
Instances GPU NVIDIA RTX PRO 6000 Blackwell
NVIDIA RTX Pro 6000 Blackwell
Inférence, RAG, agents ou fine-tuning : avec la RTX PRO 6000 Blackwell, vos modèles et leur contexte tiennent sur une seule carte. Démarrez sur 1 ou 2 GPU, passez à 4 ou 8 quand vos projets grandissent, dans un cloud européen, fiable et transparent.
La mémoire qu'il faut pour passer à la vitesse supérieure
Assez de mémoire pour vos modèles, une architecture de dernière génération et une gamme qui grandit avec vous : tout ce qu'il faut pour mettre vos projets IA en production.
96 Go de vRAM
Vos modèles et leur contexte tiennent sur une seule carte, avec de la marge pour vos utilisateurs.Génération Blackwell
L'architecture NVIDIA Blackwell prend en charge le format FP4, pour faire tenir plus de modèle dans la même mémoire.1 à 8 GPU
Commencez sur 1 GPU, passez à 2 ou 4 dans la même gamme quand vos projets décollent.Gardez le contrôle
Hébergée dans notre Public Cloud européen, avec une tarification transparente et sans frais cachés.
Plus de place pour vos modèles, et pour vos utilisateurs

Des contextes plus longs
La mémoire laissée libre par le modèle accueille des documents plus longs et davantage de conversations simultanées.Des fine-tunings plus confortables
Affinez vos modèles avec des lots plus grands, sans jongler avec la mémoire disponible.Plusieurs modèles côte à côte
Sur une instance 2 ou 4 GPU, faites tourner un modèle par GPU : un assistant, un modèle d'embeddings, un modèle de vision…Vos outils habituels
Les versions récentes de PyTorch, vLLM et des images NVIDIA NGC prennent en charge Blackwell : vous démarrez sans rien réapprendre.
SPÉCIFICATIONS
Les caractéristiques techniques
GPU
De 1 à 8 GPU NVIDIA RTX PRO 6000 BlackwellMémoire GPU
96 Go de GDDR7 ultra rapide par GPU
Architecture
NVIDIA Blackwell, Tensor Cores de 5e génération avec prise en charge du FP4Automatisation
Gestion via votre espace client, API, OVHcloud CLI…
Sécurité et conformité
Certifications ISO27001, SOC, hébergement de données de santé…
Du prototype à la production, la RTX PRO 6000 Blackwell accompagne les projets IA qui ont besoin de mémoire sans viser les plus grands modèles du marché.

Servez vos LLM
Mettez vos modèles open source en production, avec de la marge pour absorber les pics d'utilisateurs.
Branchez vos documents
Connectez vos modèles à vos bases documentaires internes avec le RAG : de longs contextes, des réponses sourcées.
Déployez des agents
Faites tourner des agents qui enchaînent outils et raisonnements, avec la mémoire nécessaire pour suivre de longues sessions.
Spécialisez vos modèles
Affinez un modèle sur vos données métier, sur 1 à 8 GPU, à l'heure ou avec engagement.
Prêt à vous lancer ?
Créez un compte et activez vos services dans la minute
Bénéficiez de 270 $ offerts sur votre premier projet Public Cloud
Documentation
- En savoir plus
Choisir un GPU pour l’inférence de grands modèles de langage
Évaluez la mémoire nécessaire au chargement du modèle, la taille des contextes, la précision numérique et le volume de requêtes attendu. Ce cadrage vous aide à comparer les ressources disponibles sans limiter votre décision à la seule puissance théorique. Intégrez également les besoins liés aux données, aux traitements préparatoires et à la capacité de montée en charge de votre service. - En savoir plus
Créer et lancer une première instance Public Cloud
Préparez votre projet Public Cloud, sélectionnez une région et choisissez une instance adaptée à votre charge. Le guide détaille les principales étapes de création et de démarrage afin de vérifier l’accès à la machine virtuelle. Vous pouvez ensuite installer votre environnement logiciel, organiser vos données et valider votre chaîne de calcul avec une ressource Cloud GPU déjà disponible. - En savoir plus
Déployer une application GPU sur Managed Kubernetes Service
Configurez une application accélérée par GPU dans un cluster Managed Kubernetes Service. Le guide présente sa mise en place via votre interface de gestion ainsi que son déploiement avec Helm. Cette approche vous aide à préparer l’orchestration des conteneurs, l’affectation des ressources GPU et le cycle de vie de l’application avant son passage dans un environnement d’exploitation.