News Observation Lab for Future
Vast.ai のGPUレンタルで失敗しない検索手順とコスト管理
Vast.ai で実際にAIジョブを走らせる際、単に最安値を探すだけでは不十分です。本稿では、必要なGPUメモリ・ディスク容量・ネットワーク条件を先に決め、CLI を使って適切なオファーを絞り込む手順と、見落としがちなコスト項目について解説します。
検索前に整理すべき要件
- モデルと設定に合わせたGPUメモリ量
- コンテナイメージが要求する CUDA バージョンとホストドライバの対応
- イメージ、重み、入力データ、一時ファイル、出力を格納できるディスク容量（大規模ダウンロードの場合は最低150 GB）
- 許容できる信頼性（reliability ≥ 0.97）とネットワーク料金（inbound traffic が無料）
- ワークフローに必要な接続ポート数やロケーション
例えば、MiniMax H3 の重みは72 GB、LatentSync 1.6 は 512 px でより多くのメモリが必要になることがあります。まずはジョブの要件を明確にし、その上でハードウェアを検索します。
CLI での基本的な検索コマンド
以下のコマンドは、信頼性≥0.97、inbound traffic 無料、ディスク≥150 GB のオファーを時間単価の低い順に並べ、生データ（--raw）を取得します。
vast-cli search "reliability >= 0.97" "inet_down_cost = 0" "disk_space >= 150" -o 'dph+' --rawこのフィルタは開始点に過ぎず、GPU 名、CUDA バージョン、ドライバ版、ポート数など、ジョブ固有の追加条件は別途確認が必要です。
ネットワーク料金の確認ポイント
以前、RTX PRO 6000 Blackwell（96 GB）を $1.625/h で借りたケースでは、245 GB の重みダウンロードに対し inbound traffic が $0.64 発生し、合計 $2.18 となりました。時間単価だけでなく、inbound traffic の有無を必ずチェックしましょう。
ドライバ・CUDA とコンテナイメージの整合性
オファーの生データに含まれる driver_version、cuda_vers、cuda_max_good を参照し、使用予定の Docker イメージ（例：pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime）が要求するバージョンと比較します。スウェーデンの A100 オファーで driver 535 が合わなかった事例のように、GPU のスペックだけで判断しないことが重要です。
生データの活用方法
検索結果は JSON 形式で取得できます。簡易スクリプト pick_offer.py は、時間単価昇順に並んだ結果から最初のオファーを抽出し、GPU 名や最低 CUDA / ドライババージョンをオプションで制限できます。ただし、総コスト計算や起動可否の保証は行わないため、抽出後は必ず手動で内容を確認してください。
実際の選択例とコスト
- MiniMax H3：チェコの A100 SXM4 80 GB を $1.19/h（ディスク込みで約 $1.25/h）で利用。3 時間弱のセッションで 82 本のクリップを生成し、合計 $3.59。
- LatentSync 1.6：UAE の RTX 3090 を $0.27/h、inbound traffic 無料。セットアップ 9 分＋処理で 1 クリップあたり約 $0.09。
- 過去の RTX PRO 6000 Blackwell テスト：56 分で $2.18（GPU 時間 $1.47、inbound traffic $0.64）。
- 停止状態のインスタンスはディスク課金のみで、90 GB のディスクは $0.0167/h（≈ $0.40/日）かかります。
インスタンス停止時の留意点
ジョブ完了後は出力をコピーし、バックアップを確認したうえでインスタンスを削除してください。停止したまま放置するとストレージ課金が続き、残高不足でアクセス不能になるリスクがあります。