14 октября 2026 г. · Анатолий Крылов, редактор Тераферма
Видеокарта для машинного обучения: купить или арендовать — расчёт
Для машинного обучения в видеокарте главнее всего объём видеопамяти, а вопрос «купить или арендовать» решают часы реального обучения в месяц. Б/у RTX 3090 на 24 ГБ стоит 55–75 тыс. ₽ и начинает окупаться с 50–85 часов обучения в месяц. Студенту на диплом обычно нужно 30–60 часов за весь семестр: в аренде это 780–1 560 ₽, то есть в десятки раз дешевле покупки.
Сколько видеопамяти нужно под задачи машинного обучения
В отличие от игр, в машинном обучении скорость карты вторична. Если модель, градиенты и батч не помещаются в видеопамять, обучение не запустится или придётся урезать батч и точность. Поэтому сначала выбирают объём памяти, затем — скорость.
Ориентир для полного обучения со смешанной точностью и оптимизатором Adam: около 16 байт на каждый параметр модели (веса, градиенты, два состояния оптимизатора, мастер-копия весов) плюс память на активации. Модель на 1 млрд параметров занимает около 16 ГБ ещё до активаций.
| Задача | Пример | Сколько VRAM | Подходящие карты |
|---|---|---|---|
| Учебные курсы, табличные данные, небольшие сети | MNIST, CIFAR, простые MLP и CNN | 8–12 ГБ | RTX 3060 12 ГБ, RTX 4060 Ti 16 ГБ |
| Классификация и детекция изображений | ResNet, YOLO, ViT-Base | 12–24 ГБ | RTX 3090, RTX 4090 |
| Дообучение NLP-моделей среднего размера | BERT, T5-Base | 12–16 ГБ | RTX 4060 Ti 16 ГБ, RTX 3090 |
| QLoRA языковой модели 7–8B | Llama 3.1 8B, Qwen 7B | 12–24 ГБ | RTX 3090, RTX 4090 |
| LoRA 13B в 16 битах | Llama 13B | 30–40 ГБ | RTX 5090, A100 |
| QLoRA 70B | Llama 70B в 4 битах | 48–80 ГБ | RTX A6000, A100 |
| Полное обучение 1–3B | небольшие LLM с нуля | 32–80 ГБ | RTX 5090, A100, H100 |
| Полное обучение 7B и больше | — | 110+ ГБ | 4–8 × A100 или H100 |
Подробный рейтинг карт с ценами часа и местами под каждую задачу — в статье рейтинг видеокарт для обучения нейросетей.
Из таблицы видно главное ограничение покупки: своя карта фиксирует потолок. Купили RTX 3090 на 24 ГБ, и LoRA 13B в 16 битах и полное обучение модели на 3B на ней уже не сделать. В аренде под такую задачу на день берут A100 на 80 ГБ за 97 ₽ в час.
Сколько стоит купить видеокарту для ML в октябре 2026
Цены на карты с большим объёмом памяти в 2026 году растут: спрос на ИИ и дефицит памяти. По данным на октябрь 2026:
| Карта | Память | Цена покупки, ориентир | Источник |
|---|---|---|---|
| RTX 4060 Ti 16 ГБ | 16 ГБ | около 47–63 тыс. ₽, новая | DNS, октябрь 2026 |
| RTX 3090 | 24 ГБ | 55–75 тыс. ₽, б/у | вторичный рынок, гайды 2026 года; за рубежом $600–800 (ITZine, март 2026) |
| RTX 4090 | 24 ГБ | около 200 тыс. ₽ | снята с производства; Digital Razor, январь 2026 |
| RTX 5090 | 32 ГБ | от 350 тыс. ₽, в крупных сетях от 600 тыс. ₽ | ProKazan, август 2026; «Регард», октябрь 2026 |
| A100 80 ГБ | 80 ГБ | не продаётся в рознице | — |
Карты на 48–80 ГБ частному лицу или маленькому стартапу купить практически нельзя: серверные A100 и H100 продаются в составе серверов и стоят миллионы рублей. Для них аренда остаётся единственным реальным вариантом.
Точка безубыточности для ML-карт
Своя карта обходится дорого, даже когда выключена: она теряет в цене. Допустим, через два года вы продаёте карту за половину цены покупки (для RTX 4090 и 5090, которые сильнее дешевеют при выходе нового поколения, берём 40%). Электричество считаем для всей системы: карта плюс около 80–100 Вт на процессор и диски, тариф 6,5 ₽/кВт·ч.
Точка безубыточности, ч/мес = амортизация в месяц ÷ (цена часа аренды − электричество за час)
| Карта | Цена покупки | Амортизация в месяц | Электричество за час | Аренда сейчас, за час | Окупается с, ч/мес |
|---|---|---|---|---|---|
| RTX 4060 Ti 16 ГБ | 55 000 ₽ | ≈ 1 150 ₽ | ≈ 1,6 ₽ | 21 ₽ | 40–60 при аренде 20–30 ₽/ч |
| RTX 3090 | 65 000 ₽ | ≈ 1 350 ₽ | ≈ 2,9 ₽ | 26 ₽ | 50–85 при аренде 19–30 ₽/ч |
| RTX 4090 | 200 000 ₽ | ≈ 5 000 ₽ | ≈ 3,6 ₽ | 48 ₽ | 80–135 при аренде 40–65 ₽/ч |
| RTX 5090 | 400 000 ₽ | ≈ 10 000 ₽ | ≈ 4,4 ₽ | 83 ₽ | 115–180 при аренде 60–90 ₽/ч |
Цены аренды на маркетплейсе меняются вместе с рынком, поэтому точка безубыточности дана диапазоном. Чтобы посчитать по текущей цене, подставьте её в формулу выше. Важно: считаются часы, когда карта реально обучает модель, а не когда открыт Jupyter и вы думаете над кодом.
Дешёвые карты окупаются раньше, но и задачи на них меньше. Дорогие окупаются только при почти ежедневной нагрузке. Подробный годовой расчёт для RTX 4090 и RTX 5090 с электричеством и амортизацией есть в отдельной статье про облачный сервер и свою видеокарту; здесь сосредоточимся на том, кому что подходит в ML.
Сценарий 1. Студент: курсовая или диплом
Типичная нагрузка составляет 30–60 часов работы видеокарты за весь семестр, причём неравномерно: пара часов в неделю на отладку и несколько длинных запусков перед сдачей.
| Вариант | Расходы за семестр |
|---|---|
| Аренда RTX 3090: 50 часов | 1 300 ₽ |
| Аренда RTX 3060 на отладку (20 ч) + RTX 3090 на обучение (40 ч) | ≈ 240 + 1 040 ₽ |
| Покупка б/у RTX 3090 | 55 000–75 000 ₽ сразу + блок питания, если текущего не хватит |
Покупка имеет смысл, только если карта нужна и для другого: игр, рендера, следующих проектов, а в компьютере уже есть место и блок питания на 750 Вт и больше. Иначе аренда дешевле в десятки раз.
Как это выглядит на практике, разобрано в кейсе диплом по машинному обучению без своей видеокарты: три архитектуры детектора, подбор гиперпараметров, бюджет в рублях.
Совет студенту: пишите и отлаживайте код локально на CPU или на маленьком подмножестве данных, а видеокарту запускайте только на реальное обучение. Сохраняйте чекпойнты каждые 1–2 эпохи и скачивайте их: после остановки арендованного сервера данные удаляются.
Сценарий 2. ML-инженер: пет-проекты и работа
Здесь два разных профиля.
Пет-проекты и обучение новому. 20–50 часов обучения в месяц: дообучить модель на выходных, повторить статью, поучаствовать в соревновании на Kaggle. Это ниже или около точки безубыточности даже для недорогой RTX 3090. Аренда за 50 часов на RTX 4090 обходится в 2 400 ₽ в месяц, и каждый раз можно взять ту карту, что нужна задаче.
Ежедневная работа с моделями. 100–200 часов в месяц, задачи более-менее одинаковые и помещаются в 24 ГБ. Здесь своя RTX 3090 или RTX 4090 окупается. Но у покупки остаются ограничения:
- задачи больше 24 ГБ всё равно уходят в аренду на A100 или H100;
- подбор гиперпараметров на одной карте идёт последовательно: 8 запусков занимают 8 дней вместо одного на 8 арендованных картах;
- карта занята обучением, и параллельно экспериментировать не на чем.
Рабочая схема для инженера: своя карта на 16–24 ГБ для ежедневной отладки и небольших моделей, а длинные запуски и всё, что не помещается в память, — в аренду.
Сценарий 3. Стартап: поиск модели и запуск продукта
Нагрузка стартапа на этапе исследований идёт всплесками. Неделя — восемь карт параллельно на подбор архитектуры, затем две недели — разметка данных и почти ноль GPU.
Пример: 4 × RTX 4090 по 60 часов в одну неделю месяца дают 240 GPU-часов, 11 520 ₽. Купить четыре RTX 4090 стоит около 800 тыс. ₽ плюс платформа под четыре карты: блок питания, плата, охлаждение. При такой нагрузке покупка окупится через несколько лет, если окупится вообще: через два года выйдет новое поколение карт.
Когда стартапу покупать своё железо:
- Продукт работает, нагрузка стабильная и прогнозируемая.
- Карты заняты больше 4–6 часов в день весь год.
- Задача помещается в потребительские карты и не требует 80 ГБ на одну карту.
До этого аренда видеокарты для машинного обучения выгоднее: деньги остаются на разработку и данные, а не замораживаются в железе. Подробнее про бюджет MVP — в статье про аренду GPU для стартапа.
Какую карту арендовать под ML-задачу
| Задача | Карта в аренде | Цена часа |
|---|---|---|
| Отладка кода, учебные курсы | RTX 3060 12 ГБ | 12 ₽ |
| Компьютерное зрение, QLoRA 7–8B, Whisper | RTX 3090 24 ГБ | 26 ₽ |
| То же, но быстрее | RTX 4090 24 ГБ | 48 ₽ |
| LoRA 13B, полное обучение до 1–2B | RTX 5090 32 ГБ | 83 ₽ |
| QLoRA 70B, большие батчи | RTX A6000 48 ГБ | 66 ₽ |
| Обучение с 80 ГБ на карту | A100 80 ГБ | 97 ₽ |
| Самое быстрое обучение, FP8, несколько карт | H100 80 ГБ | 339–417 ₽ |
Самый частый выбор для учёбы и пет-проектов — RTX 3090 в аренде: 24 ГБ памяти за небольшие деньги. Когда задача упирается в скорость, а не в память, переходят на RTX 4090.
Как не переплатить в аренде
- Останавливайте сервер сразу после обучения. Списание поминутное, простой не нужен.
- Отлаживайте на дешёвой карте. Ошибка в коде на H100 стоит в десятки раз дороже, чем на RTX 3060.
- Проверяйте загрузку GPU. Если
nvidia-smiпоказывает 30–50%, карта ждёт данные, и вы платите за простой. Увеличьтеnum_workersв DataLoader и храните датасет на локальном диске сервера. - Используйте смешанную точность. bf16 по сравнению с fp32 почти вдвое сокращает память и ускоряет обучение на картах Ampere и новее.
Баланс в Тераферме ведётся в рублях и сейчас пополняется криптовалютой от 500 ₽; оплата картой российского банка пока недоступна.
Покупка видеокарты для машинного обучения окупается, только если вы обучаете модели больше 40–180 часов в месяц, в зависимости от карты и цены аренды, и ваши задачи помещаются в её память. Студенту, начинающему инженеру и стартапу на этапе исследований выгоднее аренда: не нужно вкладывать 55–400 тыс. ₽ сразу, а под каждую задачу можно взять карту с нужным объёмом памяти — от RTX 3060 до H100.
Выберите карту по таблице выше и запустите обучение: аренда видеокарты для ИИ — поминутно, минимум 15 минут за запуск.