IA en un clic
Payé avec des crédits prépayés — ajoutés une fois, à partir de 5,00 $US ; ce qu’une application n’utilise pas reste sur votre solde.
Choisissez ce que vous voulez faire. Nous trouvons un GPU adapté, démarrons l’application et l’ouvrons pour vous — en général en une ou deux minutes ; la première fois qu’une application tourne sur une machine, son téléchargement peut prendre quelques minutes, et cette attente n’est pas facturée. Vous ne payez que le temps utilisé, et vous pouvez arrêter à tout moment.
Tapez un peu de Python, voyez le résultat juste en dessous — la façon classique d’apprendre et d’essayer l’IA.Un notebook JupyterLab avec PyTorch et le GPU déjà branchés. La façon classique d’expérimenter.
- JupyterLab dans votre navigateur
- PyTorch + CUDA prêts à l’emploi
- Les fichiers restent pendant toute la location
Exécutez `torch.cuda.is_available()` dans la première cellule — la réponse est True.
Votre propre assistant façon ChatGPT, sur un GPU que vous louez : ce que vous tapez va à cette machine, pas à une entreprise d’IA. C’est l’ordinateur de quelqu’un d’autre : n’y mettez rien de secret.Votre propre modèle façon ChatGPT, sur du matériel que vous avez loué — vos conversations vont à cette machine, pas à une entreprise d’IA.
- Discutez ici même, dans votre navigateur
- Choisissez n’importe quel modèle ouvert (Llama, Qwen, Phi…)
- Ou utilisez-le depuis votre code, via une API classique
Choisissez un modèle sur la page de la location et commencez à écrire — sans terminal, rien à installer.
Fait tourner un modèle derrière le même genre d’adresse web qu’OpenAI, pour que votre application ou votre script puisse lui parler.Servez un modèle avec une API compatible OpenAI : du code existant peut s’y brancher en changeant une seule URL.
- Qwen2.5-7B servi pour vous
- Points d’accès compatibles OpenAI
- Remplaçable par n’importe quel modèle ouvert
No GPU with at least 24 GB is free right now — try again shortly.
Le même notebook, configuré pour TensorFlow et Keras — choisissez-le si votre cours ou votre code les utilise.Un notebook JupyterLab avec TensorFlow 2 et la prise en charge du GPU, pour vos projets Keras et TF.
- JupyterLab dans votre navigateur
- TensorFlow 2 + GPU
- Les fichiers restent pendant toute la location
Exécutez `tf.config.list_physical_devices("GPU")` pour voir la carte.
Une machine vierge et un terminal, pour quand vous savez exactement ce que vous voulez installer.Une machine CUDA vierge et un terminal. Installez ce que vous voulez — c’est le plus rapide à démarrer.
- CUDA 12.4 sous Ubuntu 22.04
- Un vrai shell dans votre navigateur
- Contrôle total
Ouvrez le Terminal et lancez `nvidia-smi`.
Comment ça marche
1 Vous choisissez une application — pas un GPU. Nous trouvons la plus petite carte qui la fait bien tourner, et vous montrons le prix d’abord.
2 Nous la louons avec vos crédits, démarrons l’application et vous y emmenons — elle s’ouvre dès qu’elle répond.
3 Arrêtez quand vous voulez — le temps non utilisé revient automatiquement sur vos crédits.