سرور GPU آماده: قالب‌ها چیست و کدام را انتخاب کنیم؟
·۸ دقیقه مطالعه·تیم جی‌پی‌یو
سرور GPU آماده یعنی ماشینی که وقتی بالا می‌آید، نرم‌افزار کار شما از قبل رویش نصب و پیکربندی شده است: ComfyUI با درایور و CUDA درست، Ollama در حال اجرا، یا Jupyter با PyTorch. در جی‌پی‌یو این کار را قالب (Template) انجام می‌دهد؛ موقع اجاره یکی را انتخاب می‌کنید و به‌جای یک ساعت نصب و رفع خطای وابستگی‌ها، چند دقیقه بعد مستقیم سراغ کار اصلی می‌روید.
این راهنما برای کسی است که جلوی فهرست چند ده قالب مانده است. می‌گوییم قالب چه چیزی را عوض می‌کند، برای هر کار — تصویر، مدل زبانی، صدا، کدنویسی — کدام درست است، و بعد از اجاره چطور مطمئن شوید بالا آمده. امتحان کردنش حدود ۲۰ دقیقه وقت و با یک کارت گرافیک ارزان چند هزار تومان خرج دارد.
پیش‌نیازها
- یک حساب جی‌پی‌یو: ثبت‌نام یک دقیقه طول می‌کشد.
- کمی موجودی در کیف پول. برای امتحان کردن یک قالب، به اندازهٔ یک ساعت از نرخ ماشین کافی است؛ روش شارژ را در اجاره کارت گرافیک ساعتی: شارژ کیف پول و محاسبهٔ هزینه گفته‌ایم.
- یک کلید SSH ثبت‌شده در
/account. اگر هنوز ندارید، شروع اجاره GPU: اولین ماشین در ۱۰ دقیقه را دنبال کنید.
قالب دقیقاً چه چیزی را عوض می‌کند؟
قالب، تصویر نرم‌افزاری ماشین است. کارت گرافیک و قیمت را از بازار انتخاب می‌کنید؛ قالب تعیین می‌کند روی آن سخت‌افزار چه برنامه‌ای بالا بیاید. یک RTX 3090 می‌تواند با قالب ComfyUI تصویر بسازد یا با قالب Ollama مدل زبانی سرو کند؛ سخت‌افزار همان است، قالب فرق دارد.
سه چیز با قالب می‌آید: درایور و CUDA سازگار با آن نرم‌افزار، خود برنامه با وابستگی‌هایش، و راه ورود. برخی قالب‌ها رابط وب دارند (ComfyUI، Forge، Open WebUI، Whisper WebUI) و در صفحهٔ ماشین دکمهٔ «پنل ماشین» ظاهر می‌شود. در قالب‌های کدنویسی مثل PyTorch، وقتی Jupyter بالا آمد لینک مستقیمش با توکن در همان صفحه ظاهر می‌شود. همه هم SSH دارند.
نکتهٔ مهم: قالب فقط لحظهٔ ساخت ماشین اعمال می‌شود و بعداً عوض نمی‌شود؛ برای قالب دیگر، ماشین جدید بسازید. و چون دیسک ماشین با حذف آن پاک می‌شود، خروجی و مدل‌های دانلودشده را قبل از حذف دانلود کنید.
انتخاب ماشین مناسب
برای یاد گرفتن قالب‌ها، کارت گران لازم نیست. یک RTX 3060 با ۱۲ گیگابایت VRAM برای امتحان کردن تقریباً همهٔ قالب‌ها — SDXL در ComfyUI، مدل‌های ۸ میلیاردی در Ollama، Whisper — کافی است و در زمان نوشتن این مطلب از حدود ۱۴ هزار تومان در ساعت شروع می‌شود. اگر می‌خواهید بعد از آشنایی همان ماشین را برای کار جدی نگه دارید، RTX 3090 با ۲۴ گیگابایت VRAM انتخاب سریع‌تر است؛ در زمان نوشتن این مطلب از حدود ۳۱ هزار تومان در ساعت.
بین این دو، RTX A4000 با ۱۶ گیگابایت (در زمان نوشتن این مطلب از حدود ۲۳ هزار تومان در ساعت) گزینهٔ میانی است. RTX 4090 (در زمان نوشتن این مطلب از حدود ۱۰۷ هزار تومان در ساعت) برای این آموزش لازم نیست. برای این‌که کدام کار چقدر VRAM می‌خواهد، انتخاب کارت گرافیک هوش مصنوعی: راهنمای VRAM هر کار را بخوانید. ماشین را در بازار GPU با فیلتر مدل کارت و قیمت پیدا کنید.
کدام قالب برای کدام کار؟
فهرست قالب‌ها طولانی است، اما اگر بدانید چه می‌خواهید، انتخاب یک‌خطی است.
ساخت تصویر و ویدیو
- ComfyUI: انعطاف‌پذیرترین؛ ورک‌فلوی گره‌ای با SDXL، FLUX و ControlNet. آموزشش را در آموزش ComfyUI روی GPU ابری: اولین تصویر با SDXL نوشته‌ایم.
- SD WebUI Forge و SD Webui A1111: رابط کلاسیک Stable Diffusion؛ Forge سبک‌تر است و FLUX را هم دارد.
- Fooocus: ساده‌ترین؛ یک کادر متن و دکمهٔ Generate.
- InvokeAI و SwarmUI: رابط‌های حرفه‌ای‌تر.
- Wan2GP و Open-Sora: ساخت ویدیو؛ کارت ۲۴ گیگ را در نظر بگیرید.
آموزش مدل تصویر (LoRA)
Kohya's GUI برای LoRA روی SD 1.5 و SDXL، Flux Gym مخصوص LoRA برای FLUX.1، و Ostris AI Toolkit ابزار عمومی‌تر آموزش.
مدل زبانی
- Ollama: ساده‌ترین راه اجرای Llama و Qwen از ترمینال. اجرای مدل زبانی با Ollama روی GPU ابری را ببینید.
- Open Webui (Ollama): همان Ollama با رابط چت در مرورگر.
- vLLM، SGLang، HuggingFace TGI API: سرو مدل با API برای اپلیکیشن خودتان.
- Llama.cpp و Oobabooga Text Gen UI & API: اجرای مدل‌های GGUF.
- Langflow (Ollama): ساخت RAG با کشیدن و رها کردن. vLLM Omni: مدل‌های چندوجهی.
آموزش مدل زبانی
Unsloth Studio برای fine-tune سریع روی یک کارت ۲۴ گیگ، Axolotl برای پیکربندی کامل با فایل YAML.
صدا و موسیقی
Whisper WebUI & API برای گفتار به متن، Voicebox TTS برای متن به گفتار، ACE Step 1.5 UI & API برای ساخت موسیقی.
کدنویسی و داده
- PyTorch و PyTorch NGC: Jupyter با PyTorch آماده؛ Jupyter روی GPU ابری: اولین کد PyTorch شما با همین قالب نوشته شده.
- TensorFlow CUDA: همان برای TensorFlow. NVIDIA RAPIDS: pandas روی GPU با cuDF.
- NVIDIA CUDA: فقط درایور و CUDA؛ برای وقتی که همه‌چیز را خودتان نصب می‌کنید.
دسکتاپ و محیط عمومی
Ubuntu 22.04 VM ماشین مجازی کامل است، نه کانتینر. Ubuntu Desktop (VM) و Linux Desktop Container دسکتاپ گرافیکی می‌دهند (برای Blender و رندر). Pinokio (Desktop) نصب‌کنندهٔ یک‌کلیکی ابزارهای هوش مصنوعی است و All-in-One App Studio هم در همین دستهٔ محیط‌های عمومی است. Hashcat CUDA و Unreal Engine Pixel Streaming برای کاربردهای خاص خودشان.
اجاره و راه‌اندازی
در بازار روی ماشین موردنظر بزنید و در فرم اجاره، قالب را (مثلاً Ollama) انتخاب کنید. قیمت ساعتی با زدن «اجاره» قفل می‌شود؛ نوسان بازار دیگر روی این ماشین اثری ندارد. بعد از تأیید، صبر کنید تا وضعیت ماشین «آماده» شود؛ برای قالب‌های سبک یک تا سه دقیقه، برای قالب‌های با ایمیج بزرگ بیشتر.
در صفحهٔ ماشین این‌ها را می‌بینید، همه یک‌کلیک کپی: دستور SSH آماده، لینک Jupyter (اگر قالب داشته باشد، وقتی بالا آمد خودش ظاهر می‌شود) و توکنش، دستور «تونل امن» برای باز کردن رابط وب از طریق SSH، دکمهٔ «پنل ماشین» برای قالب‌های رابط‌وب‌دار، و فهرست «پورت‌های منتشرشده». اگر «پنل ماشین» یا لینک Jupyter را نمی‌بینید، یا قالب آن را ندارد یا هنوز بالا نیامده.
بررسی این‌که قالب درست بالا آمده
با دستور SSH صفحهٔ ماشین وارد شوید و اول کارت گرافیک را چک کنید:
nvidia-smi
باید نام کارت، VRAM و نسخهٔ درایور را نشان دهد. بعد، بسته به قالب، یک تست کوتاه:
- Ollama: مدل ۸ میلیاردی Qwen3 حدود ۵ گیگابایت است و روی ماشین با سرعت گیگابیتی چند ثانیه تا یک دقیقه دانلود می‌شود.
ollama run qwen3:8b
- ComfyUI / Forge / Fooocus / Open WebUI: دکمهٔ «پنل ماشین» را بزنید؛ رابط در تب جدید باز می‌شود. اگر از طریق SSH می‌خواهید، دستور «تونل امن» صفحهٔ ماشین را روی لپ‌تاپ اجرا کنید و نشانی محلی‌اش را در مرورگر بزنید.
- PyTorch / TensorFlow / RAPIDS: اگر لینک Jupyter در صفحهٔ ماشین ظاهر شد، بازش کنید و در یک سلول این را اجرا کنید:
import torch
print(torch.cuda.is_available(), torch.cuda.get_device_name(0))
خروجی باید True و نام کارت باشد.
اگر به مشکل خوردید
- «پنل ماشین» باز نمی‌شود. برنامه هنوز در حال بالا آمدن است؛ برخی قالب‌ها بعد از «آماده» شدن ماشین هم یکی دو دقیقه وقت می‌خواهند. اگر بعد از پنج دقیقه باز نشد، با SSH وارد شوید و
nvidia-smiبزنید تا مطمئن شوید ماشین سالم است. - CUDA out of memory. قالب درست است ولی کارت کوچک. مدل کوچک‌تر (مثلاً
qwen3:4bبه‌جایqwen3:14b) یا ابعاد تصویر کمتر، یا ماشینی با VRAM بیشتر. - قالب اشتباهی انتخاب کرده‌ام. نمی‌شود عوضش کرد. ماشین را حذف کنید و یکی جدید بسازید؛ فقط هزینهٔ همان چند دقیقه رفته است.
- می‌خواهم دو ابزار روی یک ماشین داشته باشم. قالب NVIDIA CUDA را بردارید و خودتان نصب کنید، یا دو ماشین جدا بسازید؛ راه دوم ساده‌تر است.
- ماشین «آماده» نمی‌شود. تا پنج دقیقه صبر کنید؛ اگر پیش نرفت، حذفش کنید و ماشین دیگری با همان قالب بسازید. اگر تکرار شد، در
/supportتیکت بزنید.
هزینه و صرفه‌جویی
امتحان کردن دو سه قالب روی یک RTX 3060 کمتر از یک ساعت وقت می‌گیرد؛ یعنی در زمان نوشتن این مطلب حدود ۱۴ هزار تومان. هزینه دقیقه‌ای از کیف پول کم می‌شود، پس ماشین آزمایشی را همان لحظه که تستش تمام شد متوقف یا حذف کنید؛ ماشین متوقف‌شده هزینه ندارد. اول روی کارت ارزان تصمیم بگیرید، بعد ماشین اصلی را با کارت مناسب بسازید.
یادتان باشد دیسک ماشین با حذف پاک می‌شود؛ خروجی لازم را قبل از حذف دانلود کنید.
قدم بعدی
قالبتان را انتخاب کرده‌اید؟ اگر تصویر می‌سازید، آموزش ComfyUI روی GPU ابری: اولین تصویر با SDXL را دنبال کنید؛ اگر مدل زبانی می‌خواهید، اجرای مدل زبانی با Ollama روی GPU ابری. برای کدنویسی، Jupyter روی GPU ابری: اولین کد PyTorch شما.
پرسش‌های متداول
قالب سرور GPU چیست؟
تصویر نرم‌افزاری‌ای که موقع اجاره انتخاب می‌کنید و ماشین با همان نرم‌افزار — درایور، CUDA، برنامه و راه ورود — بالا می‌آید. به‌جای نصب دستی، چند دقیقه بعد از اجاره مستقیم کار می‌کنید.
آیا می‌توانم قالب ماشین را بعد از اجاره عوض کنم؟
نه. قالب فقط در لحظهٔ ساخت ماشین اعمال می‌شود. برای قالب دیگر باید ماشین جدید بسازید و چون دیسک با حذف ماشین پاک می‌شود، خروجی‌های لازم را قبلش دانلود کنید.
بهترین قالب برای شروع ساخت تصویر با هوش مصنوعی کدام است؟
اگر تنظیمات نمی‌خواهید، Fooocus. اگر بعداً ControlNet و LoRA و FLUX هم می‌خواهید، ComfyUI. Forge وسط این دو است.
برای اجرای مدل زبانی، Ollama بهتر است یا vLLM؟
برای استفادهٔ شخصی، Ollama؛ یک دستور و تمام. برای API با چند کاربر هم‌زمان، vLLM یا SGLang سریع‌تر است.
آیا قالب ویندوز دارید؟
نه. همهٔ قالب‌ها لینوکس‌اند: کانتینر یا ماشین مجازی اوبونتو. برای دسکتاپ گرافیکی، Ubuntu Desktop (VM) یا Linux Desktop Container را انتخاب کنید.
تصویر کاور: «Shipping terminal in Singapore (Unsplash)» اثر chuttersnap، از ویکی‌مدیا کامنز، لایسنس CC0.