İçeriğe geç
gpukiralama Sipariş

Rehber

Girişimler İçin GPU Kiralama: Maliyeti Düşüren 10 İpucu (2026)

Girişimler (startup'lar) GPU maliyetini en çok doğru boyutlandırmayla düşürür: modelin bellek ihtiyacını hesaplayıp yetecek en küçük GPU'yu seçmek, nicemlenmiş modellerle başlamak, kısa denemeleri esnek bulutta, sürekli işleri sabit aylık fiyatlı paylaşımsız bir sunucuda çalıştırmak ve GPU kullanımını ölçmek. Fikir aşamasında ise hazır model API'leri ve bulut kredileri çoğu zaman daha ucuzdur.

gpukiralama.com.tr ekibi Güncelleme: 8 dk okuma

Girişimler İçin GPU Kiralama: Maliyeti Düşüren 10 İpucu (2026)
İçindekiler
  1. Girişimler GPU maliyetini nasıl düşürür?
  2. Hangi aşamada hangi kapasite?
  3. 1. Önce hesaplayın, sonra kiralayın
  4. 2. Gerekmedikçe kendi modelinizi barındırmayın
  5. 3. Küçük ve nicemlenmiş modellerle başlayın
  6. 4. Deneme ile üretimi ayırın
  7. 5. GPU'nun ne kadar çalıştığını ölçün
  8. 6. Tek kartta birden fazla iş çalıştırın
  9. 7. Ortamınızı taşınabilir kurun
  10. 8. Bulut kredisi ve destek programlarını değerlendirin
  11. 9. Bütçeyi sabitleyin
  12. 10. Veri ve uyum işini baştan çözün
  13. Girişimler için hangi GPU?
  14. Özet
  15. Kaynaklar

Girişimler GPU maliyetini nasıl düşürür?

Girişimlerin GPU bütçesindeki en büyük tasarruf, doğru boyutlandırmadan gelir:

  1. Modelinizin bellek ihtiyacını hesaplayın ve yetecek en küçük GPU'yu seçin.
  2. Mümkünse nicemlenmiş (FP8 ya da 4-bit) modeller kullanın.
  3. Denemeleri saatlik ya da kredili bulutta, sürekli çalışan işleri sabit fiyatlı bir sunucuda yapın.
  4. GPU'nun ne kadar dolu çalıştığını düzenli ölçün.

Ürününüz henüz fikir aşamasındaysa hazır bir model API'si çoğu zaman kendi GPU'nuzdan daha ucuzdur. Aşağıda aşamalara göre on pratik ipucu var.

Hangi aşamada hangi kapasite?

Aşama Önerilen kapasite Neden
Fikir ve kavram kanıtı Hazır model API'leri, Colab, bulut kredileri Altyapıya para bağlamadan doğrulama
İlk ürün (MVP) Tek ve küçük-orta GPU (20–48 GB) Sabit, öngörülebilir maliyetle geliştirme ve ilk kullanıcılar
Ürün-pazar uyumu 48–96 GB GPU; ince ayar ve servis aynı sunucuda Kendi modelinize geçiş, veri gizliliği, birim maliyet
Ölçek Çok GPU'lu sunucular (H100, H200) Büyük eğitimler, yüksek trafik

1. Önce hesaplayın, sonra kiralayın

En pahalı hata, gereğinden büyük bir GPU kiralamaktır. 8 milyar parametreli bir model (örneğin Llama 3.1 8B), 8K bağlam ve tek istekte BF16'da yaklaşık 19 GB, FP8'de 10–11 GB bellek ister. Bu ihtiyaç için 80 GB'lık bir kart kiralamak, paranın büyük kısmını boşa harcamaktır. Kendi senaryonuz için VRAM hesaplayıcımızı kullanın; ince ayar için hesaplayıcının ince ayar modunu seçin.

2. Gerekmedikçe kendi modelinizi barındırmayın

Dürüst olalım: Kullanıcı sayınız azken bir LLM'i hazır bir API üzerinden çağırmak, ayda bir GPU sunucusu kiralamaktan genellikle daha ucuzdur. Kendi modelinizi barındırmak şu durumlarda mantıklı hale gelir:

  • Hacim: İstek hacminiz arttığında token başına ödemek sabit bir sunucudan pahalıya gelir.
  • Veri: Verinin dışarı çıkmaması ya da Türkiye'de kalması gerekir.
  • Özelleştirme: Modeli kendi verinizle ince ayarlamanız gerekir.
  • Gecikme ve kontrol: Yanıt süresini ve model sürümünü kendiniz yönetmek istersiniz.

Kaba başa baş hesabı: Son üç ayın API faturasını, aynı işi görecek sunucunun aylık bedeliyle karşılaştırın. Örneğin tek L40S'li bir sunucu aylık $900 tutar (KDV hariç). API'ye düzenli olarak bundan fazla ödüyorsanız, açık ağırlıklı bir model işinizi görüyorsa ve model kartın belleğine sığıyorsa (örneğin Qwen3-32B, FP8'de yaklaşık 38 GB ister) kendi sunucunuz mantıklı hale gelmeye başlar. Hesaba kurulum ve bakım için harcayacağınız mühendislik zamanını da ekleyin; tek kartın kaç eşzamanlı isteği kaldırdığını kendi modelinizle ölçün.

Barındırmaya karar verdiğinizde servis motoru seçimi ve eşzamanlı istek sayısına göre bellek hesabı için LLM inference hizmet sayfamıza bakın.

3. Küçük ve nicemlenmiş modellerle başlayın

Pek çok iş için 7–14 milyar parametreli, iyi ince ayarlanmış bir model yeterlidir. FP8 nicemleme, model ağırlıklarının kapladığı belleği BF16'ya göre yarıya indirir; 4-bit nicemleme daha da küçültür ve genellikle küçük bir kalite kaybıyla gelir. Daha büyük modele geçmeden önce kendi değerlendirme setinizle ölçün.

4. Deneme ile üretimi ayırın

Hiperparametre taramaları ve kısa denemeler saatlik ya da spot kapasitede ucuzdur. Her gün kullanılan geliştirme ortamı, eğitim ve 7/24 servis ise sabit fiyatlı bir sunucuda daha öngörülebilir olur. İkisini karıştırmak, faturayı tahmin edilemez hale getirir.

Biz yalnızca aylık kiralıyoruz. Karşılaştırma için aylık fiyatın 7/24 kullanımdaki saatlik karşılığına (aylık fiyat ÷ 730) bakın: RTX PRO 4000 için $0,62, L40S için $1,23. Kartı ayın yalnızca küçük bir kısmında kullanıyorsanız saatlik bulut daha ucuz kalır; iki modelin başa baş noktasını bulut GPU ile fiziksel GPU sunucusu karşılaştırmamızda ele aldık.

5. GPU'nun ne kadar çalıştığını ölçün

Aylık sabit fiyatta GPU ne kadar dolu çalışırsa iş başına maliyet o kadar düşer. Kullanımı düzenli izleyin:

nvidia-smi --query-gpu=utilization.gpu,memory.used,memory.total --format=csv -l 5

GPU kullanımı sürekli düşükse ya bir darboğaz vardır (veri yükleme, işlemci) ya da kart gereğinden büyüktür. Darboğazları bulmak için PyTorch eğitimini hızlandırma rehberimize bakın.

6. Tek kartta birden fazla iş çalıştırın

Bir kartı tek bir küçük modele ayırmak yerine işleri birleştirin:

  • Gündüz geliştirme, gece eğitim ya da toplu işlem yapın.
  • Aynı kartta birden fazla model servis edin.
  • RTX PRO 6000 Blackwell kartını MIG (Multi-Instance GPU) ile her biri 24 GB olan en fazla dört, RTX PRO 5000'i iki bağımsız bölüme ayırın. L40S, RTX 5090 ve RTX PRO 4000 MIG desteklemez; bu kartlarda işleri ayrı süreçler olarak çalıştırın.

İstekleri toplu işleyen (continuous batching) servis motorları da aynı donanımda çok daha fazla isteğe hizmet eder.

7. Ortamınızı taşınabilir kurun

Ortamı Docker ile tanımlamak, bir sağlayıcıdan diğerine ya da daha büyük bir GPU'ya geçişi saatler içinde yapmanızı sağlar. Kredi programlarının ya da tek bir bulutun araçlarına fazla bağlanmak, kredi bittiğinde pahalı bir taşınma projesine dönüşebilir. Ayrıntılar: Docker ile GPU kullanımı.

8. Bulut kredisi ve destek programlarını değerlendirin

  • Global programlar: NVIDIA Inception, Google for Startups Cloud Program, AWS Activate ve Microsoft for Startups, uygun girişimlere eğitim, indirim ve bulut kredisi sunar.
  • Türkiye'deki programlar: TÜBİTAK'ın 1512 BiGG programı ve KOSGEB destekleri değerlendirilebilir.
  • Herkes İçin GPU: Haberlere göre Sanayi ve Teknoloji Bakanlığı'nın Herkes İçin GPU programı ile yerli veri merkezleri üzerinden girişimlere, KOBİ'lere ve araştırmacılara GPU-saat kredisi dağıtılması planlanıyor. Başvuru tarihi ve koşulları için Bakanlığın duyurularını izleyin.
  • Üniversite kökenli ekipler: Akademik ortaklı projelerde TÜBİTAK ULAKBİM'in işlettiği TRUBA gibi kamusal hesaplama kaynakları da değerlendirilebilir.

Kredi tutarları ve koşullar sık değişir; güncel koşulları programların kendi sayfalarından kontrol edin. Unutmayın: Krediler genellikle süreyle sınırlıdır ve bittiğinde fatura normal fiyattan devam eder.

9. Bütçeyi sabitleyin

Saatlik faturalar kullanıma göre her ay değişir. Yatırımcıya ya da yönetim kuruluna sunacağınız bir bütçe için sabit bir aylık maliyet planlamayı kolaylaştırır. Sürekli kullanacağınız kapasite için yıllık plan, aylık maliyeti ayrıca düşürür: örneğin yıllık planda L40S'in aylık bedeli $900 yerine $720 olur. Satın alma seçeneğini de düşünüyorsanız kiralama ile satın alma hesabımıza bakın.

10. Veri ve uyum işini baştan çözün

Müşteri verisiyle model eğitecekseniz, verinin nerede işlendiği baştan önemlidir. Kişisel verinin yurt dışındaki bir sunucuya aktarılması KVKK kapsamında ek yükümlülükler doğurur. Bunu sonradan düzeltmek, baştan doğru kurmaktan pahalıdır. Ayrıntılar: KVKK ve GPU kiralama.

Girişimler için hangi GPU?

Aşamanıza ve modelinize göre:

Aşama ve iş GPU Bellek Tek kartta neler sığar? Aylık (GPU başına)
Geliştirme ortamı, QLoRA denemeleri RTX PRO 4000 24 GB Llama 3.1 8B FP8'de (~10,5 GB), Qwen3-14B FP8'de (~17,9 GB) $450
MVP, 8B–24B modeller, görsel üretim RTX 5090 32 GB Llama 3.1 8B BF16'da (~18,9 GB), Mistral Small 3.2 24B FP8'de (~27,5 GB), Qwen3-32B 4-bit'te (~22,5 GB) $600
Servis odaklı ilk ürün, 14B–32B modeller; kartı iki işe bölmek RTX PRO 5000 48 GB Qwen3-14B BF16'da (~33,4 GB), Qwen3-32B FP8'de (~37,6 GB); MIG ile iki 24 GB'lık bölüme ayrılır $800
İlk ürün, 14B–32B modeller, görsel üretim L40S 48 GB Qwen3-14B BF16'da (~33,4 GB), Qwen3-32B FP8'de (~37,6 GB); Llama 3.3 70B 4-bit'te bile sığmaz (~45,4 GB) $900
İnce ayar ve servis tek kartta, 70B sınıfı RTX PRO 6000 Blackwell 96 GB Llama 3.3 70B FP8'de (~77,8 GB), Llama 3.3 70B QLoRA ince ayarı (~50,5 GB) $1.600
Büyük eğitimler, yoğun trafik H100 80 GB Qwen3-32B BF16'da (~72 GB), Llama 3.3 70B 4-bit'te (~45,4 GB); 70B FP8'de tek karta sığmaz $2.500
70B+ modeller, uzun bağlam H200 141 GB Llama 3.3 70B FP8'de (~77,8 GB); kalan bellek uzun bağlam ve eşzamanlı istekler için $3.000

Bellek değerleri VRAM hesaplayıcımızın varsayımlarıyla hesaplandı: 8K bağlam, tek istek ve kart belleğinin %92'si kullanılabilir.

Kiralamalar aylıktır ve en az 1 ay sürer; saat bazında kiralama yoktur. Fiyatlar GPU başına, ABD doları cinsinden ve KDV hariçtir; fatura, düzenlendiği günkü TCMB döviz satış kuruyla Türk lirası olarak kesilir ve yıllık kiralamada %20 indirim uygulanır. Bir siparişte en fazla 8 GPU kiralanabilir; GPU'lar ve sunucu kaynakları paylaşımsız olarak yalnızca size ayrılır. Sunucular Bağcılar, İstanbul'daki kendi tesisimizdedir ve veriniz Türkiye'de kalır. Tüm modellerin güncel fiyatları GPU sunucu fiyat listemizde, iş yüküne göre ayrıntılı öneriler hizmetler sayfamızda.

Özet

  • En büyük tasarruf doğru boyutlandırmadan gelir: bellek ihtiyacını hesaplayın, yetecek en küçük GPU'yu seçin.
  • Erken aşamada hazır model API'leri çoğu zaman kendi GPU'nuzdan ucuzdur. Hacim, veri gizliliği ve özelleştirme ihtiyacı arttıkça kendi modelinize geçin.
  • Denemeleri esnek kapasitede, sürekli işleri sabit fiyatlı sunucuda yapın; GPU kullanım oranını düzenli ölçün.
  • Kredi programları değerlidir ama süreyle sınırlıdır; ortamınızı taşınabilir kurun.
  • Veri konumu ve KVKK uyumunu baştan planlayın.

Kaynaklar

Sık sorulan sorular

Girişimler ilk aşamada GPU kiralamalı mı?

Fikir ve kavram kanıtı aşamasında hazır model API'leri, Colab veya bulut kredileri çoğu zaman daha ucuzdur. Hacim, veri gizliliği ya da ince ayar ihtiyacı ortaya çıktığında kendi GPU sunucunuza geçmek mantıklı hale gelir.

MVP için hangi GPU yeterli?

7B–14B modellerle çalışan çoğu ilk ürün için 24–48 GB bellekli tek bir GPU yeterlidir. Örneğin Qwen3-14B, FP8'de yaklaşık 18 GB ile 24 GB'lık RTX PRO 4000'e, BF16'da yaklaşık 33 GB ile 48 GB'lık RTX PRO 5000 ya da L40S'e sığar; arada 32 GB'lık RTX 5090 vardır. Kendi modelinizin bellek ihtiyacını VRAM hesaplayıcıyla bulabilirsiniz.

GPU'yu verimli kullanıp kullanmadığımı nasıl anlarım?

nvidia-smi ile GPU kullanım oranını ve bellek doluluğunu düzenli izleyin. Kullanım sürekli düşükse ya veri yükleme gibi bir darboğaz vardır ya da kart gereğinden büyüktür.

Bulut kredisi programları gerçekten ücretsiz mi?

Krediler değerlidir ama genellikle süreyle ve koşullarla sınırlıdır; bittiğinde fatura normal fiyattan devam eder. Ortamınızı taşınabilir kurarak kredi bittiğinde başka bir altyapıya kolayca geçebilirsiniz.

Türkiye'de girişimlere yönelik destek programları var mı?

TÜBİTAK'ın 1512 BiGG programı ve KOSGEB destekleri değerlendirilebilir; haberlere göre Sanayi ve Teknoloji Bakanlığı'nın "Herkes İçin GPU" programının da yerli veri merkezleri üzerinden girişimlere GPU-saat kredisi dağıtması planlanıyor. Tutarlar, koşullar ve çağrı tarihleri değiştiği için güncel çağrı metinlerini kontrol edin.

Bu iş için GPU sunucu mu arıyorsunuz?

Tüm modellerin aylık fiyatı sitede yazar; yıllık kiralamada %20 indirim uygulanır. Siparişinizden sonra 1 iş günü içinde proforma fatura gönderiyoruz.

GPU modellerini incele Sipariş ver

İlgili yazılar

Karşılaştırma

Bulut GPU Kiralama mı, Fiziksel GPU Sunucusu mu? Saatlik ve Aylık Karşılaştırma

Bulut GPU kiralamada saat ya da saniye başına, size ayrılmış fiziksel GPU sunucusunda ise aylık sabit ücret ödersiniz. Hangisinin ucuz olduğu, GPU'yu ayda kaç saat çalıştırdığınıza bağlıdır. Bu rehberde başa baş hesabını gösteriyor; performans, veri trafiği ve veri konumu farklarını karşılaştırıyoruz.

Karşılaştırma

Google Colab GPU Limiti ve Fiyatları (2026): Colab mı, GPU Kiralama mı?

Google Colab'ın ücretsiz katmanında genellikle T4 GPU verilir; Google GPU garantisi vermez, kotayı yayımlamaz ve bir oturum en fazla 12 saat sürer (Pro+ ile 24 saat). Eylül 2026'dan beri Google AI Pro ve Ultra da Colab işlem birimi içeriyor. Her gün kullanılan, uzun süren ya da 7/24 çalışan işler için size ayrılmış aylık bir GPU sunucusu daha öngörülebilir.