> 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/gpu-comparison.md).

# Comparaison des GPU

Guide complet de comparaison des GPU pour les charges de travail IA sur Clore.ai

Comparaison complète des GPU disponibles sur CLORE.AI pour les charges de travail IA.

{% hint style="success" %}
Trouvez le GPU adapté à votre tâche sur [la place de marché CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Recommandation rapide

| Votre tâche                  | Choix économique | Meilleur rapport qualité-prix | Performance maximale |
| ---------------------------- | ---------------- | ----------------------------- | -------------------- |
| Discuter avec l'IA (7B)      | RTX 3060 12 Go   | RTX 3090 24 Go                | RTX 5090 32 Go       |
| Discuter avec l'IA (70B)     | RTX 3090 24 Go   | RTX 5090 32 Go                | A100 80 Go           |
| Génération d'images (SD 1.5) | RTX 3060 12 Go   | RTX 3090 24 Go                | RTX 5090 32 Go       |
| Génération d'images (SDXL)   | RTX 3090 24 Go   | RTX 4090 24 Go                | RTX 5090 32 Go       |
| Génération d'images (FLUX)   | RTX 3090 24 Go   | RTX 5090 32 Go                | A100 80 Go           |
| Génération vidéo             | RTX 4090 24 Go   | RTX 5090 32 Go                | A100 80 Go           |
| Entraînement de modèles      | A100 40 Go       | A100 80 Go                    | H100 80 Go           |

## GPU grand public

### NVIDIA RTX 3060 12 Go

**Idéal pour :** IA économique, SD 1.5, petits LLM

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 12 Go GDDR6  |
| Bande passante mémoire | 360 Go/s     |
| Performances FP16      | 12,7 TFLOPS  |
| Cœurs Tensor           | 112 (3e gen) |
| TDP                    | 170 W        |
| Prix/heure \~          | $0.02-0.04   |

**Capacités :**

* ✅ Ollama avec des modèles 7B (Q4)
* ✅ Stable Diffusion 1.5 (512x512)
* ✅ SDXL (768x768, lent)
* ⚠️ FLUX schnell (avec déchargement CPU)
* ❌ Grands modèles (>13B)
* ❌ Génération vidéo

***

### NVIDIA RTX 3070/3070 Ti 8 Go

**Idéal pour :** SD 1.5, tâches légères

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 8 Go GDDR6X  |
| Bande passante mémoire | 448-608 Go/s |
| Performances FP16      | 20,3 TFLOPS  |
| Cœurs Tensor           | 184 (3e gen) |
| TDP                    | 220-290 W    |
| Prix/heure \~          | $0.02-0.04   |

**Capacités :**

* ✅ Ollama avec des modèles 7B (Q4)
* ✅ Stable Diffusion 1.5 (512x512)
* ⚠️ SDXL (résolution faible uniquement)
* ❌ FLUX (VRAM insuffisante)
* ❌ Modèles >7B
* ❌ Génération vidéo

***

### NVIDIA RTX 3080/3080 Ti 10-12 Go

**Idéal pour :** Tâches IA générales, bon équilibre

| Spécification          | Valeur           |
| ---------------------- | ---------------- |
| VRAM                   | 10-12 Go GDDR6X  |
| Bande passante mémoire | 760-912 Go/s     |
| Performances FP16      | 29,8-34,1 TFLOPS |
| Cœurs Tensor           | 272-320 (3e gen) |
| TDP                    | 320-350 W        |
| Prix/heure \~          | $0.04-0.06       |

**Capacités :**

* ✅ Ollama avec des modèles 13B
* ✅ Stable Diffusion 1.5/2.1
* ✅ SDXL (1024x1024)
* ⚠️ FLUX schnell (avec déchargement)
* ❌ Grands modèles (>13B)
* ❌ Génération vidéo

***

### NVIDIA RTX 3090/3090 Ti 24 Go

**Idéal pour :** SDXL, LLM 13B-30B, ControlNet

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 24 Go GDDR6X |
| Bande passante mémoire | 936 Go/s     |
| Performances FP16      | 35,6 TFLOPS  |
| Cœurs Tensor           | 328 (3e gen) |
| TDP                    | 350-450 W    |
| Prix/heure \~          | $0.05-0.08   |

**Capacités :**

* ✅ Ollama avec des modèles 30B
* ✅ vLLM avec des modèles 13B
* ✅ Tous les modèles Stable Diffusion
* ✅ SDXL + ControlNet
* ✅ FLUX schnell (1024x1024)
* ⚠️ FLUX dev (avec déchargement)
* ⚠️ Vidéo (courts clips)

***

### NVIDIA RTX 4070 Ti 12 Go

**Idéal pour :** SD 1.5 rapide, inférence efficace

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 12 Go GDDR6X |
| Bande passante mémoire | 504 Go/s     |
| Performances FP16      | 40,1 TFLOPS  |
| Cœurs Tensor           | 184 (4e gen) |
| TDP                    | 285 W        |
| Prix/heure \~          | $0.04-0.06   |

**Capacités :**

* ✅ Ollama avec des modèles 7B (rapide)
* ✅ Stable Diffusion 1.5 (très rapide)
* ✅ SDXL (768x768)
* ⚠️ FLUX schnell (résolution limitée)
* ❌ Grands modèles (>13B)
* ❌ Génération vidéo

***

### NVIDIA RTX 4080 16 Go

**Idéal pour :** SDXL de production, LLM 13B

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 16 Go GDDR6X |
| Bande passante mémoire | 717 Go/s     |
| Performances FP16      | 48,7 TFLOPS  |
| Cœurs Tensor           | 304 (4e gen) |
| TDP                    | 320 W        |
| Prix/heure \~          | $0.06-0.09   |

**Capacités :**

* ✅ Ollama avec des modèles 13B (rapide)
* ✅ vLLM avec des modèles 7B
* ✅ Tous les modèles Stable Diffusion
* ✅ SDXL + ControlNet
* ✅ FLUX schnell (1024x1024)
* ⚠️ FLUX dev (limité)
* ⚠️ Courts clips vidéo

***

### NVIDIA RTX 4090 24 Go

**Idéal pour :** Performances grand public haut de gamme, FLUX, vidéo

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 24 Go GDDR6X |
| Bande passante mémoire | 1008 Go/s    |
| Performances FP16      | 82,6 TFLOPS  |
| Cœurs Tensor           | 512 (4e gen) |
| TDP                    | 450 W        |
| Prix/heure \~          | $0.08-0.12   |

**Capacités :**

* ✅ Ollama avec des modèles 30B (rapide)
* ✅ vLLM avec des modèles 13B
* ✅ Tous les modèles de génération d'images
* ✅ FLUX dev (1024x1024)
* ✅ Génération vidéo (courte)
* ✅ AnimateDiff
* ⚠️ Modèles 70B (Q4 uniquement)

***

### NVIDIA RTX 5080 16 Go *(Nouveau — fév. 2025)*

**Idéal pour :** SDXL/FLUX rapide, LLM 13B-30B, milieu de gamme hautes performances

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 16 Go GDDR7  |
| Bande passante mémoire | 960 Go/s     |
| Performances FP16      | \~80 TFLOPS  |
| Cœurs Tensor           | 336 (5e gen) |
| TDP                    | 360 W        |
| \~Prix/heure Clore.ai  | $1.50-2.00   |

**Capacités :**

* ✅ Ollama avec des modèles 13B (rapide)
* ✅ vLLM avec des modèles 13B
* ✅ Tous les modèles Stable Diffusion
* ✅ SDXL + ControlNet (très rapide)
* ✅ FLUX schnell/dev (1024x1024)
* ✅ Courts clips vidéo
* ⚠️ Modèles 30B (Q4 uniquement)
* ❌ Modèles 70B

***

### NVIDIA RTX 5090 32 Go *(Produit phare — fév. 2025)*

**Idéal pour :** Performance grand public maximale, modèles 70B, génération vidéo haute résolution

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 32 Go GDDR7  |
| Bande passante mémoire | 1792 Go/s    |
| Performances FP16      | \~120 TFLOPS |
| Cœurs Tensor           | 680 (5e gen) |
| TDP                    | 575 W        |
| \~Prix/heure Clore.ai  | $3.00-4.00   |

**Capacités :**

* ✅ Ollama avec des modèles 70B (Q4, rapide)
* ✅ vLLM avec des modèles 30B
* ✅ Tous les modèles de génération d'images
* ✅ FLUX dev (1536x1536)
* ✅ Génération vidéo (clips plus longs)
* ✅ AnimateDiff + ControlNet
* ✅ Entraînement de modèles (LoRA, petits fine-tuning)
* ✅ DeepSeek-R1 32B distill (FP16)

## GPU professionnels/datacenter

{% hint style="warning" %}
**Les configurations multi-GPU de classe 80 Go ne sont pas répertoriées sur la place de marché Clore.ai.** Les plus grosses machines répertoriées aujourd’hui sont 4× RTX PRO 6000 Blackwell (96 Go chacune, 380 Go au total) et 8–11× RTX 5090 (32 Go chacune). La capacité A100 / H200 / B200 est proposée en bare metal sur demande. Consultez [bare metal](https://clore.ai/bare-metal) sur demande. Consultez [Tarifs et disponibilité des GPU](/guides/guides_v2-fr/premiers-pas/pricing.md) avant de dimensionner un déploiement.
{% endhint %}

### NVIDIA A100 40 Go

**Idéal pour :** LLM de production, entraînement, grands modèles

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 40 Go HBM2e  |
| Bande passante mémoire | 1555 Go/s    |
| Performances FP16      | 77,97 TFLOPS |
| Cœurs Tensor           | 432 (3e gen) |
| TDP                    | 400 W        |
| Prix/heure \~          | $0.15-0.20   |

**Capacités :**

* ✅ Ollama avec des modèles 70B (Q4)
* ✅ Service de production vLLM
* ✅ Toute génération d'images
* ✅ FLUX dev (haute qualité)
* ✅ Génération vidéo
* ✅ Affinage de modèles
* ⚠️ 70B FP16 (serré)

***

### NVIDIA A100 80 Go

**Idéal pour :** Modèles 70B+, vidéo, charges de travail de production

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 80 Go HBM2e  |
| Bande passante mémoire | 2039 Go/s    |
| Performances FP16      | 77,97 TFLOPS |
| Cœurs Tensor           | 432 (3e gen) |
| TDP                    | 400 W        |
| Prix/heure \~          | $0.20-0.30   |

**Capacités :**

* ✅ Tous les LLM jusqu'à 70B (FP16)
* ✅ Service à haut débit vLLM
* ✅ Toute génération d'images
* ✅ Génération vidéo longue
* ✅ Entraînement de modèles
* ✅ DeepSeek-V3 (partiel)
* ⚠️ Modèles 100B+

***

### NVIDIA H100 80 Go

**Idéal pour :** Performance maximale, plus grands modèles

| Spécification          | Valeur       |
| ---------------------- | ------------ |
| VRAM                   | 80 Go HBM3   |
| Bande passante mémoire | 3350 Go/s    |
| Performances FP16      | 267 TFLOPS   |
| Cœurs Tensor           | 528 (4e gen) |
| TDP                    | 700 W        |
| Prix/heure \~          | $0.40-0.60   |

**Capacités :**

* ✅ Tous les modèles à vitesse maximale
* ✅ Modèles à plus de 100B de paramètres
* ✅ Service multi-modèles
* ✅ Entraînement à grande échelle
* ✅ Génération vidéo en temps réel
* ✅ DeepSeek-V3 (671B)

## Comparaisons de performances

### Inférence LLM (tokens/seconde)

| GPU            | Llama 3 8B | Llama 3 70B | Mixtral 8x7B | Clore.ai $/hr |
| -------------- | ---------- | ----------- | ------------ | ------------- |
| RTX 3060 12 Go | 25         | -           | -            | $0.02-0.04    |
| RTX 3090 24 Go | 45         | 8\*         | 20\*         | $0.15-0.25    |
| RTX 4090 24 Go | 80         | 15\*        | 35\*         | $0.35-0.55    |
| RTX 5080 16 Go | 95         | -           | 40\*         | $1.50-2.00    |
| RTX 5090 32 Go | 150        | 30\*        | 65\*         | $3.00-4.00    |
| A100 40 Go     | 100        | 25          | 45           | $0.80-1.20    |
| A100 80 Go     | 110        | 40          | 55           | $1.20-1.80    |
| H100 80 Go     | 180        | 70          | 90           | $2.50-3.50    |

\*Avec quantification (Q4/Q8)

### Vitesse de génération d'images

| GPU            | SD 1.5 (512) | SDXL (1024) | FLUX rapide | Clore.ai $/hr |
| -------------- | ------------ | ----------- | ----------- | ------------- |
| RTX 3060 12 Go | 4 s          | 15 s        | 25 s\*      | $0.02-0.04    |
| RTX 3090 24 Go | 2 s          | 7 s         | 12 s        | $0.15-0.25    |
| RTX 4090 24 Go | 1 s          | 3 s         | FLUX dev    | $0.35-0.55    |
| RTX 5080 16 Go | 0,8 s        | 2,5 s       | 4 s         | $1.50-2.00    |
| RTX 5090 32 Go | 0,6 s        | 1,8 s       | 3 s         | $3.00-4.00    |
| A100 40 Go     | 1,5 s        | 4 s         | 6 s         | $0.80-1.20    |
| A100 80 Go     | 1,5 s        | 4 s         | FLUX dev    | $1.20-1.80    |

\*Avec déchargement CPU, résolution plus faible

### Génération vidéo (clip de 5 s)

| GPU            | SVD     | Wan2.1  | Hunyuan |
| -------------- | ------- | ------- | ------- |
| RTX 3090 24 Go | 3 min   | 5 min\* | -       |
| RTX 4090 24 Go | 1,5 min | 3 min   | 8 min\* |
| RTX 5090 32 Go | 1 min   | 2 min   | 5 min   |
| A100 40 Go     | 1 min   | 2 min   | 5 min   |
| A100 80 Go     | 45 s    | 1,5 min | 3 min   |

\*Résolution limitée

## Rapport prix/performance

### Meilleur rapport qualité/prix par tâche

**Chat/LLM (modèles 7B-13B) :**

1. 🥇 RTX 3090 24 Go - Meilleur rapport prix/performance
2. 🥈 RTX 3060 12 Go - Coût le plus bas
3. 🥉 RTX 4090 24 Go - La plus rapide

**Génération d'images (SDXL/FLUX) :**

1. 🥇 RTX 3090 24 Go - Excellent équilibre
2. 🥈 RTX 4090 24 Go - 2x plus rapide
3. 🥉 A100 40 Go - Stabilité de production

**Grands modèles (70B+) :**

1. 🥇 A100 40 Go - Meilleur rapport qualité/prix pour 70B
2. 🥈 A100 80 Go - Pleine précision
3. 🥉 RTX 4090 24 Go - Option économique (Q4 uniquement)

**Génération vidéo :**

1. 🥇 A100 40 Go - Bon équilibre
2. 🥈 RTX 4090 24 Go - Option grand public
3. 🥉 A100 80 Go - Clips les plus longs

**Entraînement de modèles :**

1. 🥇 A100 40 Go - Choix standard
2. 🥈 A100 80 Go - Grands modèles
3. 🥉 RTX 4090 24 Go - Petits modèles/LoRA

## Configurations multi-GPU

Certaines tâches bénéficient de plusieurs GPU :

| Configuration | Cas d’utilisation             | VRAM totale |
| ------------- | ----------------------------- | ----------- |
| 2x RTX 3090   | Inférence 70B                 | 48GB        |
| 2x RTX 4090   | 70B rapide, entraînement      | 48GB        |
| 2x RTX 5090   | 70B FP16, entraînement rapide | 64 Go       |
| 4x RTX 5090   | Modèles 100B+                 | 128 Go      |
| 4x A100 40 Go | Modèles 100B+                 | 160 Go      |
| 8x A100 80GB  | DeepSeek-V3, Llama 405B       | 640 Go      |

## Choisir votre GPU

### Organigramme de décision

```
Quelle est votre tâche principale ?
│
├─ Chat/LLM
│  ├─ Taille du modèle ?
│  │  ├─ ≤7B → RTX 3060 ($0.03–0.07/hr)
│  │  ├─ 7B-30B → RTX 3090 ($0.07–0.21/hr)
│  │  ├─ 30B-70B → RTX 5090 32 Go ou 2× RTX 4090
│  │  └─ 70B+ → RTX PRO 6000 96 Go ou 2× RTX 5090
│
├─ Génération d'images
│  ├─ Modèle ?
│  │  ├─ SD 1.5 → RTX 3060 ($0.03–0.07/hr)
│  │  ├─ SDXL → RTX 3090 ($0.07–0.21/hr)
│  │  └─ FLUX → RTX 4090 ($0.14–0.42/hr)
│
├─ Génération vidéo
│  ├─ Durée ?
│  │  ├─ Courte (2-5 s) → RTX 4090 ($0.14–0.42/hr)
│  │  └─ Plus longue → 2× RTX 4090 ou RTX PRO 6000
│
└─ Entraînement
   ├─ LoRA/petit → RTX 4090 ($0.14–0.42/hr)
   └─ Affinage complet → 2× RTX 4090 ou RTX PRO 6000
```

## Conseils pour économiser de l'argent

1. **Utiliser les instances Spot** - environ un tiers des serveurs sont moins chers en Spot qu'à la demande, médiane d'environ 13 % de réduction
2. **Commencez petit** - Testez d'abord sur des GPU moins chers
3. **Quantifier les modèles** - Q4/Q8 permet de faire tenir des modèles plus grands dans moins de VRAM
4. **Traitement par lots** - Traitez plusieurs requêtes à la fois
5. **Heures creuses** - Meilleure disponibilité et parfois des prix plus bas

> 📚 Voir aussi : [Top 10 des GPU les moins chers pour l'entraînement IA en 2025](https://blog.clore.ai/top-10-cheapest-gpus-for-ai-training/) | [Meilleur GPU pour l'entraînement IA — Guide détaillé](https://blog.clore.ai/best-gpu-for-ai-training/)

## Étapes suivantes

* [Matrice de compatibilité des modèles](/guides/guides_v2-fr/premiers-pas/model-compatibility.md) - Quels modèles fonctionnent sur quels GPU
* [Catalogue des images Docker](/guides/guides_v2-fr/premiers-pas/docker-images.md) - Images prêtes à l'emploi
* [Guide de démarrage rapide](/guides/guides_v2-fr/quickstart.md) - Commencez en 5 minutes


---

# 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/gpu-comparison.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.