Implante modelos em GPUs dedicadas. Cobrança por segundo apenas em réplicas em execução, opções de GPU acessíveis a partir de $0.61/h, e problemas de inferência ficam por nossa conta.
Cobrança por segundo em réplicas ativas. Reduza a zero, pague zero. Sem cobranças por endpoints ociosos, sem compromissos mínimos.
Prévia de cobrança
3 réplicas 4090 × 2h 15m 42s em execução
= 3 × 8,142s × $0.000608/s
= $14.85
Nem toda carga de trabalho precisa de uma H200. Escolha entre RTX 4090, RTX 5090, H100 — ajuste a GPU ao tamanho do seu modelo e ao seu orçamento.
RTX 4090
24 GB
a partir de$0.61/hr
H100
80 GB
a partir de$1.99/hr
H200
141 GB
a partir de$2.99/hr
OOM, erros CUDA, falhas no carregamento de modelos — nossa equipe diagnostica e resolve. Você recebe uma explicação clara, não um stack trace enigmático.
Report via console or email
Our team investigates root cause
You get diagnosis + resolution
Opções de implantação
Escolha o modelo de implantação certo para sua carga de trabalho
Pay per token600+ models availableZero infrastructure managementAuto-scaling includedBest for variable workloads
Isolated GPU resourcesGuaranteed latency SLACustom models & LoRA adaptersScale-to-zero supportBest for predictable, high-throughput workloadsPlataforma
Tudo o que você precisa para implantar, escalar e gerenciar inferência de AI em produção.
Desenvolvido com mecanismos de serviço otimizados em GPUs NVIDIA H200, H100 e RTX 4090. Latência abaixo de um segundo para aplicações em tempo real.
Escale de 0 a N réplicas automaticamente com base no tráfego. Defina réplicas mín./máx. e atraso de redução de escala para corresponder aos seus padrões de tráfego.
Troque adaptadores LoRA a quente em endpoints em execução, sem reinicializações. Implante várias variantes ajustadas em um único modelo base.
Escolha entre NVIDIA H200, H100 e RTX 4090. Selecione o paralelismo de tensores e a quantidade de GPUs para atender aos requisitos do seu modelo.
Cobrado por hora de GPU com granularidade por segundo. Escale para zero quando ocioso — sem compromisso mínimo, sem custos de GPU ociosa.
Suporte técnico dedicado, SLAs personalizados e acesso prioritário a novos tipos de GPU. Descontos por volume para grandes implantações.
Catálogo
Implante com um clique os LLMs mais populares ou traga seu próprio modelo Hugging Face.
Fluxo de trabalho
Tudo o que você precisa para implantar, escalar e gerenciar inferência de IA em produção.
001
Escolha seu modelo
Pesquise mais de 50 mil modelos do Hugging Face ou cole a URL do seu repositório privado.
002
Escolha sua GPU
Veja a GPU recomendada para o seu modelo. Escolha a que se encaixa no seu orçamento.
003
Implantar
Seu endpoint fica ativo em minutos. URL compatível com OpenAI pronta para usar.
POST
api.example.com/v1/chat/completions
Preços
| GPU | VRAM | Preço / GPU-hora |
|---|---|---|
NVIDIA H200 SXMPopular | 141 GB | $2.99 |
NVIDIA H100 SXM | 80 GB | $1.99 |
NVIDIA RTX 4090 | 24 GB | $0.61 |
Precisa de capacidade reservada ou preços personalizados?
Fale com nossa equipeFAQ
Per-second on running replicas only. When your endpoint is scaled to zero or stopped, you pay nothing. No minimum commitments, no idle charges.
Ainda tem dúvidas? Entrar em contato com o suporte
Mais de 200 modelos, GPUs sob demanda e ambientes de execução de agentes seguros — unificados em uma única API. Grátis para começar, escala conforme você cresce.
