Kendi modelinizi eğitmek ya da bir LLM’i fine-tune etmek istiyorsunuz. Satın almak yerine kiralamak daha mantıklı: tek bir H100 kartı 2026’da hâlâ 25.000-40.000 dolar bandında. Bu noktada öne çıkan üç servis var: RunPod, Lambda Labs ve Vast.ai. Her birinin farklı fiyat, güvenilirlik ve esneklik profili var.
Hangi platform hangi iş yüküne uyar? Fiyatlar, GPU seçenekleri, kullanım kolaylığı ve deployment esnekliği açısından üç servisi karşılaştırdık.
Neden Cloud GPU?
Kendi donanımınızı kurmak ilk yatırımın ötesinde sürekli gider demek: elektrik, soğutma, alan ve bakım. Donanım birkaç yıl içinde değer kaybediyor. Kısa vadeli veya deneysel projeler için GPU kiralamak bu giderlerin büyük bölümünü ortadan kaldırıyor.
Cloud GPU en çok şu durumlarda işe yarıyor:
- Llama, Mistral veya Qwen gibi modelleri kendi veri setinize uyarlamak için VRAM yoğun fine-tuning
- Distributed training için çok kartlı cluster kurmak
- Büyük veri kümelerini toplu işleme (batch inference)
- Henüz olgunlaşmamış bir fikri ucuza denemek
Üç Servisin Özeti
RunPod (2022), topluluk bulutunu ve kendi resmi veri merkezlerini tek platformda birleştiriyor. Spot fiyatlı peer-to-peer listelerinden garantili kapasite ve NVLink cluster erişimine kadar geniş bir yelpaze var. API, CLI ve serverless endpoint desteği güçlü.
Lambda Labs (2012), donanım satışıyla büyüdü, şimdi cloud hizmetleri ön planda. Fiyatlar sabit ve öngörülebilir; arayüz kasıtlı olarak sade tutulmuş. Büyük distributed training cluster’ları için InfiniBand ağ altyapısı özellikle dikkat çekiyor.
Vast.ai (2018), piyasa modeli mantığıyla işliyor: GPU sahipleri kapasitelerini listeliyor, kullanıcılar filtreler uygulayıp en ucuz teklifi seçiyor. A100 veya H100’lere Lambda fiyatının çok altında erişmek mümkün; karşılığında güvenilirlik değişken.
Fiyat Karşılaştırması (Tablo)
Aşağıdaki tablo 2026 Ağustos verilerini yansıtıyor. Spot fiyatlar arz-talep dengesiyle dalgalanıyor; on-demand değerleri referans alın.
| Platform | GPU | On-Demand (saatlik) | Spot Desteği | VRAM | Bölge |
|---|---|---|---|---|---|
| RunPod | H100 SXM5 80GB | ~$3.99 | Evet | 80 GB | ABD, AB |
| RunPod | A100 SXM4 80GB | ~$2.49 | Evet | 80 GB | ABD, AB, APAC |
| RunPod | RTX 4090 24GB | ~$0.69 | Evet | 24 GB | Küresel |
| Lambda Labs | H100 SXM5 80GB | ~$4.99 | Hayır | 80 GB | ABD, Japonya |
| Lambda Labs | A100 SXM4 80GB | ~$2.49 | Hayır | 80 GB | ABD |
| Lambda Labs | A10 24GB | ~$0.75 | Hayır | 24 GB | ABD |
| Vast.ai | H100 SXM5 80GB | ~$2.80-3.80 | Evet | 80 GB | Küresel |
| Vast.ai | A100 SXM4 80GB | ~$1.60-2.20 | Evet | 80 GB | Küresel |
| Vast.ai | RTX 4090 24GB | ~$0.35-0.55 | Evet | 24 GB | Küresel |
Kaynak: RunPod fiyatlandırma · Lambda Labs fiyatlandırma · Vast.ai fiyatlandırma — Agustos 2026.
Depolama için RunPod ve Lambda Labs yaklaşık $0.10-0.20/GB/ay ücretlendirme yapıyor. Vast.ai’de depolama maliyeti listelenen sunucuya bağlı olarak değişiyor.
GPU Seçenekleri: A100, H100, RTX
Hangi GPU’nun ne zaman mantıklı olduğunu bilmek harcama optimizasyonunu doğrudan etkiliyor.
H100 SXM5 80GB: NVLink 3.x, Transformer Engine ve FP8 desteğiyle en üst tier. 70B+ parametre modellerini tam hassasiyetle eğitmek ya da training throughput süresini kısaltmak isteyenler için gerekli. Lambda Labs’da bazı dönemlerde waitlist uygulanıyor.
A100 SXM4 80GB: 7B-70B parametre arası modeller için LLM eğitiminin çalışma atı. 80 GB HBM2e belleği ve güçlü NVLink desteğiyle büyük batch boyutlarına izin veriyor. H100’e kıyasla daha yaygın ve uygun fiyatlı.
RTX 4090 24GB / A10 24GB: 7B ve daha küçük modeller için yeterli. Kuantizasyon teknikleri (GGUF, GPTQ, AWQ) uygulandığında 13B-30B modeller de 24 GB VRAM’e sığabiliyor. Prototipleme ve inference workload’ları için en uygun maliyet noktası.
Lambda Labs’ın RTX seçeneği sınırlı; yalnızca A10 sunuyor. RunPod ve Vast.ai RTX 4090 kataloğu daha geniş.
Kullanım Kolaylığı
RunPod pod oluşturmayı birkaç tıkla hallediyor. PyTorch, TensorFlow ve CUDA sürümleri için hazır şablonlar var; SSH, JupyterLab ve HTTP endpoint desteği yerleşik. CLI oldukça olgunlaşmış:
# RunPod CLI ile pod oluşturma örneği
pip install runpod
runpod config --api-key YOUR_API_KEY
runpod pod create \
--gpu-type "NVIDIA A100-SXM4-80GB" \
--image "runpod/pytorch:2.4.0-py3.11-cuda12.1.0-devel-ubuntu22.04" \
--disk-size 50 \
--volume-size 100 \
--ports "8888/http,22/tcp"Python SDK üzerinden pod lifecycle yönetimi yapılabiliyor; özellikle otomatik checkpoint kayıt ve maliyet kontrolü için işe yarıyor.
Lambda Labs en temiz arayüzü sunuyor. SSH anahtarı yükleme, instance başlatma ve bağlanma adımları sadeliğiyle dikkat çekiyor. Hazır şablonlar az ama kararlı; araştırmacılar için “kur ve çalış” modeli bu platformda en iyi işliyor. Özelleştirme RunPod kadar geniş değil.
Vast.ai arayüzü en az cilalı. Sunucu listelerini fiyat, güvenilirlik skoru, uptime yüzdesi ve bölgeye göre filtrelemek teknik kullanıcılar için sorun değil ama alışkanlık istiyor. Listelenen her makinenin altyapısı farklı olduğundan disk hızı ve ağ performansı değişken.
Fine-tuning ve Eğitim Performansı
Fine-tuning iş yükünde belirleyici parametreler VRAM kapasitesi, NVLink bant genişliği ve I/O hızı. Platform seçimi bu üçü üzerinden yapılmalı.
RunPod tek kart ve çok kartlı (8xA100, 8xH100) konfigürasyonları resmi veri merkezlerinde sunuyor. NVLink cluster’lara erişmek için resmi pod seçmek gerekiyor; topluluk bulutunda bu garanti yok. Spot pod’lar eğitim maliyetini ciddi oranda düşürüyor; tek risk ani kesilme. Checkpoint sıklığını artırmak bu riski yönetilebilir hale getiriyor.
LoRA ve Unsloth gibi yöntemlerle tek kart üzerinde 7B-13B modellerin fine-tuning’ini RunPod’da RTX 4090 ile yürütmek maliyet açısından en verimli seçenek.
Lambda Labs distributed training için InfiniBand ağıyla öne çıkıyor. 8 veya 16 GPU cluster’ları resmi sözleşmeyle kiralanabiliyor; sabit fiyat ve uptime garantisi var. Büyük ölçekli eğitimde güvenilirlik öncelikliyse Lambda’nın premium fiyatı bu altyapıyla haklı çıkıyor.
Vast.ai düşük maliyetiyle kısa süreli fine-tuning denemeleri için cazip. Çok kartlı job’larda güvenilirlik tutarsız; distributed training planlayanlar için önerilmiyor. Framework seçimiyle ilgili ek rehber için Axolotl vs Unsloth vs LlamaFactory karşılaştırması konuya ayrıntılı giriyor.
Inference ve Deployment
Eğitilmiş ya da hazır bir modeli servis etmek için GPU kiralamak fiyat hesabını değiştiriyor. Inference workload’larında ortalama GPU kullanımı daha düşük; kesintisiz çalıştırmak yerine talebe göre ölçekleme kritik.
RunPod Serverless bu alanda belirgin öne çıkıyor. Kendi modelini veya özel container’ını serverless endpoint olarak yayınlamak mümkün; trafik olmadığında çalışan container yok, dolayısıyla ücret yok. vLLM, TGI ve Triton gibi inference motorlarıyla entegre hazır imajlar var. vLLM’i ayrı bir yazıda ele aldık.
Lambda Labs kendi inference API’sini sunuyor: Llama ve benzeri popüler modeller hazır endpoint üzerinden kullanılabiliyor. Özel model deployment daha kısıtlı; esneklik RunPod’un arkasında.
Vast.ai inference için genellikle uygun değil. Uptime garantisi olmayan spot instance’lar üretim trafiğinde güvenilir çalışmıyor. Toleranslı batch işler için kabul edilebilir ama sürekli açık endpoint için değil.
Hangisini Seçmelisiniz?
Seçim büyük ölçüde önceliğinize bağlı.
RunPod tercih edin:
- Serverless inference endpoint kurmak istiyorsanız
- Spot ile on-demand arasında esnek geçiş gerekiyorsa
- CLI ve API üzerinden otomatize iş yükleri çalıştırıyorsanız
- Düzenli aralıklarla küçük-orta fine-tuning işleri yapıyorsanız
Lambda Labs tercih edin:
- Çok makineli distributed training cluster’ı kuruyorsanız
- Sabit, öngörülebilir fiyat ve uptime garantisi önceliğinizse
- Kurumsal veya araştırma ortamında kesintisiz çalışma kritikse
Vast.ai tercih edin:
- Bütçe kısıtlıysa ve deneysel iş yükleri çalıştırıyorsanız
- Tek kart LoRA fine-tuning veya hızlı prototipleme yapıyorsanız
- Güvenilirlik değişkenliğini ve olası kesintileri kabul edebiliyorsanız
RunPod çoğu iş yükü için yeterince ucuz, yeterince güvenilir ve yeterince esnek. Lambda Labs güvenilirliği fiyatla ödeyen kurumsal kullanım için mantıklı. Vast.ai en ucuz seçenek ama en çok denetim gerektiren.
VRAM kısıtıyla mücadele ediyorsanız platform değiştirmeden önce kuantizasyon araçlarını deneyin: daha küçük ve ucuz GPU’larla 30B+ modellerin nasıl çalıştırılabileceğini kuantizasyon rehberi adım adım gösteriyor.
