H100 custa de US$ 2,69 a US$ 12,29 por hora, dependendo de onde você aluga

Um levantamento publicado no repositório data-receipts, no GitHub, comparou o preço por hora do mesmo modelo de GPU em diferentes provedores de nuvem e chegou a um número que deveria incomodar quem aprova orçamento de infraestrutura de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →: o H100 SXM 80GB, quando alugado sob demanda, custa de US$ 2,69 a US$ 12,29 por hora dependendo de onde você aluga. Rodando o chip 24 horas por dia durante um mês (730 horas), isso é a diferença entre US$ 1.964 e US$ 8.972 pela mesma peça de hardware.

O dado vem do diretório 109-gpu-pricing do repositório, que usa as APIs oficiais de preço da AWS↳AWS20 conteúdosE-mails de verificação com AWS SES + Lambda (Node.js) e Terraform: do zero ao envioDevSecOps · out 2025Codex na AWS: chegada do agente da OpenAI à nuvem da AmazonDevSecOps · abr 2026Salesforce e AWS ampliam colaboração em IA, CRM e marketplaceDevSecOps · nov 2023Ver tudo em DevSecOps → e da Azure (collect.py puxa o AWS Price List e o Azure Retail Prices, sem autenticação) e cruza com preços de neoclouds transcritos manualmente, com data e URL de origem registradas em vendors.json.

O gap de preço, em números

A comparação é restrita ao H100 SXM 80GB, a mesma variante de GPU em todos os provedores:

A razão entre a ponta mais barata e a mais cara é 4,57 vezes. RunPod Secure e RunPod Community são contadas como a mesma empresa no cálculo, já que a Community é só uma camada de hardware de terceiros hospedado pela mesma plataforma.

Um H100 não é sempre o mesmo H100

A metodologia do levantamento evita um erro comum em comparação de preço de GPU: tratar "H100" como um produto único. Existem pelo menos três variantes vendidas sob esse nome, com memória e interconexão diferentes, o SXM 80GB, o PCIe 80GB e o NVL 94GB, e misturá-las infla artificialmente o spread. Por isso cada comparação no repositório é feita dentro de um único grupo de (modelo, memória).

O mesmo cuidado vale dentro de um único provedor. A Azure vende o A100 PCIe 80GB em VMs de uma, duas e quatro GPUs, e o preço por GPU muda: $3.67 na VM de uma GPU, $4.78 nas de duas e quatro. Se a comparação pegasse a configuração errada de cada lado, uma diferença de preço dentro da própria Azure apareceria como se fosse diferença de mercado entre provedores. O levantamento sempre usa a rota mais barata de cada vendor até a GPU específica.

O que o preço barato não inclui

Em resumo: os 4,57x não são margem pura, o README do projeto é explícito sobre isso. Sair da SKU ND96isr_H100_v5 da Azure para o RunPod Community significa abrir mão de três coisas concretas:

• InfiniBand de alta velocidade. A SKU ND da Azure tem 400 Gbps por GPU de interconexão Quantum-2 com GPU Direct RDMA, o que viabiliza treino distribuído entre múltiplos nós. É essa interconexão que justifica a SKU ND custar mais do que a própria SKU NC da Azure para um único H100, que sai a $6.98 por hora.
• SLA de datacenter. O RunPod Community é hardware de terceiros alugando capacidade própria, sem a garantia operacional de um datacenter de hyperscaler.
• Compliance corporativo, capacidade reservada e o resto da superfície de um hyperscaler, que pesa em contrato com empresas grandes mas não em uma instância isolada.

O projeto resume o trade-off de forma direta: quem faz fine-tuning em um único nó está pagando por uma interconexão que nunca vai usar; quem treina em 64 nós não tem a linha barata como opção.

Quando vale pagar mais (e quando não vale)

Esse recorte importa na prática para quem decide onde rodar carga de IA no dia a dia. Inferência, fine-tuning de modelo único e experimentação em um nó só não se beneficiam de InfiniBand de 400 Gbps entre GPUs que nunca vão se comunicar entre máquinas, então a diferença de $6,88 (AWS p5.48xlarge) para $2,69 (RunPod Community) é dinheiro deixado na mesa sem ganho técnico correspondente.

Já treino distribuído de verdade, com checkpoint síncrono entre dezenas de nós, depende da interconexão que só a SKU cara oferece: tentar economizar ali tende a estourar o tempo de treino e anular a economia de hora. A decisão de onde alugar GPU, portanto, não é só sobre o preço por hora listado: é sobre que parte da pilha de hardware o workload de fato usa.

Os números têm limites explícitos

O próprio repositório documenta as limitações do método, o que vale reproduzir porque muda a leitura prática do spread:

• São preços de lista sob demanda. Preço reservado, de uso comprometido ou spot corta os números do hyperscaler, e o spot em particular estreitaria bastante a diferença entre os 4,57x.
• Uma região por provedor. AWS em us-east-1, Azure em eastus; preços variam por região.
• A contagem de GPUs por VM vem da documentação do fabricante, não do rótulo de preço, já que a AWS reporta "640 GB HBM3" para a p5 e a Azure reporta memória total do acelerador, sem declarar o modelo por GPU em nenhuma das duas.
• A Lambda Labs ficou de fora do spread principal. A página pública da empresa informa que as tarifas listadas passam a valer em 16 de novembro de 2026; as tarifas atuais estão atrás de login, então os dados da Lambda aparecem separados e rotulados no repositório, não misturados ao cálculo do 4,57x.
• Disponibilidade não entra no preço. Um H100 barato que você não consegue provisionar não é, na prática, um preço.

Quem quiser reproduzir ou atualizar a comparação tem o pipeline completo publicado: rodar python3 collect.py baixa o índice de preços da AWS (cerca de 1 GB) e os preços de varejo da Azure, e python3 compute.py refaz o agrupamento e o cálculo do spread a partir de hyperscalers.json, vendors.json e compare.json. Para equipe de engenharia que decide onde rodar carga de GPU com alguma regularidade, essa é uma planilha de referência melhor do que confiar na página de preço de um único provedor.

Fonte: Hacker News