VPS IA / LLM
VPS para cargas de trabalho de IA e LLM (otimizado para CPU)
Um VPS para IA é um servidor KVM com vCPU, RAM e armazenamento SSD próprios, onde auto-aloja cargas de trabalho de IA em vez de pagar por token. Os VPS da X-ZoneServers são apenas CPU, pelo que são adequados para modelos pequenos quantizados, embeddings, orquestração RAG, bases de dados vetoriais e gateways de API para modelos alojados. Não temos hardware GPU, por isso o treino em GPU e a inferência em tempo real de modelos grandes estão fora de âmbito.
Os nossos VPS para IA funcionam com virtualização KVM, com vCPU, RAM e armazenamento SSD por instância; dimensione a RAM com generosidade, porque a inferência de LLM em CPU está limitada pela largura de banda da memória e pela margem de RAM, e não pela GPU. Um modelo de 7B-8B quantizado em Q4 GGUF precisa normalmente de cerca de 16 GB de RAM para carregar e servir com folga; os modelos de 2B-3B e os modelos de embedding cabem em 4-8 GB. Todos os planos incluem tráfego não medido, proteção DDoS sempre ativa de 1 Tbps (L3/L4), acesso root completo e implementação em cerca de um minuto em sete localizações VPS na UE e no Leste dos EUA.
~60s
Tempo de implementação
Não medido
Tráfego de rede
7
Localizações VPS
1 Tbps
Proteção DDoS sempre ativa (L3/L4)
01Porquê nós
Porque funciona
Infraestrutura à medida da carga de trabalho — isolamento KVM e root completo, não uma máquina genérica.
Apenas CPU, com um âmbito honesto
Sem hardware GPU, por isso indicamos-lhe o que funciona bem em CPU: modelos pequenos quantizados, embeddings, classificação e RAG, e não treino em GPU nem inferência em tempo real de modelos grandes.
Margem de RAM e SSD
A margem de RAM é a verdadeira limitação da inferência de LLM em CPU, por isso dimensione o plano de acordo com o modelo. Cada VPS KVM executa o seu próprio kernel, com armazenamento SSD para ficheiros de modelos e índices.
Auto-aloje Ollama e llama.cpp
O acesso root completo em Ubuntu, Debian, AlmaLinux ou Rocky Linux permite executar o Ollama ou o llama.cpp a servir modelos GGUF de 3B-8B com uma API local compatível com a OpenAI.
Pronto para RAG e DBs vetoriais
Aloje Qdrant, Weaviate ou Postgres com pgvector como backend RAG privado, além do Redis e da sua camada de orquestração, na mesma instância com SSD.
Gateway de IA e automação
Execute um gateway ou router de API de IA à frente de modelos alojados e automatize pipelines de agentes com n8n, Flowise, LangChain ou LlamaIndex por trás de um endpoint HTTP estável.
Faturação à hora, com limite
Pague desde EUR 0,0056/hora e crie servidores apenas quando há uma tarefa a correr. O custo tem limite no preço mensal, pelo que um VPS a funcionar 24/7 nunca ultrapassa o plano indicado.
02Casos de uso
Ideal para
Estes servidores são adequados a quem constrói IA e quer propriedade dos dados, uma API HTTP estável e sem limites de taxa por pedido. Execute Ollama ou llama.cpp para modelos abertos pequenos, aloje Qdrant, Weaviate ou Postgres com pgvector como backend RAG, e orquestre pipelines com n8n, Flowise, LangChain ou LlamaIndex. Muitas equipas usam um VPS como gateway ou router de API de IA à frente de modelos alojados da OpenAI ou da Anthropic. Seja realista quanto à velocidade: espere de um dígito a uma dezena de tokens por segundo em CPU, ideal para trabalho em lote e assíncrono. O treino e o fine-tuning em GPU estão fora de âmbito na nossa frota apenas com CPU.
- Auto-alojar Ollama ou llama.cpp para modelos pequenos quantizados de 3B-8B
- Backends RAG com Qdrant, Weaviate ou pgvector
- Tarefas em lote de embedding e classificação de documentos
- Gateways e routers de API de IA para modelos alojados
- Pipelines de automação de IA com n8n e Flowise
- Backends de chatbot e de agentes por trás de uma API privada
03Perguntas
Perguntas frequentes
É possível executar IA ou um LLM num VPS sem GPU?
Sim, para as cargas de trabalho certas. Os modelos abertos pequenos e quantizados funcionam em CPU: modelos de 2B-3B com 4-8 GB de RAM e modelos 7B-8B Q4 GGUF com cerca de 16 GB. Embeddings, classificação, sumarização e orquestração RAG funcionam todos bem. O treino em GPU e a inferência em tempo real de modelos grandes não funcionam em CPU e estão fora de âmbito aqui.
De quanta RAM preciso para alojar um LLM num VPS?
A RAM é a limitação decisiva na inferência em CPU. Conte aproximadamente com o tamanho do modelo quantizado, mais margem para o sistema operativo e para o processo de serviço: cerca de 4-8 GB para modelos de 2B-3B e cerca de 16 GB para um modelo de 7B-8B em Q4 GGUF. As bases de dados vetoriais e os índices de embeddings precisam de RAM adicional, para além do modelo.
Posso executar o Ollama num VPS da X-ZoneServers?
Sim. Com acesso root completo num VPS Linux, pode instalar o Ollama ou o llama.cpp e servir modelos GGUF através de uma API local compatível com a OpenAI na porta 11434. Opte por modelos pequenos quantizados, dimensionados para a sua RAM. Espere entre alguns tokens e pouco mais de uma dezena de tokens por segundo, o que é adequado para tarefas em lote e assíncronas.
Quão rápida é a inferência de LLM em CPU em comparação com uma GPU?
Mais lenta, e essa é a contrapartida honesta. Em CPU, obtém normalmente entre alguns tokens e cerca de uma dúzia de tokens por segundo, muito abaixo do débito de uma GPU. Isso basta para resumir, extrair, classificar, gerar embeddings e executar tarefas em lote durante a noite, mas não para chat interativo de alto débito. Para chat em tempo real, coloque um modelo alojado por trás de um gateway de IA a correr no seu VPS.
Posso alojar um backend RAG ou uma base de dados vetorial nestes VPS?
Sim. O armazenamento SSD e o root completo tornam estes servidores uma boa opção para bases de dados vetoriais auto-alojadas, como Qdrant, Weaviate ou Postgres com pgvector, a par do Redis e de uma camada de orquestração como n8n, LangChain ou LlamaIndex. Uma instância de 4 vCPU / 16 GB cobre a maioria das implementações RAG em fase inicial.
Oferecem servidores GPU para treino ou fine-tuning?
Não. A X-ZoneServers não tem hardware GPU, pelo que o treino em GPU, o fine-tuning em escala e a inferência em tempo real de modelos grandes estão fora de âmbito. Os nossos VPS são ideais para IA adequada a CPU: modelos pequenos, embeddings, RAG, automação e utilização como gateway para modelos alojados. Para computação mais pesada, consulte os nossos servidores dedicados.
04Relacionado
Produtos e casos de uso relacionados
Começar
Implemente um VPS para IA em cerca de um minuto
Crie um VPS KVM otimizado para CPU para Ollama, RAG e automação de IA. Faturação à hora com limite no preço mensal, com armazenamento SSD e proteção DDoS incluídos.