GPUクラウド比較2026——RunPod・Vast.ai・Lambda、ローカルLLMを動かしたい開発者の正解
RunPod・Vast.ai・Lambda CloudをLLM実行・fine-tune・Serverless API構築の観点で比較。用途別実額シミュレーション、消し忘れ課金の完全防止チェックリスト、ローカルLLM実行の最小構成Step-by-Step（VRAM早見表付き）を収録。2026年7月最新料金。
※ 本記事にはアフィリエイトリンクが含まれています。記事内リンクから申し込みがあった場合、筆者に紹介報酬が発生します。内容は独自調査・公式情報に基づいており、報酬によって評価が変わることはありません。 #PR
エンジニアのゆとです。
「70BのLlama4を動かしたい。でもRTX 4090でもVRAMが全然足りない」——そういう壁に当たったことがある人は多いと思う。
ローカルLLMの実行、LoRAファインチューニング、自前の推論APIを建てる。でもGPUを買うのは高い、月額固定費を払いたいわけでもない。必要な時間だけ、必要なGPUを借りる——それがGPUクラウドを使う動機の、たぶん9割だ。
2026年時点で選択肢は増えてきているが、日本語で「AI開発者向け・LLM目的」で3社を比べた記事がほぼない。画像生成特化かRunPodの使い方解説かのどちらかが多くて、「Serverless推論APIを建てたいんだけど」「70B fine-tuneにいくらかかるの」という問いへの答えが見当たらない。
この記事ではRunPod・Vast.ai・Lambda Cloudの3社を、画像生成ではなく「LLM実行・fine-tune・Serverless API構築」の観点で比較する。料金は各公式サイトの一次情報（2026年7月5日確認）に基づいて整理した。
差別化3本柱: ①用途別の実額シミュレーション（70B LLMを2時間で$2.80など具体的な数字）②消し忘れ課金の完全防止チェックリスト（停止中のストレージが2倍になる罠を含む）③RTX 4090でローカルLLMを動かす最小構成Step-by-Step（VRAM早見表付き）
3社の結論を先に: 初めてGPUクラウドを試すならRunPod、とにかく安く試したいならVast.ai、安定性重視の長時間学習ジョブはLambda Cloud。ただし用途によって逆転する場面がある。
この記事は体験記ではない: ゆとはGPUクラウドのヘビーユーザーではない。公式ドキュメントと料金体系を調べ尽くした比較ガイドとして書いている。
まず確認：あなたは何のためにGPUを借りるのか
GPUクラウドを選ぶ前に、自分のユースケースを確認しておく。用途によって「最安」が変わるし、そもそもはまるサービスも変わる。
①ローカルLLMを動かしてみたい（70B推論テスト）
Llama4・Qwen3・Gemmaなどの大型モデルを実際に動かして試したい、というケース。
このユースケースで重要なのは時間あたりコストとVRAM量だ。70Bモデルを4ビット量子化で動かすには最低35GB前後のVRAMが必要になる。RTX 4090（24GB）では届かないため、A100 40GB以上が候補になる。
短時間（数時間）の実験なら秒課金で使いやすいRunPodが向いている。後述するが、70B推論テストをA100 80GBで2時間動かしても$2.80程度で収まる。
②LLMのLoRAファインチューニングをしたい
自前のデータセットで7Bや13Bモデルをファインチューニングするケース。
LoRAは通常のフルファインチューニングよりVRAM消費が少ない。7Bモデルなら24GBのRTX 4090でも対応できる。ただしジョブは数時間〜数十時間かかることが多い。
長時間ジョブで途中インスタンスが停止するリスクがあるVast.aiのInterruptibleより、RunPodのSecure CloudかLambda Cloudの方が安全だ。
③Serverless推論APIを建てたい
自前のLLMモデルやカスタムモデルのAPI推論エンドポイントを、リクエストが来た時だけ起動して動かしたい用途。
この場合、RunPodのServerless機能が圧倒的に優位だ。Lambda Cloudにはそもそも対応機能がなく、Vast.aiのServerlessは2025年12月追加の新機能でまだ成熟途上。
月に数百〜数千リクエスト程度の散発的な推論なら、常時稼働インスタンスより大幅に安くなる可能性がある。
④画像生成（Stable Diffusion / ComfyUI）を試したい
この用途については他の記事に任せる部分が大きい。一点だけ言うと、Vast.aiはマーケットプレイス方式で安価なインスタンスが見つかりやすいため短時間の画像生成実験には向いている。ただしホスト品質が均一でないという前提で使う必要がある。
3社の基本スペックと料金（2026年7月時点）
RunPod — 秒課金・Serverlessネイティブ・テンプレート豊富
RunPodは2020年創業のGPUクラウドサービス。AI/MLワークロードに特化して設計されており、Docker化されたワークスペースを秒課金で借りられる。テンプレートが豊富で、PyTorch + CUDA環境を10分以内に起動できる。
Pods（専用GPUインスタンス）の料金
| GPU | VRAM | Community Cloud | Secure Cloud |
|---|---|---|---|
| RTX 4090 | 24GB | ~$0.34/hr | $0.69/hr |
| RTX 3090 | 24GB | — | $0.46/hr |
| A100 PCIe 80GB | 80GB | — | $1.39/hr |
| A100 SXM 80GB | 80GB | — | $1.49/hr |
| H100 PCIe 80GB | 80GB | — | $2.89/hr |
| H100 SXM 80GB | 80GB | — | $3.29/hr |
Community CloudはCommunity提供のGPUを使うため価格が安い一方、稼働安定性がSecure Cloudより低い。Secure CloudはTier3/4のデータセンター使用でSOC 2 Type II取得済みの環境。Community Cloudの価格は需給で変動するため$0.34は目安。
Serverless GPU料金（リクエスト単位・秒課金）
| GPU | 時間換算単価 | 特徴 |
|---|---|---|
| RTX 4090 24GB | $1.10/hr相当 | 冷起動2秒以下（FlashBoot） |
| A100 80GB | $2.72/hr相当 | 推論API用途 |
| H100 80GB | $4.55/hr相当 | 高スループット推論 |
Serverlessはリクエストが来ない間は課金されない。月に数時間しか使わない散発的な用途なら、常時稼働インスタンスより遥かに安くなる。
ストレージ料金
| 種別 | 実行中 | 停止中 |
|---|---|---|
| Container Disk | $0.10/GB/月 | $0.20/GB/月（2倍） |
| Network Volume（1TB未満） | $0.07/GB/月 | $0.07/GB/月（停止中も同額） |
| Network Volume（1TB以上） | $0.05/GB/月 | $0.05/GB/月 |
「停止中のContainer Diskが2倍になる」という仕様は、後述する落とし穴の中でも特に引っかかりやすい点だ。
- ネットワーク転送料: 無料
- 課金単位: 秒課金（5分ごとに集計）
- デフォルト支出上限: $80/時間（全リソース合算）
- 利用可能リージョン: 30以上（公式記載。具体的な日本・アジアリージョンの有無は公式に明記なし。コンソールで要確認）
Vast.ai — マーケットプレイス最安・品質はホスト依存
Vast.aiはGPU所有者がリソースを貸し出すマーケットプレイス方式のサービス。いわばAirbnb的な発想でGPUを扱う。この方式の最大のメリットが価格の安さだ。
| GPU | On-demand（目安） | Interruptible（目安） |
|---|---|---|
| RTX 4090 24GB | ~$0.31–$0.35/hr | さらに安い（中断リスクあり） |
| A100 80GB | ~$0.67–$1.20/hr | さらに安い |
| H100 | ~$2.50–$3.89/hr | 変動大 |
価格はリアルタイムで変動する。実際のレンタル時にマーケットプレイスで確認が必要。上記は2026年7月時点の目安にすぎない。
Interruptibleインスタンスは通常より大幅に安いが、他のユーザーが同じホストをOn-demandで予約すると強制停止される。長時間ジョブはOn-demandを使うか、チェックポイントを定期保存しておくことが前提になる。
- 転送料金: ホストが個別設定するため不透明。使う前にホストのページで確認が必要
- セキュリティ面の注意: SOC 2 Type 2取得済みだが、コミュニティホスト層ではホスト側がコンテナにアクセスできる可能性がある。機密データを扱うワークロードには向かない
Lambda Cloud — 時間単位・転送無料・安定性重視
Lambda CloudはGPU研究者・企業向けを想定した設計で、シンプルさと安定性が特徴だ。
主要GPU料金（2026年7月時点、公式サイトより）
| GPU | VRAM | 料金 |
|---|---|---|
| A100 SXM4/PCIe | 40–80GB | $1.99–$2.79/hr |
| GH200 | 96GB | $2.29/hr |
| H100 SXM | 80GB | $3.99–$4.29/hr |
| B200 SXM6 | — | $6.69–$6.99/hr |
ここで一点強調しておく。RTX 4090はLambda Cloudのラインナップにない。コンシューマーGPUの取り扱いがなく、業務用GPU（A100, H100等）中心の構成になっているため、低コストで試したい初心者には向いていない。
- 課金単位: 時間単位（秒課金ではない。1分使用でも1時間分請求）
- ネットワーク転送料: 無料
- ストレージ: ローカルSSDはインスタンスに含まれる。永続ファイルシステムは別途課金（目安$0.20/GiB/月前後。実際はコンソールで要確認。公式ページに明記なし・執筆時点）
- Interruptibleインスタンス: なし（全てOn-demand固定価格）
- Serverless: なし
Lambdaが向いているのは、長時間の大規模学習ジョブ、特にH100マルチGPUクラスタを使うケースだ。4GPU・8GPU構成での割引（1-Clickクラスタ）もある。
用途別コストシミュレーション（実額早見表）
「自分のユースケースで実際いくらかかるか」を実額で整理する。これが競合記事で一番書かれていない部分なので、具体的に。
| ユースケース | 推奨GPU | サービス | 推定コスト |
|---|---|---|---|
| 70B LLM 推論テスト（2時間） | A100 80GB | RunPod Secure | ~$2.80（$1.39 × 2h） |
| 7B LoRAファインチューニング（6時間） | RTX 4090 | RunPod Community | ~$2.00（$0.34 × 6h） |
| Serverless推論API（1日1,000リクエスト・平均1秒/回） | RTX 4090 Serverless | RunPod | ~$0.31（$1.10 × 1,000/3,600h） |
| 70B LLM 常駐推論API（24時間） | A100 80GB | Lambda Cloud | ~$47.76（$1.99 × 24h） |
| 短時間の動作確認・画像生成（1時間） | RTX 4090 | Vast.ai On-demand | ~$0.31–$0.35 |
| 大規模ファインチューニング（70B、8時間） | H100 SXM | RunPod Secure | ~$26.32（$3.29 × 8h） |
上記はGPU本体の料金のみ。ストレージ料金・ネットワーク転送料は別途発生する場合がある（RunPod・Lambdaは転送無料）。RunPod Community Cloudの価格は需給変動があるため実際の起動時に確認が必要。
VRAM早見表（GPU選びの判断基準）
「どのGPUが必要か」を判断するための早見表。量子化方式（4-bit/BF16）によってVRAM要件が大きく変わる。
| モデル規模 | 量子化 | 必要VRAM目安 | 対応GPU例 |
|---|---|---|---|
| 7B | 4-bit (INT4) | ~4–6GB | RTX 4090 |
| 7B | BF16（フル精度） | ~14–16GB | RTX 4090 (24GB) |
| 13B | 4-bit | ~8–10GB | RTX 4090 |
| 30B | 4-bit | ~16–20GB | RTX 4090 |
| 70B | 4-bit | ~35–40GB | A100 40GB, A100 80GB |
| 70B | BF16 | ~140GB | H100 SXM × 2以上 |
| LoRA fine-tune 7B | — | ~16–24GB | RTX 4090 |
| LoRA fine-tune 70B | — | ~80GB以上 | A100 80GB × 2 |
実務的な判断ルール:
- 「4-bit量子化で動作確認 → 精度に問題があればBF16へ」が標準の流れ
- VRAMには余裕を持たせる（ギリギリではOOM（Out of Memory）が起きやすい）
- マルチGPUはコストも複雑さも跳ね上がる。まず1 GPUで検討する
初心者が絶対ハマる4つの落とし穴
GPUクラウドは慣れると便利だが、最初に引っかかりやすいパターンがある。被害報告が多い順に整理した。
落とし穴1：Pod停止忘れで数千円請求
GPUクラウドで最も多い被害がこれだ。
「作業が終わってブラウザを閉じた。月曜に戻ったら$50の請求が来ていた」——ブラウザを閉じてもPodは動き続ける。明示的に「Stop」ボタンを押さないと止まらない。
RunPodの場合、デフォルトの支出上限は$80/時間（全リソース合算）に設定されている。一応の保険にはなるが、1時間で$80の損失は十分な痛みだ。
防止策:
- 作業終了時は必ずダッシュボードを開いて「Stop」または「Terminate」を実行する
- RunPodではPod設定で「Idle Timeout」を設定できる。アイドル状態が続いた場合に自動停止するので活用する
- Terminate後はダッシュボードで「Running」のPodがゼロになったことを確認する
落とし穴2：停止中のContainer Diskが実行中の2倍課金になる
RunPodのContainer Diskは、Pod実行中は$0.10/GB/月、停止中は$0.20/GB/月になる。
Pod停止 = 無料、ではない。停止中もストレージ課金は続き、しかも倍になる。50GBのContainer Diskを持ったPodを30日間停止放置すると、$0.20 × 50 = $10の請求が来る。気づきにくいが地味に積み上がる。
防止策:
- 長期間使わないPodは「Terminate（完全削除）」する
- 重要なデータはTerminate前にNetwork Volumeに移すか、ローカルにrsync/sftpでダウンロードする
- Network Volume（1TB未満: $0.07/GB/月）は停止中も同料金なので、データ保管に使いやすい
落とし穴3：TerminateするとContainerのデータが完全消失
「Terminateしたらモデルファイルが全部消えた」という事故もよくある。
RunPodのPodをTerminateすると、Container Diskのデータは完全に消去される。復旧不可。
防止策:
- 重要なモデルファイルや出力データはNetwork Volumeに保存してから操作する
- Network VolumはアタッチしていたPodを削除してもデータが残る
- 「Stop → データの退避を確認 → Terminate」という順序を習慣化する
Vast.aiでも同様に、インスタンスを削除するとローカルデータは消える。永続ストレージをホストが提供しているかどうかはホストによって異なるため、事前確認が必要だ。
落とし穴4：Container Diskのデフォルト5GBでディスク不足が起きる
RunPodのContainer DiskはPod作成時のデフォルトが5GBに設定されている。
PyTorch環境にLlama 7Bのモデルウェイト（約4GB）をダウンロードしようとすると、あっという間に満杯になる。エラーがNo space left on deviceという形で出るため、最初は何が起きているか分かりにくい。
防止策:
- Pod作成時にContainer Diskのサイズを用途に合わせて設定する
- 7B程度のモデルを試すなら20GB、70Bクラスなら50GB以上を確保する
- モデルファイル本体をNetwork Volume側に置く構成にすると、停止中の2倍課金を避けられる
RunPodでローカルLLMを動かす最小手順
ここからは「RTX 4090でQwen3 30Bを動かす」という具体的な手順を書く。RunPodのアカウント作成から動作確認まで。
ゆとがGPUクラウドのヘビーユーザーかというとそういうわけでもない。公式ドキュメント・Zennの実践記事・コミュニティ情報を突き合わせて整理した手順だ、ということは最初に書いておく。
STEP 1. アカウント作成・クレジットチャージ
- 上記リンクからアカウント作成（Googleアカウントまたはメール）
- ダッシュボードの「Billing」からクレジットカードでチャージ（$10〜）
- 紹介リンク経由のサインアップ後、$10以上チャージするとボーナスクレジット付与
STEP 2. SSH公開鍵の登録（JupyterLab経由なら不要）
ターミナルからSSHでPodに接続したい場合は事前登録が必要。
# ローカルで公開鍵を生成（既存の鍵があれば不要）
ssh-keygen -t ed25519 -C "runpod_key"
# 公開鍵の内容をコピー
cat ~/.ssh/id_ed25519.pubRunPodのダッシュボード → 右上アカウントメニュー → “SSH Public Keys” にペースト。
JupyterLab経由で操作するだけなら、SSH鍵の設定は不要。テンプレートからそのまま使える。
STEP 3. Pod作成（RTX 4090 + RunPod Pytorchテンプレート）
- ダッシュボード → “Pods” → “Deploy”
- GPU選択: RTX 4090（Community ~$0.34/hr または Secure $0.69/hr）
- テンプレート: “RunPod Pytorch” を選択（PyTorch + CUDA環境がすでに入っている）
- Container Disk: 20GB以上に設定（デフォルト5GBはすぐ枯渇する）
- “Deploy On-Demand” を選択して起動
STEP 4. OllamaでQwen3 30Bを実行
JupyterLabを開く（ダッシュボードのPod詳細から「Open JupyterLab」）。
Terminalタブを開いて:
# Ollamaのインストール
curl -fsSL https://ollama.com/install.sh | sh
# デーモンの起動
ollama serve &
# Qwen3 30Bのダウンロードと実行
# RTX 4090（24GB VRAM）ではQwen3 30Bの4-bit量子化（~16-20GB）が動く
ollama run qwen3:30b
# 会話テスト
>>> このモデルが動作しているGPUを教えてください。STEP 5. 作業終了後の必須チェック
□ JupyterLabのターミナルでプロセスを確認・終了
□ ダッシュボードに戻る
□ 対象のPodをクリックして「Stop Pod」を実行
□ "Running" のPodがゼロになったことを確認
□ 続きから再開する予定がない場合は "Terminate Pod" まで実行「Stop」だけで終わると、Container Disk料金が停止中2倍で積み上がる。続きから再開する予定がある場合のみ「Stop」でOK。そうでなければ「Terminate」が正解だ。
RunPod Serverlessを試したい場合
推論APIを建てたい場合はPodsではなくServerlessを使う。
- vLLMまたはTGIのコンテナイメージを用意する
- RunPodのServerlessダッシュボードからエンドポイントを作成
- FlashBootにより冷起動は2秒以下（RTX 4090の場合）
- リクエスト単位の秒課金（リクエストがない時間は課金なし）
具体的なServerlessエンドポイントの構築手順は RunPod公式Serverlessドキュメント が最も信頼できる。
用途別 最終選定フロー
| 用途 | 推奨 | 理由 |
|---|---|---|
| 初めてGPUクラウドを試す | RunPod | テンプレート豊富、UI直感的、ドキュメント充実 |
| 7B〜30B LoRA fine-tune | RunPod Community | ~$0.34/hrのRTX 4090で十分、秒課金で無駄がない |
| 70B+ モデル推論テスト | RunPod Secure（A100 80GB） | 安定動作、短時間なら$2-5で試せる |
| Serverless推論API | RunPod Serverless | Lambda/Vast.aiは対応不十分 |
| とにかく最安で試したい | Vast.ai Interruptible | ただし中断リスクあり、機密データは注意 |
| 長期・大規模学習ジョブ | Lambda Cloud | 安定性が高く転送無料 |
| H100マルチGPUクラスタ | Lambda Cloud | 4/8GPU構成の割引あり |
Lambdaが「逆転する場面」として挙げた長期ジョブの具体例: 70Bモデルを1週間fine-tuneするような場合、Lambda Cloudの時間単位課金でも安定稼働の方がチェックポイントのロスタイムより得になることがある。
よくある質問
Q. 日本のクレジットカードは使えますか？
RunPod・Vast.ai・Lambda CloudともにStripe等の国際決済に対応しており、日本発行のクレジットカードで利用できる。いずれもUSD建て請求のため円換算レートはカード会社依存。日本語サポートは3社ともない。
Q. RunPodの日本リージョンはありますか？
公式サイトには「30以上のリージョン」と記載されているが、日本・東アジアリージョンの具体的な有無は公式ページに明記されていない（執筆時点）。コンソールでPod作成時にリージョンを選択できるため、実際に確認するのが確実。日本からのレイテンシが気になる場合は、Secure Cloudのデータセンター選択機能を使って近いリージョンを選ぶ。
Q. Vast.aiのInterruptibleインスタンスはどれくらい安定していますか？
ホストと時間帯によって異なるため一概には言えない。他のユーザーがOn-demandで予約した瞬間に強制停止される仕様のため、長時間ジョブには向かない。バッチ学習でチェックポイントを頻繁に保存する前提なら使えるが、再現性が重要なジョブはRunPodのSecure CloudかLambda Cloudを選ぶ方が安心だ。
Q. ローカルMacのMシリーズチップで動かない場合に使うものですか？
M1/M2/M3/M4チップはApple Silicon（MPS）で一部のLLMを動かせる（Ollamaが対応）。7B程度のモデルは十分快適に動く。GPUクラウドが必要になるのは主に「Mac内蔵のUnified Memoryでは足りない70Bクラスのモデル」や「数時間かかるfine-tuning」の場合だ。MacBook Proの32GB/64GBモデルでも対応できるモデルサイズ・量子化は多い。まずローカルで試して、限界が見えてからGPUクラウドを検討するのが無駄がない。
Q. AWS・Google CloudではなくGPUクラウド専業を使う理由は何ですか？
AWS（p4de/p5インスタンス）やGoogle Cloud（A100/H100 VM）はランニングコストがRunPod/Vast.aiの3〜10倍になることが多い。個人開発・スタートアップのLLM実験・fine-tune用途ではRunPod等のコスト優位性が大きい。企業のコンプライアンス要件（既存VPCとの統合、特定リージョン固定、厳格なSLA）がある場合はAWS/GCPが選択肢になる。
Q. Vast.aiのデータセキュリティが心配です。使っていい用途は？
懸念は妥当だ。SOC 2 Type 2を取得しているが、コミュニティホスト層ではホスト側がコンテナにアクセスできる可能性がある。機密情報・APIキー・個人データを含むワークロードはVast.aiより、RunPodのSecure CloudかLambda Cloudを使う方がいい。公開データセットでの実験や画像生成など、データが流出しても問題ない用途に限定するのが安全な使い方だ。
Q. RunPodへの紹介リンク経由の特典はいくらですか？
紹介リンク経由でアカウント作成後、$10以上チャージするとボーナスクレジットが付与される。金額は$5〜$500のランダムで、大半は$5。約96%が$10以下の付与になる（RunPod公式ドキュメントより）。ヨーロッパ在住の場合は$5固定。紹介者（筆者）には被紹介者の実際の利用額に対して最初6ヶ月間一定のコミッションが発生する。
関連記事
まとめ
GPUクラウド3社を比べてきた。
結論は「用途次第」という凡庸な答えになるが、初めて使うならRunPodから入るのが最も合理的だと思っている。テンプレートが豊富でUIが直感的、ドキュメントが充実していて、秒課金で無駄がない——この3点がそろっているのは現状RunPodだけだ。
Vast.aiは安さに魅力がある。Interruptibleインスタンスや価格競争でRunPodより安いケースは多い。ただし安さの代わりにホスト品質の不均一性とセキュリティリスクがある。機密データを扱わない、チェックポイントを保存できるバッチジョブなら現実的な選択肢だ。
Lambda Cloudは大規模な長時間ジョブ、特にH100マルチGPUクラスタを使う場合に出番がある。コンシューマーGPUのラインナップがないため、7B〜30Bクラスの実験には向いていない。A100以上の用途で安定性を重視する場合に検討する。
一点だけ強調して終わる。GPUクラウドは「止め忘れると課金が続く」という性質上、最初にPodの停止・削除の習慣をつけておくことが重要だ。特にRunPodの「停止中Container Diskが2倍課金」という仕様は知らないと地味に痛い。慣れるまでは作業後に毎回ダッシュボードを開く習慣をつけておくといい。
この記事の情報は2026年7月時点のものです。料金・プラン・サービス仕様は変更される可能性があります。最新情報は各公式サイトをご確認ください。
