Déployez votre image Docker sur un GPU dédié. Votre application reçoit son adresse HTTPS, vos données restent sur votre disque, vous ne payez que les heures utilisées.
Choisissez une image, lancez, puis arrêtez l’instance : la démonstration ci-dessous reprend le parcours du portail.
ghcr.io/open-webui/open-webui:ollamaGPU en direct
Sortie de l’application
Loading WebUI… ollama: GPU detected, CUDA available ollama: model loaded in 6.2 s Uvicorn running on http://0.0.0.0:8080 GET /api/chat 200
Un GPU puissant représente un investissement lourd, et il reste souvent inutilisé entre deux projets.
Réseau, images, droits, options facturées à part : il faut du temps avant d’avoir une application qui répond.
Un entraînement, une campagne de calcul, un LLM à tester : quelques heures ou quelques jours, pas une machine à l’année.
Indiquez votre image Docker, le port de votre application, les vCPU, la mémoire et le disque.
Un GPU est réservé pour vous, la machine démarre et télécharge votre image.
Votre application répond sur son adresse HTTPS. Suivez le GPU et les journaux depuis le portail.
Chaque instance tourne dans sa propre machine virtuelle, avec le GPU attribué directement à la VM. Pas de partage, pas de voisin bruyant.
Une adresse HTTPS avec un certificat valide est créée pour chaque instance.
Arrêtez l’instance le soir, redémarrez-la le lendemain : images, modèles et fichiers sont toujours là. Seule la suppression efface.
Tarif horaire sur devis selon le GPU, comptage par tranche horaire, jamais compté deux fois, détail exportable en CSV.
Moins cher, avec un délai de grâce pour vous arrêter proprement si le GPU est demandé.
Température, puissance, utilisation et mémoire du GPU, plus la sortie de votre application, sans vous connecter à la machine.
Faire tourner un modèle open source (Qwen, Gemma, Llama…) derrière une interface de discussion, sans envoyer vos données à un service tiers.
Héberger un modèle de vision ou de langage derrière une API HTTPS.
Ajuster un modèle sur vos données, puis arrêter la machine pour ne plus payer.
Calculs parallèles, simulation, traitement d’images ou de nuages de points.
Testé sur notre banc : Open WebUI et Ollama déployés depuis leur image Docker, accessibles par leur propre adresse HTTPS, sur une RTX 3090 de 24 Go.
| À la demande | Spot | |
|---|---|---|
| Le GPU | Reste à vous jusqu’à l’arrêt | Peut être repris si un client à la demande en a besoin |
| Interruption | Aucune | Après un délai de grâce pour s’arrêter proprement |
| Prix | Sur devis, à l’heure, selon le GPU | Sur devis, moins cher que l’offre à la demande |
| Pour | Applications en ligne, LLM, API | Entraînements et calculs qui peuvent reprendre |
Le chemin d’une requête, de votre navigateur jusqu’au GPU.
Les serveurs GPU ne sont pas exposés directement à Internet. Chaque action est tracée : création, réservation du GPU, démarrage, arrêt.
Chaque client dans sa propre machine virtuelle, avec un GPU dédié.
Connexion par le compte TriDyme (Keycloak), avec organisations, membres, rôles, quotas et clés d’API.
Seules les images autorisées pour votre organisation peuvent être lancées.
Il est en accès anticipé, sur demande. Décrivez-nous votre charge de calcul : nous vous ouvrons un accès et vous aidons à déployer votre première instance.
Les tarifs sont établis sur devis, selon le type de GPU et l’offre choisie. La consommation est comptée à l’heure de GPU utilisée : une instance arrêtée libère le GPU et n’est plus facturée.
Oui, sur le disque de l’instance, tant que l’instance n’est pas supprimée.
Oui, si elle est ajoutée à la liste des images autorisées pour votre organisation. Aujourd’hui : images publiques et registre registry.tridyme.ai.
Si un client à la demande a besoin du GPU, votre instance reçoit un délai de grâce pour s’arrêter proprement, puis le GPU est libéré.
Parlez-nous de votre charge de calcul : nous vous ouvrons un accès et vous aidons à déployer votre première instance.