> 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-fr/premiers-pas/cuda-pytorch-compatibility.md).

# Compatibilité CUDA et PyTorch

Choisissez une version CUDA qui correspond à la carte que vous avez louée — le seul réglage qui fait échouer plus de déploiements Clore.ai que tout autre

{% hint style="danger" %}
**Si vous louez une carte de la série RTX 50 et exécutez une image CUDA 12.4, rien ne fonctionnera.** Vous obtiendrez `aucune image noyau n’est disponible pour l’exécution sur le périphérique`. Blackwell nécessite **CUDA 12.8 ou plus récent** et **PyTorch 2.7 ou plus récent**. C’est l’échec de déploiement le plus courant sur Clore.ai, et la correction tient en une ligne.
{% endhint %}

Chaque guide de cette collection fournit une image de base. Si vous la modifiez, ou si vous installez PyTorch vous-même, la version CUDA doit correspondre à l’architecture du GPU que vous avez loué. Clore.ai est une place de marché, pas un cluster homogène : le parc va des cartes minières Pascal de 2017 aux cartes de station de travail Blackwell de 2025, et aucune image unique ne les couvre toutes.

## La matrice

| Architecture  | Capacité de calcul. | Cartes sur Clore.ai                                  | Utilisez ceci                                                   |
| ------------- | ------------------- | ---------------------------------------------------- | --------------------------------------------------------------- |
| **Blackwell** | sm\_120             | RTX 5090, 5080, 5070 Ti, 5070, 5060 Ti, RTX PRO 6000 | PyTorch **≥ 2.7** le **cu128** ou **cu13x**                     |
| **Ada**       | sm\_89              | RTX 4090, 4080, 4070 Ti, 4060 Ti                     | PyTorch ≥ 2.1 sur cu121 … cu13x (cu128 recommandé)              |
| **Ampere**    | sm\_86 / sm\_80     | RTX 3090, 3080, 3070, 3060, A6000, A2000, CMP 90HX   | PyTorch ≥ 1.13 sur cu118 … cu13x (cu128 recommandé)             |
| **Turing**    | sm\_75              | RTX 2080 Ti, GTX 1660, CMP 30HX/40HX/50HX            | N’importe quel cu118 … cu13x                                    |
| **Volta**     | sm\_70              | Tesla V100 (16 Go et 32 Go SXM2)                     | PyTorch **≤ 2.10** sur cu128, ou n’importe quel **cu126** build |
| **Pascal**    | sm\_61              | P104-100 et cartes minières similaires               | PyTorch **≤ 2.7** le **cu124** ou plus ancien                   |

Deux dépréciations prennent les gens au dépourvu :

* **Les builds cu128 de PyTorch 2.8 ont abandonné Maxwell et Pascal** (sm\_50, sm\_60).
* **PyTorch 2.11 a retiré Volta de ses binaires cu128 et cu129** (cuDNN 9.15.1 n’est pas compatible avec Volta). Les utilisateurs de V100 devraient figer `2.10.0-cuda12.8` ou utiliser un build cu126.
* **CUDA 13.0 lui-même commence à Turing** (sm\_75). Toute `image cuda13x` exclut de par sa conception Volta et Pascal.

## Images de base qui fonctionnent

```bash
# Par défaut pour tout, d’Ampere à Blackwell — c’est ce que les guides utilisent
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel     # outils de build, compilateurs, nvcc
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime   # plus petite, sans nvcc

# Les plus récentes, uniquement Turing et plus (pas de V100, pas de Pascal)
pytorch/pytorch:2.13.0-cuda13.2-cudnn9-devel

# Tesla V100 (sm_70)
pytorch/pytorch:2.10.0-cuda12.8-cudnn9-devel

# Cartes minières Pascal (sm_61)
pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel
```

Installer PyTorch dans votre propre image :

```bash
# Ampere / Ada / Blackwell
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

# Volta (V100)
pip install "torch<=2.10" torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
```

## Vérifiez ce que vous avez réellement loué

```bash
# Le pilote et la version CUDA qu’il expose
nvidia-smi

# Capacité de calcul de la carte, directement depuis torch
python -c "import torch; print(torch.cuda.get_device_name(0), torch.cuda.get_device_capability(0))"
# RTX 5090  -> (12, 0)   RTX 4090 -> (8, 9)   RTX 3090 -> (8, 6)   V100 -> (7, 0)

# Quelles architectures cette build prend réellement en charge avec des kernels
python -c "import torch; print(torch.cuda.get_arch_list())"
```

Si `get_device_capability` retourne `(12, 0)` et `get_arch_list()` n’a pas de `sm_120`, vous êtes sur la mauvaise image. Rien d’autre de ce que vous modifiez n’aidera.

{% hint style="info" %}
**Filtrez avant de louer.** La place de marché expose la version CUDA de chaque hôte. Environ **65 % des GPU de Clore.ai utilisent actuellement un pilote 13.x** et 35 % un 12.x, donc une `cu128` image est le choix par défaut le plus sûr : la compatibilité inter-version mineure de CUDA lui permet de fonctionner sur les deux.
{% endhint %}

## Messages d’erreur, décodés

| Ce que vous voyez                                                             | Ce que cela signifie                                        | Correctif                                                                                 |
| ----------------------------------------------------------------------------- | ----------------------------------------------------------- | ----------------------------------------------------------------------------------------- |
| `aucune image noyau n’est disponible pour l’exécution sur le périphérique`    | Le build n’a aucun noyau pour l’architecture de votre carte | Faites correspondre l’image à la matrice ci-dessus                                        |
| `Erreur CUDA : aucune image noyau ... sm_120`                                 | Carte Blackwell, build antérieur à 2.7 ou cu124             | Passez à `cu128` + PyTorch ≥ 2.7                                                          |
| `La version du pilote CUDA est insuffisante pour la version d’exécution CUDA` | L’image nécessite un pilote plus récent que celui de l’hôte | Choisissez une image CUDA plus ancienne, ou louez un hôte avec un pilote plus récent      |
| `torch.cuda.is_available() == False`                                          | Conteneur démarré sans accès GPU                            | Redéployez ; assurez-vous que la commande a bien attaché un GPU                           |
| `symbole indéfini : __cudaPopCallConfiguration`                               | Versions CUDA mélangées dans un même environnement          | Recompilez à partir d’une seule image de base propre ; n’ `pip install` un deuxième torch |
| Fonctionne sur la 4090, échoue sur la 5090                                    | Écart d’architecture classique                              | L’image est de l’ère Ada ; passez à cu128                                                 |

## Flash Attention et autres

Les extensions compilées portent la même contrainte que PyTorch, et accusent généralement un retard d’une version :

```bash
# Compilez par rapport au torch que vous avez déjà, pas un nouveau
pip install flash-attn --no-build-isolation

# vLLM et SGLang fournissent leurs propres builds CUDA — utilisez leurs images plutôt que
# de les installer dans une image PyTorch, sinon vous vous retrouverez avec deux torch
docker pull vllm/vllm-openai:latest
docker pull lmsysorg/sglang:latest
```

`vllm/vllm-openai:latest` et `lmsysorg/sglang:latest` tous deux contiennent des kernels Blackwell. Si vous figez une balise plus ancienne pour la reproductibilité, vérifiez qu’elle est postérieure aux RTX de la série 50, sinon vous hériterez exactement du problème dont cette page traite.

## Étapes suivantes

* [Catalogue d'images Docker](/guides/guides_v2-fr/premiers-pas/docker-images.md) — des images prêtes à déployer par charge de travail
* [Comparaison des GPU](/guides/guides_v2-fr/premiers-pas/gpu-comparison.md) — quelle carte pour quel modèle
* [Tarification GPU](/guides/guides_v2-fr/premiers-pas/pricing.md) — fourchettes en direct de la place de marché
* [Dépannage](/guides/guides_v2-fr/premiers-pas/clore-troubleshooting.md) — les autres modes de défaillance

### Liens

* [Versions précédentes de PyTorch et builds CUDA](https://pytorch.org/get-started/previous-versions/)
* [pytorch/pytorch sur Docker Hub](https://hub.docker.com/r/pytorch/pytorch/tags)
* [Capacités de calcul des GPU CUDA](https://developer.nvidia.com/cuda-gpus)
* **Louez un GPU :** [RTX 5090 32 Go](https://clore.ai/rent-5090.html) · [RTX 4090 24 Go](https://clore.ai/rent-4090.html) · [Place de marché](https://clore.ai/marketplace)


---

# 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-fr/premiers-pas/cuda-pytorch-compatibility.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.