy tę samą dyscyplinę, którą stosujemy wobec narzędzi: zdefiniuj obciążenie, uruchom je wystarczająco długo, by zobaczyć realne wykorzystanie, i zapisuj razem opóźnienia, przepustowość oraz łączny wydatek. Nasze podejście oparte na benchmarkach wydajności stanowi wzór: liczby przypisane do konkretnego przypadku użycia, z wyraźnie spisanymi ukrytymi kosztami i limitami planów. Jeśli korzystasz z AI poprzez narzędzia hostowane zamiast własnych GPU, obowiązuje ta sama logika, a nasze recenzje pokazują zweryfikowane ceny obok zmierzonych rezultatów.
AIMaestrohub
Wybór właściwego modelu dla Twojego obciążenia
Nietehniczni założyciele mogą pójść na skróty: jeśli nie uruchamiasz własnych modeli, być może w ogóle nie potrzebujesz surowych GPU. Hostowane narzędzia AI wliczają moc obliczeniową w abonament, a pytaniem staje się to, które narzędzie jest warte swojej ceny. Właśnie tu pomagają niezależne benchmarki.
Co dalej
Programiści budujący na bazie modeli mogą zacząć od naszego zestawienia najlepszych narzędzi AI dla developerów, a nasz poradnik jak czytać benchmarki wydajności AI wyjaśnia, jak oceniać deklaracje dotyczące opóźnień i przepustowości przed zaangażowaniem budżetu.
Źródła
- Raport cenowy GPU w chmurze PetaPrice
- Indeks cen GPU w chmurze GlobeGPU
- Porównanie cen GPU w chmurze American Compute
- Analiza progu rentowności spot vs rezerwacja Compute Suppliers
- Benchmark kosztów infrastruktury AI VendorBenchmark
- Cennik GPU w chmurze CoreWeave
- Słownik cen GPU w chmurze GPU Ledger
- Dokumentacja cenowa Vast.ai
- SemiAnalysis: Ile naprawdę kosztują klastry GPU
- Analiza cen Modal według BudgetForge
- Modele cenowe GPU w chmurze GMICloud
- Porównanie serverless vs na żądanie vs rezerwacja Spheron
- Ramy porównawcze dostawców GPUaaS.com
- Modele kosztów infrastruktury AI Allwo
- Porównanie dostawców GPU w chmurze TransAtlas
- Porównanie cen GPU AWS vs GCP vs Azure według NerdLevelTech
Najczęściej Zadawane Pytania (FAQ)
Dlaczego ceny GPU w chmurze tak bardzo różnią się dla tego samego układu?
Czy korzystanie z pojemności GPU spot lub przerywalnej jest bezpieczne?
Kiedy opłaca się rezerwacja pojemności GPU?
Czy rozliczanie GPU serverless naprawdę nic nie kosztuje w stanie bezczynności?
Blog Napędzany przez AI Maestro Hub i BabyLoveGrowth
Artykuł wykorzystuje autonomiczną architekturę SEO i treści BabyLoveGrowth (klastrowanie semantyczne, automatyczne indeksowanie IndexNow oraz organiczną wymianę linków zwrotnych).