RunPod vs Vast.ai: Der ehrliche Praxisvergleich für ML-Workloads
RunPod vs Vast.ai im direkten Vergleich: Preise, Community-GPU-Qualität, Setup-Aufwand und Performance für Training,...
2026-10-25 Ratgeber lesenGPU-Preisindex
H100 SXM Cloud-Mietpreise
Alle Anbieter für H100 SXM, normalisiert auf Stundenpreise inklusive VRAM- und Regionsangaben.
Recherche von GPUCloudCompare Research
80 GB VRAM
Hopper
3.35 TB/s
2 Angebote
Über die H100 SXM
- Speicher
- 80 GB
- Architektur
- Hopper
- Speicherbandbreite
- 3.35 TB/s
- Dichte FP16-Leistung
- 989 TFLOPS*
Herstellerangaben, mit Sparsity wo angegeben. Prüfen Sie vor der Cluster-Planung immer das offizielle Datenblatt.
Live-Preisvergleich
Nach Anbieter, GPU oder Region filtern – Filter laufen lokal im Browser.
| Anbieter | GPU-Modell | VRAM | GPUs | vCPU | Region | On-Demand /Std. | Spot /Std. | Aktionen |
|---|---|---|---|---|---|---|---|---|
| Vast.ai | H100 SXM | 94 GB | 1 | — | Distributed (global hosts) | 2.2762 € Bestpreis | 2.0240 € | Diese GPU mieten |
| RunPod | H100 SXM | 80 GB | 1 | — | Global (secure + community cloud) | 2.4748 € | — | Diese GPU mieten |
Keine Angebote passen zu diesen Filtern. Erhöhen Sie das Preislimit oder leeren Sie die Suche.
Welche GPUs passen gut zur H100 SXM?
Prüfen Sie mit dem LLM-VRAM-Rechner, ob ein Modell in eine H100 SXM passt, und rechnen Sie mit dem Kostenrechner einen Stundenpreis in ein Monatsbudget inklusive Speicher und Egress um.
H100 SXM im Vergleich mit anderen GPUs
Häufige Fragen
Alles rund um Cloud-GPU-Miete, Affiliate-Tracking und unsere Preisdatenerhebung.
Welche GPU eignet sich am besten für LLM-Inferenz?
Für Modelle, die in den Speicher passen, ist die Speicherbandbreite wichtiger als rohe FLOPS – Karten wie L40S, RTX 4090 oder A100 liefern daher oft mehr Token pro Dollar als eine H100. Sobald ein Modell Multi-GPU-Tensor-Parallelismus braucht, gewinnen H100- oder H200-Instanzen mit NVLink meist beim Durchsatz.
Wie viel VRAM brauche ich für Fine-Tuning?
Vollständiges Fine-Tuning benötigt grob Parameteranzahl mal Bytes pro Parameter für die Gewichte, plus Optimizer-Zustand, der um ein Vielfaches größer sein kann. LoRA und QLoRA reduzieren diesen Zustand erheblich. Nutzen Sie den LLM-VRAM-Rechner, um eine konkrete Konfiguration zu dimensionieren.