اجرای مدل‌های هوش مصنوعی روی سرور خودتان یعنی نه سهمیه‌ی توکن، نه محدودیت درخواست در دقیقه و نه ارسال داده‌های محرمانه‌ی شما به سرویس دیگران. اما هر مدل به حافظه‌ی گرافیکی (VRAM) مشخصی نیاز دارد. در این راهنما، مدل‌های متن‌باز روز — از چت و کدنویسی تا تولید تصویر، ویدیو و صدا — را می‌شناسیم و می‌بینیم هر کدام روی کدام پلن GPU تراست هاست به‌خوبی اجرا می‌شود.
فهرست مطالب
«لوکال و بدون محدودیت» یعنی چه؟
وقتی مدل را روی سرور اختصاصی یا GPU اجاره‌ای خودتان اجرا می‌کنید:
- سقف مصرف ندارید: هر تعداد درخواست یا تصویر و ویدیو که سخت‌افزار اجازه بدهد؛ نه هزینه به‌ازای توکن و نه Rate Limit.
- داده‌ها نزد شماست: پرامپت‌ها، فایل‌ها و خروجی‌ها روی سروری هستند که به آن Root دارید.
- کنترل کامل روی نسخه: مدل، کوانتیزاسیون، Fine-tune و LoRA را خودتان انتخاب می‌کنید و نسخه‌ای که استفاده می‌کنید ناگهان تغییر نمی‌کند.
«بدون محدودیت» فقط درباره‌ی محدودیت‌های سرویس‌دهنده است. دو محدودیت واقعی باقی می‌ماند: ظرفیت سخت‌افزار (VRAM) و مجوز خود مدل؛ هر دو را در ادامه بررسی می‌کنیم.
قاعده‌ی محاسبه‌ی VRAM
برای برآورد سریع، حجم وزن‌های مدل را از تعداد پارامتر و دقت عددی به دست می‌آوریم:
- دقت FP16 / BF16: هر پارامتر ۲ بایت
- دقت FP8 / INT8: هر پارامتر ۱ بایت
- دقت INT4 (مثل GGUF Q4 و AWQ): هر پارامتر حدود ۰٫۵ بایت
مثال: مدلی با ۳۰ میلیارد پارامتر در FP8 حدود ۳۰ گیگابایت وزن دارد. علاوه بر وزن‌ها، KV Cache (حافظه‌ی زمینه‌ی گفتگو) هم جا می‌خواهد: حدود ۲ تا ۴ گیگابایت برای زمینه‌ی کوتاه، و چند ده گیگابایت برای زمینه‌ی بلند یا چند کاربر همزمان. عددهای این مقاله تقریبی هستند و با کوانتیزاسیون، طول زمینه و رزولوشن تغییر می‌کنند.
مدل‌های MoE (ترکیب متخصصان) با اینکه در هر توکن فقط بخشی از پارامترها را فعال می‌کنند، برای بارگذاری باید همه‌ی وزن‌ها در حافظه باشند. نام‌هایی مثل 35B-A3B یعنی ۳۵ میلیارد پارامتر کل و حدود ۳ میلیارد فعال: سرعت مثل مدل کوچک است، اما حافظه‌ی مصرفی مثل مدل بزرگ.
پلن‌های GPU تراست هاست و حافظه‌ی هرکدام
در صفحه‌ی سرور GPU تراست هاست دو خانواده‌ی کارت گرافیک با پرداخت ماهانه یا ساعتی ارائه می‌شود. حافظه‌ی گرافیکی هر پلن:
| پلن | NVIDIA H100 | NVIDIA L40S |
|---|---|---|
| Entry | 10 GB vGPU | 8 GB vGPU |
| Start | 16 GB vGPU | 12 GB vGPU |
| Pro | 20 GB vGPU | 16 GB vGPU |
| Ultra | 40 GB vGPU | 24 GB vGPU |
| Dedicated | ۸۰ GB (اختصاصی) | ۴۸ GB (اختصاصی) |
پلن‌های vGPU برشی از یک کارت فیزیکی هستند و پلن Dedicated کل کارت را در اختیار شما می‌گذارد. همه‌ی پلن‌ها Root کامل دارند و در دیتاسنتر تهران قرار دارند؛ پس ابزار و مدل دلخواه را خودتان نصب می‌کنید. قیمت‌ها را همیشه از خود صفحه‌ی GPU ببینید تا به‌روز باشد.
مدل‌های زبانی (چت، استدلال، کدنویسی)
خانواده‌های زیر در زمان نگارش، مجوز باز (Apache ۲.۰ یا MIT) دارند و مجوز آن‌ها را از کارت رسمی مدل در Hugging Face بررسی کرده‌ایم:
| مدل | اندازه | مجوز | حافظه‌ی تقریبی | مناسب برای |
|---|---|---|---|---|
| Qwen3.5 9B | 9B | Apache 2.0 | حدود ۱۸ گیگابایت در BF16؛ حدود ۹ گیگابایت در FP8 | چت عمومی، چندزبانه، تصویر-متن |
| Gemma 4 12B | 12B | Apache 2.0 | حدود ۱۲ گیگابایت در FP8 | چندرسانه‌ای سبک، دستیار |
| gpt-oss-20b | 20B | Apache 2.0 | حدود ۱۶ گیگابایت | استدلال و ابزارگرایی (Agent) |
| Qwen3-Coder-30B-A3B | 30B MoE (۳B فعال) | Apache 2.0 | حدود ۱۹ گیگابایت در Q4 | کدنویسی، تکمیل و بازبینی کد |
| Gemma 4 26B-A4B | ۲۵.8B MoE (۴B فعال) | Apache 2.0 | حدود ۱۳ تا ۱۵ گیگابایت در INT4؛ حدود ۲۶ گیگابایت در FP8 | چت سریع با کیفیت رده‌ی بالا |
| Qwen3.5 27B | 27B | Apache 2.0 | حدود ۲۷ گیگابایت در FP8 | کیفیت بالا در یک کارت متوسط |
| Qwen3.5 35B-A3B | 35B MoE (۳B فعال) | Apache 2.0 | حدود ۳۵ گیگابایت در FP8 | سرویس‌دهی سریع، زمینه‌ی بلند |
| Gemma 4 31B | 31B | Apache 2.0 | حدود ۳۱ گیگابایت در FP8 | چندرسانه‌ای با کیفیت بالا |
| gpt-oss-120b | 120B MoE | Apache 2.0 | در حدود ۸۰ گیگابایت (رده‌ی تک‌کارت ۸۰ گیگابایتی) | استدلال سنگین، Agent |
| Qwen3.5 122B-A10B | 125B MoE (۱۰B فعال) | Apache 2.0 | حدود ۶۳ گیگابایت در INT4 (بدون KV Cache) | هوشمندترین گزینه‌ی تک‌کارت ۸۰ گیگابایتی |
مدل‌های خیلی بزرگ: DeepSeek V4 Flash (مجوز MIT) حدود ۲۹۱ میلیارد پارامتر و نزدیک ۱۶۰ گیگابایت وزن دارد؛ روی هیچ‌کدام از پلن‌های تک‌کارت فعلی جا نمی‌شود و به چند GPU نیاز دارد. اگر چنین مدلی را می‌خواهید، پیش از سفارش از طریق تیکت با ما هماهنگ کنید تا ظرفیت را بررسی کنیم.
چه چیزی را از این جدول کنار گذاشته‌ایم؟ مدل‌هایی مثل Llama که مجوز اختصاصی دارند در بخش مجوز توضیح داده می‌شوند و در جدول بالا فقط مدل‌هایی را آورده‌ایم که مجوز باز دارند.
تولید تصویر
| مدل | مجوز | حافظه‌ی تقریبی | نکته |
|---|---|---|---|
| SDXL / Illustrious XL / Pony XL | OpenRAIL++ و مشتقات | حدود ۸ گیگابایت | سبک‌ترین گزینه؛ اکوسیستم عظیم LoRA و Checkpoint |
| Stable Diffusion 3.5 Large | Stability Community License | حدود ۱۲ گیگابایت در ۱۰۲۴ پیکسل | دنبال‌کردن خوب پرامپت |
| FLUX.1 schnell | Apache 2.0 | حدود ۱۳ تا ۱۵ گیگابایت در FP8؛ حدود ۳۳ تا ۳۵ گیگابایت در FP16 | سریع، مجوز کاملاً باز |
| FLUX.2 klein 4B | Apache 2.0 | حدود ۱۳ گیگابایت (گزارش‌شده برای نسخه‌ی ۴B) | نسخه‌ی سبک خانواده‌ی FLUX.۲ با مجوز باز |
| FLUX.2 dev | غیرتجاری (FLUX Non-Commercial) | ۳۲٫۲ میلیارد پارامتر؛ وزن‌ها به‌تنهایی حدود ۶۴ گیگابایت در BF16 و حدود ۳۲ گیگابایت در FP8 (به‌علاوه‌ی Text Encoder) | کیفیت بالا؛ برای استفاده‌ی تجاری مجوز جداگانه لازم است |
| Qwen-Image / Qwen-Image-Edit | Apache 2.0 | حدود ۲۰ میلیارد پارامتر؛ حدود ۲۰ گیگابایت در FP8 | متن خوانا داخل تصویر و ویرایش تصویر |
نسخه‌ی جدیدتر Qwen-Image ۲.۱ با مجوز «other» منتشر شده است؛ پیش از استفاده‌ی تجاری، مجوز آن را از صفحه‌ی مدل بخوانید.
تولید ویدیو
ویدیو سنگین‌ترین بار GPU است و حافظه‌ی زیادی می‌خواهد. عددها به رزولوشن، تعداد فریم و روش صرفه‌جویی حافظه (FP8، GGUF، Offload) بسیار وابسته‌اند:
| مدل | مجوز | حافظه‌ی تقریبی | نکته |
|---|---|---|---|
| Wan 2.2 (A14B) | Apache 2.0 | حدود ۶۵ تا ۸۰ گیگابایت با دقت کامل در ۷۲۰p؛ با GGUF و Offload به رده‌ی ۱۲ گیگابایت هم می‌رسد (کندتر) | کیفیت بسیار خوب برای انسان و صحنه‌های واقع‌گرایانه |
| Wan 2.2 TI2V-5B | Apache 2.0 | حدود ۲۴ گیگابایت در BF16 | نسخه‌ی سبک متن/تصویر به ویدیو |
| LTX-2.3 | مجوز اختصاصی Lightricks | حدود ۲۴ تا ۳۲ گیگابایت در FP8 برای ۷۲۰p؛ برای 4K با دقت کامل بالای ۴۸ گیگابایت | سریع‌ترین گزینه‌ی باکیفیت؛ نسخه‌ی جدیدتر LTX-۲.۵ هم منتشر شده است |
| HunyuanVideo 1.5 | مجوز اختصاصی Tencent | از حدود ۱۴ گیگابایت با FP8 و Offload | حرکت طبیعی و فیزیک خوب |
| CogVideoX 1.5 5B | مجوز جداگانه | حدود ۲۴ تا ۳۲ گیگابایت | گزینه‌ی سبک‌تر و قدیمی‌تر |
مدل‌های ویدیو معمولاً از راه ComfyUI اجرا می‌شوند و برای همه‌ی موارد بالا Workflow آماده وجود دارد.
صدا، گفتار و سه‌بعدی
- تبدیل گفتار به متن: Whisper large-v3-turbo (مجوز MIT) — از فارسی هم پشتیبانی می‌کند و روی کوچک‌ترین پلن‌ها هم اجرا می‌شود.
- تبدیل متن به گفتار: مدل‌های سبکی مثل Kokoro-82M (مجوز Apache ۲.۰) با حافظه‌ی بسیار کم اجرا می‌شوند. پشتیبانی از زبان فارسی در مدل‌های TTS متفاوت است؛ پیش از انتخاب، خروجی فارسی را تست کنید.
- تبدیل تصویر به مدل سه‌بعدی: Hunyuan3D 2.x از Tencent (مجوز اختصاصی) — مناسب پلن‌های ۱۶ تا ۲۴ گیگابایتی و بالاتر.
کدام مدل روی کدام پلن؟ (جدول انتخاب سریع)
| حافظه | پلن‌ها | چه چیزی اجرا می‌شود |
|---|---|---|
| ۸ تا ۱۲ گیگابایت | L40S Entry / Start، H100 Entry | SDXL، Whisper، TTS سبک، Qwen3.۵ 9B با Q4، مدل‌های ۷ تا ۹ میلیارد پارامتری |
| ۱۶ گیگابایت | L40S Pro، H100 Start | gpt-oss-20b، Gemma ۴ 12B (FP8)، SD ۳.۵ Large، FLUX با Q4/FP8 سبک، Wan با GGUF |
| ۲۰ تا ۲۴ گیگابایت | H100 Pro، L40S Ultra | Qwen3.۵ 9B در BF16، Qwen3-Coder-30B-A3B (Q4)، Gemma ۴ 26B-A4B (INT4)، FLUX.۱ و FLUX.۲ klein، Qwen-Image در FP8 فشرده، Wan ۲.۲ 5B، LTX-۲.۳ با FP8 و رزولوشن محدود |
| ۴۰ تا ۴۸ گیگابایت | H100 Ultra، L40S Dedicated | Qwen3.۵ 27B و 35B-A3B (FP8)، Gemma ۴ 31B (FP8)، FLUX.۲ dev (FP8)، Qwen-Image، LTX-۲.۳ با رزولوشن بالاتر، HunyuanVideo ۱.۵ |
| ۸۰ گیگابایت | H100 Dedicated | gpt-oss-120b، Qwen3.۵ 122B-A10B (INT4)، Wan ۲.۲ A14B با دقت کامل، FLUX.۲ dev در BF16 (با جای‌دادن بخشی از اجزا روی CPU) |
اگر در مرز دو پلن هستید، پلن بالاتر را انتخاب کنید: KV Cache، رزولوشن و اجرای همزمان چند مدل حافظه‌ی اضافه می‌خواهد. اگر فقط چند ساعت آزمایش لازم دارید، پرداخت ساعتی خرج را پایین نگه می‌دارد.
ابزارهای اجرا
- Ollama و llama.cpp: ساده‌ترین راه اجرای مدل‌های GGUF؛ مناسب شروع سریع.
- vLLM: سرویس‌دهی پرسرعت با API سازگار با OpenAI؛ مناسب چند کاربر همزمان.
- Open WebUI: رابط چت وب برای مدل‌های لوکال.
- ComfyUI: استاندارد عملی برای تولید تصویر و ویدیو؛ برای تقریباً همه‌ی مدل‌های بالا Workflow آماده دارد.
نصب این ابزارها بر عهده‌ی خود شما است؛ چون Root کامل دارید، هر نسخه‌ای را که بخواهید نصب می‌کنید.
مجوز مدل‌ها: نکته‌ای که نباید نادیده بگیرید
اجرای لوکال یعنی محدودیت سرویس‌دهنده ندارید، اما مجوز مدل همچنان برقرار است:
- Apache ۲.۰ و MIT: استفاده‌ی تجاری آزاد است (مثل Qwen، Gemma ۴، gpt-oss، DeepSeek، Wan ۲.۲، FLUX.۱ schnell و FLUX.۲ klein).
- مجوز غیرتجاری: مثل FLUX.۲ dev؛ برای محصول یا خدمات پولی باید مجوز تجاری بگیرید.
- مجوزهای اختصاصی (Llama، LTX، Hunyuan و مشابه): شروط خاص خود را دارند، مثل سقف درآمد یا محدودیت منطقه؛ متن مجوز را پیش از استفاده‌ی تجاری بخوانید.
این مقاله بر پایه‌ی اطلاعات کارت رسمی مدل‌ها در Hugging Face تا مهر ۱۴۰۵ تهیه شده است. مدل‌ها و مجوزها سریع تغییر می‌کنند، پس قبل از استفاده‌ی تجاری، صفحه‌ی رسمی مدل را دوباره ببینید.
سوالات متداول
برای شروع، کوچک‌ترین پلن کافی است؟
برای مدل‌های ۷ تا ۹ میلیارد پارامتری با کوانتیزاسیون، Whisper و SDXL بله. برای FLUX، ویدیو و مدل‌های بزرگ‌تر از ۲۰ میلیارد پارامتر، پلن‌های ۲۴ گیگابایت به بالا را در نظر بگیرید.
تفاوت vGPU و پلن Dedicated چیست؟
vGPU برشی از یک کارت فیزیکی است و پلن Dedicated کل کارت را در اختیار شما می‌گذارد. برای کارهای طولانی و سنگین مثل ویدیو یا سرویس‌دهی چندکاربره، Dedicated انتخاب مطمئن‌تری است.
مدل‌های بزرگ‌تر از ۸۰ گیگابایت، مثل DeepSeek V4 Flash، اجرا می‌شوند؟
روی یک پلن تک‌کارت خیر؛ به چند GPU نیاز دارند. برای چنین نیازی از طریق تیکت هماهنگ کنید.
می‌توانم مدل خودم را Fine-tune کنم؟
بله؛ Root کامل دارید و می‌توانید LoRA یا Fine-tune را اجرا کنید. حافظه‌ی مورد نیاز برای آموزش از اجرای صرف بیشتر است، پس پلن بالاتر بگیرید.
پرداخت ساعتی برای آزمایش مدل‌ها مناسب است؟
بله. جزئیات محاسبه‌ی هزینه‌ی ساعتی و حداقل اعتبار لازم در صفحه‌ی GPU توضیح داده شده است.
سرور چه زمانی تحویل داده می‌شود؟
سرورهای GPU برای هر مشتری اختصاصی آماده می‌شوند و حداکثر ظرف ۳ روز کاری پس از پرداخت تحویل داده می‌شوند.
مدل دلخواه‌تان را روی GPU خودتان اجرا کنید
پلن‌های H100 و L40S را با پرداخت ماهانه یا ساعتی در صفحه‌ی سرور GPU تراست هاست ببینید و متناسب با مدل انتخابی‌تان سفارش دهید. اگر در انتخاب پلن مردد هستید، از پنل کاربری تیکت ثبت کنید.
