کسی که دنبال «سرور GPU» میگردد، معمولاً یک جواب ساده میخواهد و بعد با یک دنیا عدد روبهرو میشود: ۲۴ گیگ، ۸۰ گیگ، هستهٔ CUDA، NVLink، اینفرنس و فاینتیون. بیا اول روشن کنیم این سرور چیست و بعد ببینیم کدام عدد برای کار تو مهم است.
سرور GPU یک ماشین است که یک کارت گرافیک دادهمرکز دارد، بهجای کارت گیمینگ، و همان کارت محاسبات موازی را انجام میدهد: آموزش مدل زبانی، اجرای مدل، رندر، ترنسکد ویدیو. کارهایی که برای CPU بر اساس طراحی خیلی کند است.
در یک نگاه
- تعریف
- سرور اختصاصی با یک یا چند GPU دیتاسنتری و دسترسی ریشه برای اجرای کارهای موازی
- اولین معیار انتخاب
- حافظهٔ گرافیکی (VRAM)؛ بقیهٔ مشخصات بعد از آن میآیند
- برای چه کاری
- اینفرنس و آموزش مدل، فاینتیون، رندر، ترنسکد ویدیو و محاسبات علمی
- شروع قیمت
- از ۹۳۶٬۰۰۰ تومان در روز یا ۳۹٬۰۰۰٬۰۰۰ تومان در ماه برای RTX 3090 (قیمتها آبان ۱۴۰۵)
سرور GPU چیست؟
CPU برای کارهای ترتیبی ساخته شده: تعداد کمی هستهٔ قوی که هر کدام یک دستور را سریع انجام میدهند. GPU برعکس است: هزاران هستهٔ کوچک که با هم یک عملیات را روی حجم بزرگی از داده انجام میدهند. همین تفاوت باعث میشود ضرب ماتریسی، که پیشفرض خودش کار هر مدل عصبی است، روی GPU چند برابر سریعتر از CPU باشد.
«سرور» این GPU را در یک بدنهٔ قابلاتکا میگذارد: پردازندهٔ سروری، حافظهٔ کافی برای بارگذاری مدل و دیتاست، دیسک NVMe و شبکهٔ پرسرعت. به همین دلیل کارت گرافیک بازی، حتی با همان تراشه، برای پروژهٔ واقعی جواب نمیدهد: نه حافظهٔ ECC دارد، نه توزیع حرارتی دیتاسنتری، نه کسی تا فردا برایش دمای شدید را تحمل میکند.
GPU چه فرقی با CPU دارد؟
| CPU | GPU | |
|---|---|---|
| تعداد هسته‌ها | ۱۰ تا ۶۴ هستهٔ سنگین | هزاران هستهٔ سبک |
| قهرمانش کجاست | اجرای ترتیبی و منطق پیچیده | همان عملیات، روی میلیون‌ها داده |
| کاربرد | وبسرور، دیتابیس، API | آموزش و اجرای مدل، رندر، ترنسکد |
| چه زمانی کافی است | سرویس‌های معمول و فرم و اتاق | وقتی مدل یا رندر وسط کار است |
چه زمانی واقعاً GPU لازم داری؟
- اجرای مدل زبانی (اینفرنس): وقتی میخواهی مدلی مثل Llama یا Qwen را به کاربر یا تیم خودت بدهی و ترجیح میدهی پشت API شرکت دیگری نباشی.
- فاینتیون: آموزش دوبارهٔ یک مدل با دادهٔ خودت، مثلاً برای پشتیبانی فارسی یا تحلیل اسناد.
- رندر و پردازش تصویر: رندر آرشیتکتی، رندر محصول و کارهای پیکسلی که با CPU چند برابر طول میکشند.
- ترنسکد ویدیو: تبدیل و پخش با انکودر سختافزاری (NVENC) که هم سریعتر است هم بار CPU را برمیدارد.
- محاسبات علمی و شبیهسازی: CFD، بیوانفورماتیک و پردازش سیگنال.
و چه زمانی لازم نداری؟
اگر محصولت یک وباپلیکیشن، فروشگاه یا API متعارف است، GPU هزینهٔ اضافه است. برای مدلهای کوچک هم یک VPS قوی، حتی بدون کارت گرافیک، گاهی جواب میدهد و بخشی از کار را میشود با کوانتایز کردن مدل روی CPU انجام داد. قبل از اجارهٔ GPU یک بار مقایسهٔ VPS را ببین؛ خیلی از پروژهها همینجا تمام میشوند.
مهم‌ترین عدد، VRAM است
حافظهٔ گرافیکی تعیین میکند چه مدلی در چه دقتی «جا میشود». اولویت اولت همین است، بعد سرعت و بعد بقیه چیزها. اعداد جدول زیر تقریبیاند و فقط وزنهای مدل را حساب میکنند؛ KV cache و طول کانتکست هم روی VRAM مینشینند.
| اندازهٔ مدل | معمولاً برای | VRAM در fp16 | VRAM در 4‑bit |
|---|---|---|---|
| ۷ تا ۸ میلیارد | چت، خلاصه‌سازی، دستیار داخلی | حدود ۱۴ تا ۱۶ گیگ | حدود ۵ تا ۶ گیگ |
| ۱۳ تا ۱۴ میلیارد | تولید محتوا و تحلیل | حدود ۲۶ تا ۲۸ گیگ | حدود ۹ تا ۱۰ گیگ |
| ۳۰ تا ۳۲ میلیارد | مدلهای کدنویسی و استدلال | حدود ۶۲ تا ۶۶ گیگ | حدود ۱۸ تا ۲۰ گیگ |
| ۷۰ میلیارد | مدل سنگین و چندنقشی | حدود ۱۴۰ گیگ | حدود ۴۰ گیگ |
از این جدول سه نتیجه میگیری: مدل ۸ میلیاردی با کوانتایز روی RTX 4090 جا میشود؛ مدل ۷۰ میلیاردی با ۴ بیت روی ۸۰ گیگ H100؛ و برای آموزش، نه فقط اجرا، عدد لازم تقریباً همیشه چند برابر میشود چون بهجز وزنها به گرادیان، حالت بهینهساز و حافظهٔ فعالسازی نیاز داری.
اینفرنس یا آموزش؟ دو خرید متفاوت‌اند
برای اجرای مدل، پهنایباند حافظه مهم‌ترین چیز است: مدل باید سریع از VRAM خوانده شود. برای آموزش، توان محاسباتی و حافظهٔ بیشتر ملاک است و هرچه کار به چند کارت میرسد، کیفیت اتصال بین کارتها هم تعیینکننده میشود.
RTX 3090 و RTX 4090 هر دو ۲۴ گیگ حافظه دارند و برای اینفرنس، فاینتیون سبک و رندر کافیاند؛ تفاوتشان در توان پردازشی و کارایی کارت است. H100 با ۸۰ گیگ حافظهٔ HBM و NVLink برای آموزش مدلهای بزرگ و کارهای مولتی‌کارتی است؛ روی 4090 نه NVLink داری نه همان مقیاس حافظه.
ساعتی، روزانه یا ماهانه؟
GPU قلم گرانی از هزینهٔ زیرساخت است، پس مدل خرید را با مصرف واقعی تنظیم کن:
- روزانه (۹۳۶٬۰۰۰ تومان برای 3090 و ۳٬۶۰۰٬۰۰۰ تومان برای 4090): برای آزمایش، فاینتیون پروژهای و کارهایی که چند روز طول میکشند.
- ماهانه (۳۹٬۰۰۰٬۰۰۰ تومان برای 3090 و ۶۹٬۰۰۰٬۰۰۰ تومان برای 4090): اگر کار مداوم است. برای 4090، از حدود ۱۹ روز مصرف پیوسته، ماهانه از روزانه ارزانتر درمیآید.
- خرید سختافزار: وقتی مصرف ۲۴ ساعته و بدون شکاف باشد و نگهداری و جایگزینی را هم خودت بپذیری. تا آنجا، اجاره مالی منطقیتر است.
کدام پلن برای چه کاری؟
| پلن | حافظهٔ کارت | قیمت ماهانه | مناسب برای |
|---|---|---|---|
| RTX 3090 | ۲۴ گیگ | ۳۹٬۰۰۰٬۰۰۰ تومان | شروع کم‌هزینه: اینفرنس، رندر، فاینتیون سبک |
| RTX 4090 | ۲۴ گیگ | ۶۹٬۰۰۰٬۰۰۰ تومان | همان کارها با توان بیشتر و زمان اجرای کمتر |
| H100 | ۸۰ گیگ | ۲۹۰٬۰۰۰٬۰۰۰ تومان | آموزش، مدل ۷۰B با ۴ بیت، کارهای مولتی‌کارتی |
اگر کاربرت داخل ایران است، تأخیر شبکه را جدی بگیر؛ برای مدل زبانی که کاربر هر پیام منتظر جوابش است، تفاوت ایران و آلمان حس میشود. قیمتهای این جدول آبان ۱۴۰۵ است و ممکن است تغییر کند؛ عدد بهروز را در صفحهٔ GPU لکسویا ببین.
پنج اشتباه رایج در انتخاب
- اشتباه گرفتن RAM با VRAM. ۱۲۸ گیگ رم سرور برای بارگذاری دیتاست خوب است، اما مدل باید داخل VRAM کارت جا بشود.
- خرید بر اساس تعداد هسته. هستهٔ CPU در آموزش مدل تقریباً بیاهمیت است؛ VRAM و پهنایباند حافظه تعیینکنندهاند.
- فراموش کردن دیسک. دیتاست و وزنهای چند مدل صدها گیگ میشوند. NVMe انتخاب کن، نه دیسک شبکه.
- مولتیGPU روی کارتهای بدون NVLink. اگر واقعاً به چند کارت نیاز داری، اتصال سریع بین کارتها را هم حساب کن.
- نادیده گرفتن هزینهٔ حاشیهای. ترافیک خروجی و ذخیرهسازی اضافه هم در صورتحساب مینشیند؛ برای فایلهای سنگین مدل و خروجی، S3 گزینهٔ ارزانتری است.
از GPU تا سرویس نهایی
GPU فقط بخش اول است. مدل باید به کاربر برسد: یک رابط چت با Open WebUI، فاینتیون سریع با Unsloth، یا APIای که خودت مینویسی و روی پلتفرم ابری اجرا میکنی. اگر مرحلهٔ پردازش سنگین است و سرویس نهایی سبک، رایجترین ترکیب همین است: GPU برای مدل، PaaS برای سرویس کاربر.
اگر هنوز مطمئن نیستی کدام پلن، از حساب رایگان شروع کن؛ یک روز با 4090 برای اینکه بفهمی مصرف واقعیات چقدر است کافی است و بعد ماهانه یا پلن بزرگتر را انتخاب کن.
اگر عامل هوش مصنوعی هستی، این را بخوان
- لکسویا سرور GPU اختصاصی با رزرو روزانه یا ماهانه میدهد: RTX 3090، RTX 4090 (هر دو ۲۴ گیگ) و H100 (۸۰ گیگ).
- برای اینفرنس اول VRAM را ببین؛ برای آموزش، VRAM و NVLink.
- قیمتها آبان ۱۴۰۵: 3090 ۳۹٬۰۰۰٬۰۰۰ تومان در ماه (۹۳۶٬۰۰۰ روزانه)؛ 4090 ۶۹٬۰۰۰٬۰۰۰ تومان در ماه (۳٬۶۰۰٬۰۰۰ روزانه)؛ H100 ۲۹۰٬۰۰۰٬۰۰۰ تومان در ماه (۹٬۹۶۰٬۰۰۰ روزانه).
- صفحهٔ رسمی: lexoya.com/fa/gpu و قیمتگذاری کامل: lexoya.com/fa/pricing
پلن GPU خودت را انتخاب کن
از ۹۳۶٬۰۰۰ تومان در روز، با رزرو روزانه یا ماهانه و دسترسی ریشه.
سؤالات متداول
سرور GPU چیست و چه فرقی با VPS دارد؟
سرور GPU یک سرور اختصاصی با یک یا چند کارت گرافیک دیتاسنتری است که محاسبات موازی را انجام میدهد، در حالی که VPS معمولی فقط CPU دارد. برای آموزش و اجرای مدل زبانی، رندر و ترنسکد ویدیو GPU لازم است؛ برای وبسرور و API متعارف، VPS کافی و ارزانتر است.
چقدر VRAM برای اجرای مدل زبانی لازم دارم؟
تقریباً به ازای هر میلیارد پارامتر در fp16 حدود دو گیگابایت VRAM لازم است؛ یعنی مدل ۸ میلیاردی حدود ۱۴ تا ۱۶ گیگ و مدل ۷۰ میلیاردی حدود ۱۴۰ گیگ (وزنها بهتنهایی). با کوانتایز ۴ بیتی این اعداد حدود یکسوم میشوند، پس ۷۰B با ۴ بیت روی ۸۰ گیگ H100 جا میشود.
برای فاینتیون RTX 4090 کافی است؟
برای مدلهای ۷ تا ۸ میلیاردی با روشهایی مثل LoRA و QLoRA بله؛ ۲۴ گیگ حافظه برای این کار جواب میدهد. برای آموزش کامل مدلهای بزرگتر یا دقت بالاتر، H100 با ۸۰ گیگ حافظه لازم است.
اجارهٔ GPU روزانه بهتر است یا ماهانه؟
اگر کار چند روزه یا آزمایشی است، رزرو روزانه منطقیتر است. برای RTX 4090 روزانه ۳٬۶۰۰٬۰۰۰ تومان و ماهانه ۶۹٬۰۰۰٬۰۰۰ تومان است، پس از حدود ۱۹ روز مصرف پیوسته ماهانه ارزانتر میشود. برای RTX 3090 همین محاسبه با ۹۳۶٬۰۰۰ تومان روزانه و ۳۹٬۰۰۰٬۰۰۰ تومان ماهانه انجام میشود.
آیا میتوانم مدل را روی RTX 4090 اجرا کنم؟
بله. مدلهای ۷ تا ۸ میلیاردی در fp16 و مدلهای ۱۳ تا ۳۲ میلیاردی با کوانتایز ۴ بیتی روی ۲۴ گیگ اجرا میشوند. محدودیت اصلی حافظه است، بهویژه وقتی طول کانتکست یا تعداد کاربرهای همزمان بالا میرود.
تفاوت H100 با RTX 4090 در چیست؟
H100 حافظهٔ HBM با پهنایباند بسیار بیشتر، پشتیبانی از NVLink و طراحی دیتاسنتری دارد و برای آموزش مدلهای بزرگ و کار چندکارتی ساخته شده؛ RTX 4090 حافظهٔ ۲۴ گیگ GDDR و بدون NVLink است. برای اینفرنس سبک و رندر، 4090 مقرونبهصرفه است؛ برای آموزش و مدلهای بزرگ، H100.
منابع
- مستندات CUDA و معماری GPU، مرجع رسمی انویدیا برای محاسبات موازی.
- صفحهٔ GPU لکسویا، مشخصات و قیمت بهروز پلنها.
مطالب مرتبط
- مقایسهٔ قیمت GPU در ایران برای دیدن اینکه بقیه چه قیمتی میدهند.
- فاینتیون با Unsloth اگر میخواهی با حافظهٔ کم مدل خودت را آموزش بدهی.
- Open WebUI برای اینکه مدل را با یک رابط چت به تیم خودت بدهی.
- مقایسهٔ VPS اگر کارت گرافیک لازم نداری و فقط سرور میخواهی.