Günstigste Cloud-GPUs unter 1 $/Stunde

Was die Preisklasse unter 1 $/Stunde tatsächlich bedeutet

Ein Startpreis unter $1,00 pro Stunde ist eine der bedeutendsten Trennlinien bei der Anmietung von Cloud-GPUs. Es ist die Schwelle, bei der das Mieten von beschleunigter Rechenleistung nicht mehr wie eine Budgetentscheidung wirkt, die man rechtfertigen muss, sondern wie etwas, das man während des Experimentierens einfach laufen lassen kann. Der obige Vergleich filtert auf Instanzen, deren Einstiegspreis diese Grenze überschreitet, aber die Zahl verdient Kontext, denn derselbe Dollar kauft sehr unterschiedliche Hardware, je nachdem, wie ein Anbieter sie beschafft und bepreist.

Das Wichtigste, was man verstehen muss, ist, dass der Preis der Startpreis ist. Er spiegelt typischerweise die günstigste brauchbare Konfiguration wider, die ein Anbieter in diesem Angebot anbietet: oft eine einzelne GPU, manchmal eine ältere oder eine Consumer-Karte, häufig auf unterbrechbarer oder Spot-Kapazität statt garantierter On-Demand-Kapazität. Multi-GPU-Knoten, neuere Rechenzentrumsbeschleuniger und reservierte On-Demand-Garantien treiben den tatsächlichen Stundenpreis deutlich über diese Grenze. Behandle Preise unter 1 $/Stunde als untere Grenze eines Einstiegs, nicht als Preis für eine vollwertige Workstation-Ausstattung.

Welche Hardware sich üblicherweise unter dieser Grenze befindet

Mehrere unterschiedliche GPU-Kategorien gruppieren sich typischerweise unter der 1 $/Stunde-Marke und verhalten sich sehr unterschiedlich:

• Consumer- und Prosumer-Karten mit GDDR6- oder GDDR6X-Speicher, üblicherweise im Bereich von 8 GB bis 24 GB VRAM. Diese bieten ein ausgezeichnetes Preis-Leistungs-Verhältnis für Single-GPU-Inferenz, leichtes Fine-Tuning, Rendering und Lernen, verfügen jedoch nicht über die Hochbandbreitenverbindung von Rechenzentrums-Hardware.
• Ältere Generationen von Rechenzentrums-GPUs, die aus der Premium-Klasse herausgefallen sind. Diese haben oft mehr VRAM und ECC-Speicher als Consumer-Karten und unterstützen Rechenzentrumsfunktionen, was sie attraktiv für stetige, unspektakuläre Inferenz- und Batch-Jobs macht.
• Bruchteilige oder zeitgeteilte Ausschnitte einer größeren GPU, bei denen ein Anbieter einen physischen Beschleuniger partitioniert, sodass der Einstiegspreis einen Anteil seiner Kapazität und nicht die ganze Karte widerspiegelt.
• Spot- oder unterbrechbare Instanzen mit Mittelklasse-Hardware, bei denen der niedrige Preis ein Rabatt im Austausch für das Recht des Anbieters ist, die Maschine kurzfristig zurückzufordern.

Aufgrund dieser Vielfalt können zwei Angebote zum gleichen Preis unter 1 $ pro Stunde sich um eine Größenordnung in nutzbarem VRAM, Speicherbandbreite und Tensor-Durchsatz unterscheiden. Lies den Preis immer im Zusammenhang mit dem tatsächlichen Silizium in der obigen Tabelle, nicht isoliert.

Für welche Arbeitslasten diese Preisklasse wirklich geeignet ist

Die Preisklasse unter 1 $/Stunde ist der Sweet Spot für eine überraschend große Menge echter Arbeit, vorausgesetzt, man stimmt den Job auf die Hardware ab:

• Inference und Bereitstellung kleiner und mittelgroßer Modelle, bei denen eine einzelne Karte mit ausreichend VRAM für die Gewichte und eine vernünftige Batch-Größe Echtzeit- oder Batch-Anfragen problemlos bewältigt.
• Fine-Tuning mit parameter-effizienten Methoden wie LoRA und QLoRA, die den Speicherbedarf drastisch reduzieren und es bescheidenen Karten ermöglichen, größere Basismodelle anzupassen.
• Prototyping, Debugging und notebook-gesteuerte Experimente, bei denen man eine GPU so günstig verfügbar haben möchte, dass man ohne Kostenkontrolle iterieren kann.
• Rendering-, Video- und Bildgenerierungspipelines, die durch den Durchsatz einer einzelnen GPU begrenzt sind und nicht auf Multi-Karten-Skalierung angewiesen sind.
• Lernen und Kursarbeiten, bei denen der Fokus auf praktischer Zeit liegt und nicht auf roher Leistung.

Wo diese Preisklasse Schwierigkeiten hat, ist das Training großer Modelle von Grund auf, Jobs, deren Gewichte und Aktivierungen den VRAM einer einzelnen erschwinglichen Karte überschreiten, und alles, was viele GPUs mit schnellem Interconnect koppeln muss. Consumer-Karten in diesem Bereich kommunizieren meist über PCIe statt über hochbandbreitige NVLink-ähnliche Verbindungen, sodass die Effizienz der Multi-GPU-Skalierung schnell abnimmt. Wenn dein Modell nicht in den Speicher einer Karte in diesem Preisbereich passt, ist die ehrliche Antwort meist, eine höhere Preisklasse zu wählen, statt gegen die Hardware anzukämpfen.

Wie sich diese Preisklasse von günstigeren und teureren Optionen unterscheidet

Deutlich günstigere Angebote, die weit unter dieser Schwelle liegen, bedeuten fast immer kleineren VRAM, ältere Architekturen, stärkere Abhängigkeit von Spot-Unterbrechungen oder dünnere Bruchteil-Ausschnitte. Sie sind für Lernen und die leichteste Inferenz geeignet, aber man stößt schneller auf Speichergrenzen und verbringt mehr Zeit damit, um Einschränkungen herum zu arbeiten.

Ab etwa 1 $/Stunde ändert sich der Charakter: Man erreicht aktuelle Rechenzentrumsbeschleuniger mit HBM-Speicher, deutlich höherer Bandbreite, moderner Low-Precision-Unterstützung wie FP8 und echten Hochgeschwindigkeitsverbindungen für Multi-GPU- und Multi-Node-Training. Diese Hardware ist es, die ernsthaftes Training und großskalige, latenzarme Inferenz erfordert. Die Preisklasse unter 1 $ versucht dort nicht zu konkurrieren; sie ist für Kosten-Effizienz bei Jobs optimiert, die auf eine einzelne, sinnvoll dimensionierte GPU passen.

Die praktische Erkenntnis ist, die Arbeitslast zuerst zu dimensionieren. Schätze den VRAM, den dein Modell in der vorgesehenen Präzision benötigt, entscheide, ob du Unterbrechungen tolerieren kannst, und lese dann erst den Preis. Eine Instanz unter 1 $ auszuwählen, nur weil sie günstig ist, und dann festzustellen, dass sie dein Modell nicht halten kann, ist der häufigste und am leichtesten vermeidbare Fehler in dieser Preisklasse.

Was du vor der Anmietung zu diesem Preis prüfen solltest

• Nutzbarer VRAM und ob dein Modell plus Arbeitsspeicher wirklich hineinpasst, inklusive Overhead für Framework und Batch-Verarbeitung.
• On-Demand versus Spot, denn ein niedriger Listenpreis signalisiert oft unterbrechbare Kapazität, die mitten im Job ohne Checkpointing verschwinden kann.
• Abrechnungsgranularität, da Abrechnung pro Sekunde oder Minute an diesem Preisniveau viel wichtiger ist als bei langlaufenden reservierten Instanzen.
• Speicher und Datenübertragungskosten, die separat abgerechnet werden und bei datenintensiven Workloads die GPU-Kosten stillschweigend übersteigen können.
• Ob die angegebene Zahl die untere Grenze ist, da der Listenpreis typischerweise eine einzelne, kleinste Konfiguration und nicht die letztlich gestartete Ausstattung darstellt.

Häufig gestellte Fragen

Ist eine GPU unter 1 $/Stunde leistungsfähig genug für echte KI-Arbeit?

Für Single-GPU-Inferenz, parameter-effizientes Fine-Tuning, Rendering und Experimente: ja. Der limitierende Faktor ist fast immer der VRAM und nicht die rohe Geschwindigkeit, sodass diese Preisklasse echte Produktionsarbeit komfortabel bewältigt, solange dein Modell in den Speicher der Karte bei der gewählten Präzision passt.

Warum haben zwei Instanzen unter 1 $/Stunde so unterschiedliche Spezifikationen?

Weil der Preis widerspiegelt, wie der Anbieter Kapazität beschafft, nicht einen festen Hardware-Standard. Ein Angebot unter 1 $ kann eine Consumer-Karte auf stabiler On-Demand-Kapazität sein, ein anderes eine ältere Rechenzentrums-GPU und ein weiteres eine Spot- oder Bruchteil-Instanz. Lies den Preis immer zusammen mit dem tatsächlichen GPU-Modell und VRAM im obigen Vergleich.

Bedeutet unter 1 $/Stunde, dass ich unterbrechbare Spot-Kapazität bekomme?

Oft, aber nicht immer. Viele der niedrigsten Preise sind Spot- oder vorab unterbrechbare Instanzen, die einen Rabatt gegen das Risiko der Rückforderung eintauschen. Einige Angebote sind echte On-Demand-Instanzen. Prüfe den Verfügbarkeitstyp im Angebot und nutze Checkpointing, falls Unterbrechungen möglich sind.

Sollte ich erwarten, dass meine Endabrechnung diesem Stundenpreis entspricht?

Nicht genau. Der Startpreis deckt die GPU-Rechenleistung für die kleinste Konfiguration ab, aber Speicher, Datenübertragung und jegliche Skalierung auf mehrere GPUs werden zusätzlich berechnet. Bei kurzen, burstartigen Jobs achte genau auf die Abrechnungsgranularität, damit du nicht auf eine volle Stunde aufgerundet wirst.