> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/quickstart.md).

# Schnellstart

{% hint style="success" %}
Keine vorherige Erfahrung mit GPU oder KI nötig. Dieser Leitfaden bringt dich in 5 Minuten von null zum Laufen von KI.
{% endhint %}

## Schritt 1: Konto erstellen & Guthaben aufladen

1. Gehe zu [clore.ai](https://clore.ai) → **Registrieren**
2. E-Mail bestätigen
3. Gehe zu **Konto** → **Einzahlung**
4. Guthaben aufladen über **CLORE**, **BTC**, **USDT**, oder **USDC** (mindestens ca. 5 $ zum Start)

## Schritt 2: Wähle eine GPU

Gehe zum [Marktplatz](https://clore.ai/marketplace) und wähle je nach Aufgabe:

| Was ich tun möchte              | Minimale GPU                  | Typisch $/Std. |
| ------------------------------- | ----------------------------- | -------------- |
| Mit KI chatten (7B-Modelle)     | RTX 3060 12 GB                | $0.03–0.07     |
| Mit KI chatten (27–32B-Modelle) | RTX 4090 24GB                 | $0.14–0.42     |
| Bilder generieren (FLUX)        | RTX 3090 24 GB                | $0.07–0.21     |
| Videos generieren               | RTX 4090 24GB                 | $0.14–0.42     |
| Musik generieren                | Jede GPU mit 4 GB+            | $0.03–0.07     |
| Stimmklonung / TTS              | RTX 3060 12 GB                | $0.03–0.07     |
| Audio transkribieren            | RTX 3060 12 GB                | $0.03–0.07     |
| Ein Modell feinabstimmen        | RTX 4090 24GB                 | $0.14–0.42     |
| 70B+-Modelle ausführen          | 2× RTX 5090 oder größeres Rig | $0.50–1.54     |

{% hint style="danger" %}
**Wichtig — prüfe mehr als nur die GPU!**

* **RAM:** Mindestens 16 GB+ für die meisten KI-Workloads
* **Netzwerk:** 500 Mbit/s+ empfohlen (Modelle werden von HuggingFace heruntergeladen)
* **Speicher:** 50 GB+ freier Speicherplatz für die Modellablage
  {% endhint %}

### Kurzanleitung für GPUs

| GPU                        | VRAM  | $/GPU/Std. | Ideal für                                |
| -------------------------- | ----- | ---------- | ---------------------------------------- |
| **RTX 3060**               | 12 GB | $0.03–0.07 | TTS, Musik, kleine Modelle               |
| **RTX 3090**               | 24 GB | $0.07–0.21 | Bildgenerierung, 27B-Q4-Modelle          |
| **RTX 4090**               | 24 GB | $0.14–0.42 | Alles bis 32B, schnelle Inferenz         |
| **RTX 5080 / 5070 Ti**     | 16 GB | $0.10–0.62 | SDXL, FLUX, 14B-Modelle                  |
| **RTX 5090**               | 32 GB | $0.25–0.77 | 27B FP8, 70B quantisiert, am schnellsten |
| **RTX PRO 6000 Blackwell** | 96GB  | $0.92–1.38 | Große Modelle auf einer Karte            |

{% hint style="info" %}
Preise sind **pro GPU pro Stunde** und werden abgerechnet **pro Minute**. A100, H200 und B200 sind nicht auf dem Marktplatz gelistet — diese Kapazität wird verkauft als [Bare Metal](https://clore.ai/bare-metal). Live-Zahlen: [GPU-Preise & Verfügbarkeit](/guides/guides_v2-de/erste-schritte/pricing.md).
{% endhint %}

## Schritt 3: Bereitstellen

Klicken Sie auf **Mieten** auf deinem gewählten Server und konfiguriere dann:

* **Bestelltyp:** On-Demand (fester Preis, garantiert) oder Spot (gebotsbasiert, kann überboten werden; etwa ein Drittel der Server hat einen Preis unter On-Demand)
* **Docker-Image:** Siehe Rezepte unten
* **Ports:** Immer einschließen `22/tcp` (SSH) + deinen App-Port
* **Umgebung:** Füge alle benötigten API-Schlüssel hinzu

### 🚀 Rezepte mit nur einem Klick

#### Mit KI chatten (Ollama + Open WebUI)

Der einfachste Weg, lokale KI auszuführen — ChatGPT-ähnliche Oberfläche mit jedem offenen Modell.

```
Image: ghcr.io/open-webui/open-webui:ollama
Ports: 22/tcp, 8080/http
```

Nach dem Bereitstellen öffne die HTTP-URL → Konto erstellen → ein Modell auswählen (Llama 4 Scout, Gemma 3, Qwen3.5) → chatten!

#### Bilderzeugung (ComfyUI)

Node-basierter Workflow für FLUX, Stable Diffusion und mehr.

```
Image: yanwk/comfyui-boot:cu130-slim
Ports: 22/tcp, 8188/http
Umgebung: CLI_ARGS=--listen 0.0.0.0
```

#### Bildgenerierung (Stable Diffusion WebUI)

Klassische UI für Stable Diffusion, SDXL und SD 3.5.

```
Image: universonic/stable-diffusion-webui:latest
Ports: 22/tcp, 8080/http
```

#### LLM-API-Server (vLLM)

Serving in Produktionsqualität mit OpenAI-kompatibler API.

```
Image: vllm/vllm-openai:latest
Ports: 22/tcp, 8000/http
Befehl: vllm serve Qwen/Qwen3.5-9B-Instruct --host 0.0.0.0 --max-model-len 8192
```

#### Musikgenerierung (ACE-Step)

Erstelle komplette Songs mit Gesang — läuft auf jeder 4GB+-GPU!

```
Ports: 22/tcp, 7860/http
```

Per SSH einloggen, dann:

```bash
git clone https://github.com/ACE-Step/ACE-Step-1.5.git && cd ACE-Step-1.5
pip install -r requirements.txt
python app.py --port 7860 --listen 0.0.0.0
```

## Schritt 4: Verbinden

Nachdem dein Auftrag gestartet ist:

1. Gehe zu **Meine Bestellungen** → finde deinen aktiven Auftrag
2. **Web-UI:** Klicke auf die HTTP-URL (z. B. `https://xxx.clorecloud.net`)
3. **SSH:** `ssh -p <port> root@<proxy-address>`

{% hint style="warning" %}
**Der erste Start dauert 5–20 Minuten** — der Server lädt KI-Modelle von HuggingFace herunter. HTTP-502-Fehler in dieser Zeit sind normal. Warte und aktualisiere.
{% endhint %}

| Bereitstellen       | Typischer Start                          |
| ------------------- | ---------------------------------------- |
| Ollama + Open WebUI | 3–5 Min.                                 |
| ComfyUI             | 10–15 Min.                               |
| vLLM                | 5–15 Min. (hängt von der Modellgröße ab) |
| SD WebUI            | 10–20 Min.                               |

## Schritt 5: Loslegen

Sobald dein Dienst läuft, sieh dir die Leitfäden für deinen konkreten Anwendungsfall an:

### 🤖 Sprachmodelle (Chat, Code, Schlussfolgern)

* [**Ollama**](/guides/guides_v2-de/sprachmodelle/ollama.md) — einfachste Modellverwaltung
* [**Llama 4 Scout**](/guides/guides_v2-de/sprachmodelle/llama4.md) — Metas neuestes, 10M Kontext
* [**Gemma 3**](/guides/guides_v2-de/sprachmodelle/gemma3.md) — Googles 27B, das 405B-Modelle schlägt
* [**Qwen3.5**](/guides/guides_v2-de/sprachmodelle/qwen35.md) — schlägt Claude 4.5 in Mathematik (Feb. 2026!)
* [**DeepSeek-R1**](/guides/guides_v2-de/sprachmodelle/deepseek-r1.md) — Chain-of-Thought-Schlussfolgern
* [**vLLM**](/guides/guides_v2-de/sprachmodelle/vllm.md) — produktionsreifer API-Betrieb

### 🎨 Bildgenerierung

* [**FLUX.2 Klein**](/guides/guides_v2-de/bildgenerierung/flux2-klein.md) — < 0,5 Sek. pro Bild!
* [**ComfyUI**](/guides/guides_v2-de/bildgenerierung/comfyui.md) — node-basierte Workflows
* [**FLUX.1**](/guides/guides_v2-de/bildgenerierung/flux.md) — höchste Qualität mit LoRA + ControlNet
* [**Stable Diffusion 3.5**](/guides/guides_v2-de/bildgenerierung/stable-diffusion-3-5.md) — beste Textdarstellung

### 🎬 Videogenerierung

* [**FramePack**](/guides/guides_v2-de/videogenerierung/framepack.md) — nur 6 GB VRAM nötig!
* [**Wan2.1**](/guides/guides_v2-de/videogenerierung/wan-video.md) — hochwertige T2V + I2V
* [**LTX-2**](/guides/guides_v2-de/videogenerierung/ltx-video-2.md) — Video MIT Audio
* [**CogVideoX**](/guides/guides_v2-de/videogenerierung/cogvideox.md) — Zhipu AIs Videomodell

### 🔊 Audio & Stimme

* [**Qwen3-TTS**](/guides/guides_v2-de/audio-and-stimme/qwen3-tts.md) — Stimmklonung, 10+ Sprachen
* [**WhisperX**](/guides/guides_v2-de/audio-and-stimme/whisperx.md) — Transkription + Sprecherdiarisierung
* [**Dia TTS**](/guides/guides_v2-de/audio-and-stimme/dia-tts.md) — Dialog mit mehreren Sprechern
* [**Kokoro**](/guides/guides_v2-de/audio-and-stimme/kokoro-tts.md) — winziges TTS, nur 2 GB VRAM

### 🎵 Musik

* [**ACE-Step**](/guides/guides_v2-de/musikgenerierung/ace-step.md) — komplette Songs auf < 4 GB VRAM

### 💻 KI-Coding

* [**TabbyML**](/guides/guides_v2-de/ki-coding-tools/tabby.md) — selbst gehostetes Copilot für 4,50 $/Monat
* [**Aider**](/guides/guides_v2-de/ki-coding-tools/aider.md) — KI-Coding-Assistent im Terminal

### 🧠 Training

* [**Unsloth**](/guides/guides_v2-de/training/unsloth-finetune.md) — 2x schneller, 70 % weniger VRAM
* [**Axolotl**](/guides/guides_v2-de/training/axolotl-training.md) — YAML-basiertes Fine-Tuning

## 💡 Tipps für Anfänger

1. **Starte mit Ollama** — das ist der einfachste Weg, KI lokal auszuprobieren
2. **Die RTX 4090 ist der Sweet Spot** — deckt 90 % der Anwendungsfälle für 0,14–0,42 $/Std. ab
3. **Nutze Spot-Aufträge** für unterbrechbare Experimente — günstiger auf etwa einem Drittel der Server, Median ca. 13 % Rabatt
4. **Nutze On-Demand** für wichtige Arbeiten — garantiert, ohne Unterbrechungen
5. **Lade deine Ausgaben herunter** bevor der Auftrag endet — die Dateien werden danach gelöscht
6. **Zahle mit CLORE-Token** — oft bessere Kurse als Stablecoins
7. **Überprüfe RAM und Netzwerk** — zu wenig RAM ist die häufigste Ursache für Fehler

## Fehlerbehebung

| Problem                    | Lösung                                                                                                |
| -------------------------- | ----------------------------------------------------------------------------------------------------- |
| HTTP 502 über längere Zeit | Warte 10–20 Min. beim ersten Start; prüfe RAM ≥ 16 GB                                                 |
| Dienst startet nicht       | RAM zu gering (16 GB+ erforderlich) oder VRAM zu klein für das Modell                                 |
| Langsamer Modell-Download  | Beim ersten Durchlauf normal; bevorzugt Server mit 500 Mbit/s+                                        |
| CUDA-Speicher erschöpft    | Verwende ein kleineres Modell oder eine größere GPU; versuche quantisierte Versionen                  |
| SSH funktioniert nicht     | Prüfe, ob der Port `22/tcp` in der Konfiguration ist; warte, bis der Server vollständig gestartet ist |

## 🐍 Python-SDK & CLI (empfohlen)

Lieber Code statt Klicken? Installiere das offizielle SDK:

```bash
pip install clore-ai
clore search --gpu "RTX 4090" --max-price 5.0
clore deploy 123 --image cloreai/ubuntu22.04-cuda12 --type on-demand --currency bitcoin --ssh-password mypass --port 22:tcp
clore ssh 456
```

Oder direkt Python verwenden:

```python
from clore_ai import CloreAI

client = CloreAI()
servers = client.marketplace(gpu="RTX 4090", max_price_usd=5.0)
order = client.create_order(server_id=servers[0].id, image="cloreai/ubuntu22.04-cuda12", type="on-demand", currency="bitcoin")
```

→ [Vollständiger Python-Quickstart](/guides/guides_v2-de/erste-schritte/python-quickstart.md) | [SDK-Anleitung](/guides/guides_v2-de/fortgeschritten/python-sdk.md) | [CLI-Automatisierung](/guides/guides_v2-de/fortgeschritten/cli-automation.md)

## Brauchst du Hilfe?

* 📖 [Vollständiger Leitfaden zur Fehlerbehebung](/guides/guides_v2-de/erste-schritte/clore-troubleshooting.md)
* 📊 [GPU-Vergleichstabelle](/guides/guides_v2-de/erste-schritte/gpu-comparison.md)
* 💰 [Preisübersicht](/guides/guides_v2-de/erste-schritte/pricing.md)
* 💬 [Discord](https://discord.com/invite/clore-ai)
* 💬 [Telegram](https://t.me/clorechat)
* 📧 <support@clore.ai>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-de/quickstart.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.