GPUクラウド3社比較2026 — RunPod vs Vast.ai vs Lambda Cloudを用途別に選ぶ
RunPod・Vast.ai・Lambda CloudのGPU料金・Serverless有無・落とし穴を徹底比較。AI開発者向けに用途別おすすめと実額シミュレーションを解説。
※ 本記事にはプロモーションが含まれています。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のモデルを動かしてみたいんだけど、手元のMacだと無理だよな……」
これ、LLMをちゃんと触り始めた人が最初に直面する壁のひとつだと思う。RTX 4090の24GBでも70Bはロードできない。A100の80GBがないと厳しい。でも自分でA100を買うのは現実的じゃない——中古でも50万〜100万円台の話になってくる。
そこでクラウドGPUが選択肢に入ってくる。RunPod、Vast.ai、Lambda Cloud——この3サービスが日本語コミュニティでよく比較されているが、日本語の記事のほとんどは「Stable Diffusion / 画像生成ユーザー向け」で書かれていて、LLMエンジニアの視点から整理されたものがほぼない。
この記事では、AI開発者・LLMエンジニア向けに3サービスを比較する。GPU料金・Serverless対応・日本からの利用状況・そして知らないと困る落とし穴を中心に、用途別の実額シミュレーションまで書いていく。
まず確認：何のためにGPUを借りるのか（用途別選び方）
GPUを借りる前にひとつ確認しておく。「何のために借りるか」を自分の中で明確にすること。用途によって最適なサービスが全然違うから、これを先に決めないと選びようがない。
①ローカルLLMを動かしてみたい（推論）
必要なのはVRAM。モデルサイズ別の最低VRAM目安はこう：
| モデル規模 | 量子化 | 最低VRAM | 現実的なGPU選択 |
|---|---|---|---|
| 7B | 4-bit | 6GB | RTX 4090（24GB）で余裕 |
| 13B | 4-bit | 10GB | RTX 4090（24GB）で可 |
| 70B | 4-bit | 35GB | A100 40GB以上が必要 |
| 70B | FP16 | 140GB | H100 SXM × 2以上 |
「とりあえずQwen3-8Bを動かしてみたい」程度なら、RTX 4090（24GB）で十分。2〜3時間で検証して落とす使い方なら$1〜2で済む。
②LLMのLoRAファインチューニングをしたい
LoRAなら7Bでも16〜24GBあれば動く。RTX 4090一枚で十分なケースが多い。数時間〜半日程度の学習ジョブなら、RunPodのCommunity Cloudが最安で回せる選択肢になる。
ただし長時間の学習（12時間以上）は、途中でインスタンスが刈られるリスクを考えた方がいい。これはサービスと契約タイプによって対策が変わる。
③Serverless推論APIを建てたい
「モデルをAPIとして公開して、リクエストがあったときだけGPUが起動する」構成——いわゆるServerless推論エンドポイント。
選択肢は事実上RunPodがダントツ（2026年7月時点）。Lambda CloudはServerless非対応、Vast.aiは2025年末に機能追加されたが成熟度でRunPodに及ばない。
④Stable Diffusion / ComfyUIを試したい
これだけが目的なら、Vast.aiのInterruptibleインスタンスが最安で動く。$0.1〜0.2/hrで試せる。ただし途中で止まるリスクがあるため、本番用途やモデル学習途中での使用には不向き。
3サービス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・日本リージョンあり
RunPodが他と違う点を先に言っておく。2025年に福島（AP-JP-1）にデータセンターが開設された。日本からの利用でレイテンシ8〜50msが期待できる。これは日本語の比較記事があまり触れていない事実で、特に推論レイテンシが重要なAPIユースケースでは大きな差になる。
GPU時間単価:| GPU | VRAM | Community Cloud | Secure Cloud |
|---|---|---|---|
| RTX 4090 | 24GB | ~$0.34/hr | $0.69/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は需給で変動するため最安とは限らない。Secure Cloudは安定稼働保証 + Tier3/4データセンター（日本リージョン含む）。
Serverless（リクエストベース・秒課金）:| GPU | 換算レート | 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 | 0→複数ワーカーの自動スケール |
| H100 80GB | $4.55/hr相当 | リクエストがない間は課金なし |
| 種別 | 料金 | 落とし穴 |
|---|---|---|
| Container Disk（実行中） | $0.10/GB/月 | — |
| Container Disk（停止中) | $0.20/GB/月 | 停止中は2倍になる |
| Network Volume（1TB未満） | $0.07/GB/月 | データ保持の基本 |
| Network Volume（1TB以上） | $0.05/GB/月 | — |
課金は秒単位、転送料はなし。デフォルトの支出上限は$80/時間（全リソース合算）。SOC 2 Type II認証・HIPAA/GDPR対応済み。
Vast.ai — マーケットプレイス最安・品質はホスト次第
料金体系の前提として: Vast.aiは個人・企業がGPUをホストとして提供するマーケットプレイス方式。価格はRunPodより安いことが多いが、「安さの理由」がある。
GPU時間単価（目安・2026年7月時点）:| 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 | さらに安い |
価格はリアルタイムで変動する。上記はあくまで調査時点の目安で、実際のレンタル時にマーケットプレイスで確認が必要。
注意すべき点:- 転送料はホストが個別設定（プラットフォーム統一なし）。コスト予測が難しい
- セキュリティ面: コミュニティ層ではホストがコンテナにアクセス可能。機密データを扱う用途には不向き
- Interruptibleインスタンス: 他ユーザーがOn-demandで同ホストを予約すると強制停止される
- Serverlessは2025年12月追加。まだ成熟途上
SOC 2 Type 2認証・HIPAA/GDPR対応はある。コミュニティ層とセキュリティ層でリスクレベルが異なる点を理解して使う必要がある。
Lambda Cloud — 時間単位・転送料無料・安定性重視
Lambda Cloudは「研究者・企業向け設計」が色濃い。大学のAIチームや企業が大型GPUを長期間借りる想定で作られていて、個人が短時間使うには向いていない面もある。
GPU時間単価（On-demand・参考値）:| GPU | VRAM | 時間単価 |
|---|---|---|
| A10 | 24GB | $1.29/hr |
| A100 SXM4 80GB | 80GB | ~$1.79/hr |
| H100 PCIe | 80GB | ~$2.49/hr |
| H100 SXM 1GPU | 80GB | ~$3.49/hr |
| H100 SXM 8GPU | 80GB | ~$3.99/GPU/hr（マルチGPU割引） |
※ gpuperhour.com（2026-07-05時点）と公式ページで差異があるため、実際の申込時に公式ページで確認してください。
特徴まとめ:- 課金は時間単位（秒課金ではない。短時間使用だと割高）
- スポット/中断可能インスタンス: なし。全てOn-demand固定価格
- 転送料（Egress）: 無料（大規模学習で大量データを扱う場合に重要）
- RTX 4090はラインナップになし（RTX 6000 Adaが近い代替だが業務向けGPU）
- Serverless: 非対応
- ストレージ料金: 公式ページに明記なし（インスタンス付属ストレージに含まれる可能性がある。実際のコストは公式サイトまたはサポートにご確認ください）
用途別おすすめ一覧表（実額シミュレーション付き）
「で、実際いくらかかるの？」を計算した。
| 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 Cloud | ~$2.80 |
| 7B LoRAファインチューニング（6時間） | RTX 4090 | RunPod Community Cloud | ~$2.04 |
| Serverless推論API（1日1,000リクエスト・処理1秒/回） | RTX 4090 | RunPod Serverless | ~$0.31 |
| 70B 推論API 24時間常駐 | A100 80GB | Lambda Cloud | ~$42.96 |
| Stable Diffusion を1時間だけ試したい | RTX 3090 | Vast.ai Interruptible | ~$0.07〜$0.20 |
※ ストレージ代・転送料は含まず。価格は調査時点の参考値。実際のレンタル時に確認すること。
Serverlessの$0.31/日というのは、「処理時間外は課金なし」の恩恵が大きい。同じA100を24時間常駐させると$65/日を超える。リクエスト頻度が低い段階では、Serverlessの方が圧倒的に安い。
用途別の結論:
- Serverless APIを建てたい → RunPod一択（他の実用的な選択肢がない）
- 短時間の実験・ファインチューニング → RunPod Community Cloud（秒課金×安定性のバランス）
- 大規模な長時間学習・本番 → Lambda Cloud（転送料無料・マルチGPU割引・安定性）
- とにかく最安で動かしてみたい → Vast.ai Interruptible（中断リスクと引き換え）
初心者が絶対ハマる4つの落とし穴と防ぎ方
ここは真剣に読んでほしい。クラウドGPUは使い方を間違えると予想外の請求が来る。「週末に止め忘れて$100飛んだ」という話は珍しくない。具体的な金額が出てくるから怖いのだが、防ぐのは難しくないのでちゃんと対策しておくといい。
落とし穴①: Pod停止忘れ課金
症状: 作業を終えてブラウザを閉じた。でもPodは動き続けていて、週末に戻ると数千〜数万円の請求が来ていた。
メカニズム: ブラウザを閉じてもPodは止まらない。明示的に「Stop」または「Terminate」を選ぶ必要がある。JupyterLabセッションを終了してもPod自体は動き続けるので注意。
防ぎ方:
- 作業後は必ずダッシュボードでPodの状態を確認してから閉じる
- RunPodのPod設定で「アイドル自動停止（Idle Timeout）」を設定する
- デフォルト支出上限$80/時間はあくまで保険。超えないよう自分で管理する前提で動く
落とし穴②: 停止中のContainer Diskが実行中の2倍の料金になる
症状: Podを「Stop」したのに毎日少額が引かれ続ける。
メカニズム: RunPodのContainer Diskは、停止中が$0.20/GB/月で実行中（$0.10/GB/月）の2倍になる。50GBのディスクを持っていると、停止中でも月$10かかり続ける。長期間止めたままにすると静かに残高が減っていく。
防ぎ方: 長期間使わないPodは「Stop」ではなく「Terminate（削除）」する。ただしTerminateするとデータが消えるので、次の落とし穴と合わせて読むこと。
落とし穴③: Terminate（削除）時にデータが完全消滅する
症状: コスト削減のためPodを削除したら、ファインチューニングの学習ファイル、モデルの重み、出力データが全て消えた。復旧不可能。
メカニズム: Network Volumeを接続していないPodを削除すると、Container Diskのデータは完全消去される。バグではなく仕様。
防ぎ方:
- Pod作成時からNetwork Volumeを作成してアタッチする（月$0.07/GB〜。モデルを再ダウンロードするコストの方が高い）
- Terminateする前にrsync/sftpでローカルにバックアップを落としてから消す
- 「重要なデータは必ずNetwork Volumeに置く」を習慣にする
落とし穴④: Container Diskのデフォルト5GBはほぼ確実に詰まる
症状: PyTorchのインストール中、またはモデルのダウンロード中に「No space left on device」エラーが出てセッションが死ぬ。
メカニズム: RunPodのPodデフォルトContainer Diskは5GB。PyTorchだけで数GB、Qwen3-8Bのモデルファイルは約5GBある。デフォルトのままではPyTorchを入れた時点で詰まる。
防ぎ方: Pod作成時にContainer Diskサイズを最低20GB、余裕を持つなら50GBに設定する。50GBは実行中$0.005/月程度なので、節約しようとする意味がほぼない。
RunPodを最速で始める最小手順（ローカルLLM実行まで）
具体的に手を動かしてみたい人向けに、RunPodでQwen3-8B（4-bit量子化）を動かすまでの最小手順を書く。
紹介リンク経由で登録するとスタートクレジットが付く場合がある（$5〜$500のウェイテッドランダム。確認したところ96%のユーザーは$10以下が多い模様。過度な期待はしないほうがいい）。 #PR
STEP 1: アカウント作成 + クレジット購入
- RunPod（上のリンク）にアクセスしてSign Up
- クレジットカードを登録する（Stripe決済。日本発行のカードで問題なく使える。表示はUSD）
- 「Billing」→「Add Credits」で$10以上を入金する
- 画面右上に残高が表示されれば準備OK
STEP 2: GPU Pod作成
- 左メニューの「Pods」→「+ New Pod」
- テンプレートは「RunPod PyTorch 2.x」を選択
- GPUは「RTX 4090（24GB）」を選択
- コスト重視なら「Community Cloud」（〜$0.34/hr）
- 日本リージョン（AP-JP-1 福島）を指定するなら「Secure Cloud」を選び、リージョンをアジアに絞る（$0.69/hr）
- Container Diskを50GBに変更する（デフォルト5GBは即詰まる）
- 「+ Attach Network Volume」→新規作成（20〜50GB目安、$0.07/GB/月）
- 「Deploy On-Demand」をクリック → 1〜2分で起動
STEP 3: Ollamaをインストールしてモデルを動かす
Podが起動したら「Connect」→「Web Terminal」でターミナルに入る（SSH鍵の設定が不要なのでこちらが早い）。
# Ollamaをインストール
curl -fsSL https://ollama.ai/install.sh | sh
# Ollamaサーバーをバックグラウンドで起動
ollama serve &
# 少し待ってからQwen3-8B（4-bit量子化）を実行
# 初回はモデルダウンロードで数分かかる
ollama run qwen3:8bQwen3-8B（4-bit量子化）はVRAM約6GBを使用する。RTX 4090の24GBには余裕がある。対話できる状態になったら動作確認完了。
Network Volumeをアタッチしている場合は、モデルファイルをNetwork Volume側に保存するよう設定するとPodを削除してもモデルが残る：
# モデル保存先をNetwork Volumeのマウントポイントに変更
export OLLAMA_MODELS=/workspace/ollama_models
mkdir -p /workspace/ollama_models
ollama pull qwen3:8bSTEP 4: 使い終わったら必ずTerminateする（超重要）
作業を終えたら：
- ダッシュボードに戻る
- 重要なデータがあればNetwork Volumeに移してあることを確認する
- Pod横の「…」→「Terminate」を選ぶ（Stopではない）
- 削除確認が出たらOKを選ぶ
この手順を守れば意図しない課金はほぼ防げる。
Serverless APIエンドポイントとしてRunPodを使う場合（Claude AgentのバックエンドにRunPodを使う構成など）は、設定が変わる。Claude Agent SDKとの組み合わせについては別記事で詳しく書いた：
RunPodのAPIキーをはじめとするシークレット管理については：
よくある質問（FAQ）
Q. 日本のクレジットカードは使えるか？
使える。RunPod・Vast.ai・Lambda CloudいずれもStripe経由のクレジットカード決済で、日本発行のカードで問題なく支払いできる。表示はすべてUSD建て。日本語決済サポートや消費税の自動加算はないため、為替・手数料は各自で確認してほしい。
Q. 日本語サポートはあるか？
3サービスとも日本語サポートは提供していない。RunPodはDiscordコミュニティが活発だが英語のみ。エラーメッセージ・設定画面も英語。技術的な問題解決には英語ドキュメントを読む力が必要になる。
日本語情報はRunPodが最も多い（Zenn・note・Qiitaに記事がある）ので、初めて使うならRunPodが入門しやすい。
Q. AWS・Google Cloudと比べてどうか？
用途が違う、と割り切った方がいい。
| 観点 | RunPod/Vast.ai/Lambda | AWS/GCP |
|---|---|---|
| GPU単価 | 安い（$0.3〜$3/hr台） | 高い（$1〜$10/hr台） |
| 最低利用単位 | 単体GPU・短時間 | クラスター・本番前提 |
| Serverless | RunPodはネイティブ対応 | SageMaker等で構成が複雑 |
| コンプライアンス | 一部対応（SOC2等） | 高い（HIPAA/FedRAMP等） |
| 日本語サポート | なし | あり（有料プラン） |
LLM実験・ファインチューニング・個人開発なら断然AI特化クラウドの方が安く速い。大規模本番システムやセキュリティ要件が厳しい企業用途ならAWS/GCPという使い分けが現実的な答えだと思っている。
Q. Mac（M系チップ）ユーザーでも使えるか？
使える。RunPod・Vast.ai・Lambda CloudのダッシュボードはすべてWebベースなので、Macのブラウザから操作できる。M4 Macを持っていてもVRAM 32GBを超えるモデルや、長時間の本格的なファインチューニングにはクラウドGPUが現実的な選択肢になる。ローカルで試してスペックが足りなくなったらクラウドへ、という使い方がちょうどいい。
まとめ
3サービスを用途別に整理するとこうなる：
- RunPod: Serverless・日本リージョン（福島）・秒課金。AI開発者には現状ベストの入口
- Vast.ai: 最安マーケットプレイス。コスト最優先・短時間の画像生成実験に向いている
- Lambda Cloud: 長期大規模学習・転送料無料・安定性重視。研究・本番向け
迷ったらRunPodから始めるのが現実的な答えだと思っている。理由は単純で、Serverlessに対応していること・日本リージョンがあること・落とし穴の防ぎ方が公式ドキュメントに整備されていること。あと、日本語の記事が一番多い。
最初の$10でQwen3-8Bを動かして感触を掴んでから、用途に合わせてサービスを切り替えるのが一番無駄がない。
VPSで常時稼働の推論サーバーを立てる選択肢（クラウドGPUとの使い分け）については：
