
Kan Hostinger gjøre det praktisk å leie avansert GPU-maskinvare ? Jeg satte opp en B200, løste et tilkoblingsproblem og målte faktisk inferens, bildegenerering og overvåking. Les videre for å få vite resultatene, kostnadene og begrensningene som er viktige før du leier.

Jeg vurderte Hostinger GPU Hosting ut fra mine to erfaringer med utrulling, ytelsestestresultatene fra B200-instansen som fungerte, kontrollene i hPanel og samtalene mine med kundestøtte. Jeg sjekket også de offentliggjorte vilkårene for fakturering og refusjon. Jeg følger vurderingsmetoden for hosting fra HostAdvice, men dette er et øyeblikksbilde av én testet B200, ikke en oppetidsstudie eller en sammenligning av alle GPU-modeller.
| Test | Poengsum /10 | Begrunnelse for poengsummen |
| Priser og abonnementer | 8.1 | Fleksibel GPU-leie per time og konfigurasjoner, men løpende fakturering, kreditter uten refusjonsrett og ingen mulighet til å sette på pause begrenser verdien. |
| Funksjoner | 8.8 | Kraftige GPU-er, rikelig med VRAM, applikasjonsmaler og overvåkingsverktøy, men ingen innebygde sikkerhetskopier eller vedvarende lagring. |
| Ytelse | 8.8 | Utmerkede BF16-resultater, rask Qwen-inferens og SDXL-generering på under ett sekund, selv om vedvarende arbeidsbelastninger ennå ikke er testet. |
| Brukervennlighet | 8.0 | Rask utrulling og enkel administrasjon, men begrenset GPU-lager og det første SSH-problemet skapte frustrasjon. |
| Støttenivå | 7.8 | Raske, detaljerte AI-svar og nyttig dokumentasjon, men det tok tid å få kontakt med menneskelig kundestøtte og løse tilkoblingsproblemer. |
| Totalt | 8.3 | Imponerende GPU-ytelse og tilgjengelig utrulling, men faktureringsbegrensninger, få gjenopprettingsmuligheter og utfordringer med kundestøtten trekker ned. |

Hostinger GPU Hosting bruker en leiemodell der du betaler ved behov, i stedet for de faste månedsabonnementene du vanligvis finner for webhotell. Du leier GPU-ressurser til arbeidslaster som AI-inferens, modellutvikling, finjustering og bildegenerering, og kostnadene baseres på konfigurasjonen du velger.
GPU-katalogen omfatter alternativer fra RTX 4090 og L40S til A100 og NVIDIA B200, som alle har ulik minnekapasitet og beregningskapasitet. Tilgjengeligheten kan imidlertid påvirke valget ditt. RTX 4090, som jeg først ønsket å teste, var ikke på lager i hPanel, selv om den sto oppført på Hostingers offentlige prisside.
Hostinger tilbyr både standardinstanser og Dedicated B200-instanser, og sistnevnte koster mer. Du kan også velge ulike tildelinger av CPU, RAM og lagringsplass. Den første konfigurasjonen min inkluderte 16 CPU-kjerner, 32 GB RAM og 300 GB lagringsplass. Jeg valgte den for å støtte AI-ytelsestestene mine i stedet for å bruke det minste tilgjengelige oppsettet.
Hostinger tar betalt for GPU-bruk med forhåndsbetalte kreditter. Det er imidlertid flere forhold jeg ville vurdert før jeg startet en instans:
Disse forholdene gjør kostnadsplanlegging særlig viktig for lengre AI-jobber. Du trenger nok kreditter til å dekke både behandlingstid og oppsettstid, samtidig som du tar høyde for forsinkelser eller mislykkede tilkoblinger.
Jeg testet GPU Hosting med en eksisterende Hostinger-konto som allerede hadde kreditter, så jeg fullførte ikke en ny betaling. Nye kunder kan fylle på saldoen etter at de har konfigurert en instans. Hostinger støtter betalingskort og digitale lommebøker som PayPal, men hvilke betalingsmåter som er tilgjengelige, avhenger av kundens region.
Jeg fant heller ingen separat gratis prøveperiode for GPU. GPU-kjøp og AI-kreditter omfattes ikke av Hostingers standard refusjonsgaranti for hosting på 30 dager, så jeg ville bekreftet den endelige konfigurasjonen og kredittbehovet før jeg betalte.
Den største fordelen er fleksibiliteten. Du kan få tilgang til dyr GPU-maskinvare for en kortvarig arbeidslast uten å kjøpe eller vedlikeholde din egen server. Den annonserte timeprisen forteller imidlertid ikke hele historien.
Erfaringen min viste også hvorfor klargjøring og tilkobling er viktig for prisen. Tiden du bruker på å feilsøke en utilgjengelig server, kan fortsatt bidra til kostnadene dine hvis instansen kjører og bruker kreditter.
Jeg ville sjekket den endelige kredittforbruksraten i hPanel, bekreftet GPU-tilgjengeligheten og ordnet ekstern lagring før jeg startet en betalt arbeidslast. Leiemodellen passer for korte, godt planlagte jobber. For lengre eller uforutsigbare arbeidslaster er det viktig å følge med på kredittforbruket.

En kraftig GPU er bare nyttig hvis du får tilgang til maskinvaren, kan kjøre arbeidslastene dine pålitelig og får resultater innen rimelig tid. Hostinger annonserer NVIDIA B200 med 192 GB VRAM, men jeg ville se hvordan dette ga seg utslag i faktisk ytelse.
Jeg fokuserte på tre spørsmål:
Ved den første B200-utrullingen min støtte jeg på et tilkoblingsproblem. hPanel viste en privat IP-adresse jeg ikke kunne nå fra den bærbare datamaskinen min, og Hostinger bekreftet at det var et problem med IP-adressen som ble vist i kontrollpanelet.
For å skille dette innledende problemet fra maskinvarens ytelse startet jeg en ny B200-instans og koblet til via SSH uten problemer ved hjelp av det nye endepunktet. Jeg gjennomførte følgende ytelsestester 26. oktober 2026.
Resultatene nedenfor stammer derfor fra en fungerende erstatningsinstans. Det tidligere tilkoblingsproblemet inngår fortsatt i den samlede vurderingen min, men hindret meg ikke i å evaluere GPU-ens ytelse.
Jeg brukte en Ubuntu 24.04 B200-instans med en tildeling på 16 CPU-kjerner, 32 GB RAM og omtrent 300 GB klargjort lagring i Hostingers region i Los Angeles. Fra Pop!_OS-laptopen min koblet jeg til via SSH, kontrollerte maskinvaren med nvidia-smi og installerte et CUDA-aktivert PyTorch-miljø. Serveren rapporterte NVIDIA-driver 595.91.07; PyTorch 2.11.0+cu128 gjenkjente GPU-en og støttet BF16-beregninger.
Deretter kjørte jeg tre typer arbeidslaster: korte tester av BF16-matrisemultiplikasjon og kopiering av GPU-minne, inferens med språkmodellen Qwen2.5-7B-Instruct og bildegenerering med Stable Diffusion XL. Jeg gjentok AI-arbeidslastene med faste innstillinger og registrerte kjøretidene for hver enkelt kjøring i stedet for å basere meg på ett enkelt toppresultat. Til slutt sjekket jeg siden Metrics i hPanel for å se om GPU-aktiviteten ble vist der.
Disse testene gir et praktisk øyeblikksbilde av én instans. De dokumenterer ikke langsiktig oppetid, ytelse under vedvarende belastning over flere timer eller hvordan B200 kan måle seg med konkurrerende GPU-verter under identiske forhold. Jeg kjørte heller ikke en ytelsestest av nettverksgjennomstrømming eller inferens for flere brukere.
Det første betryggende resultatet var at Ubuntu umiddelbart gjenkjente en NVIDIA B200. nvidia-smi identifiserte én B200 med 182,624 MiB rapportert GPU-minne, mens PyTorch rapporterte 178.34 GiB tilgjengelig for enheten. Disse tallene i binære enheter stemmer i grove trekk overens med de annonserte 192 GB VRAM, selv om mengden som kan leses av programvaren, ikke er nøyaktig det samme tallet som vises på salgssiden.

Operativsystemet viste også 32 GiB RAM og en montert filsystemkapasitet på 268 GiB, slik den så ut fra innsiden av miljøet. Prosessoren ble identifisert som AMD EPYC 9575F, selv om lscpu viste 224 logiske CPU-er. Jeg sjekket CPU-begrensningene i containeren i stedet for å tolke dette tallet som at planen min inkluderte 224 kjerner.
cgroup-grensen var 1,600,000 mikrosekunder per periode på 100,000 mikrosekunder, noe som ga instansen 16 CPU-ekvivalenter. Dette samsvarte med tildelingen på 16 kjerner jeg hadde valgt. Dette er et viktig skille for leserne, fordi CPU-topologien som er synlig på verten, kan virke langt mer sjenerøs enn kapasiteten som faktisk er tildelt en arbeidslast som kjøres på verten.
For å få et første mål på B200-kortets rå beregningskapasitet kjørte jeg matrisemultiplikasjon i BF16 gjennom PyTorch. BF16 er nyttig her fordi det brukes mye til beregninger med AI-modeller, selv om en liten syntetisk ytelsestest av matriser ikke kan erstatte kjøring av en komplett modell.
Med 12 repetisjoner ga den mindre matrisen på 4,096 × 4,096 en beregnet ytelse på 1,402.7 TFLOP/s, basert på en median operasjonstid på 0.098 millisekunder. Matrisen på 8,192 × 8,192 ga en beregnet ytelse på 1,668.8 TFLOP/s, med en mediantid på 0.659 millisekunder. Dette er beregnede estimater for aritmetisk gjennomstrømning for operasjonene som ble testet, ikke uavhengig verifisert, vedvarende ytelse i en applikasjon.
Jeg målte også en minnekopiering på 512 MiB mellom GPU-enheter. Den ble fullført på en median på omtrent 0.17 millisekunder, tilsvarende en rapportert nyttedatagjennomstrømning på 3,137.1 GB/s. Dette tester dataflytting i GPU-minnet; det er ikke hastigheten for å laste ned en modell, lese serverens disk eller sende data over internett.

Hele grunnlinjeskriptet ble kjørt på 2.646 sekunder. Jeg likte å se at PyTorch gjenkjente kortet og kjørte disse operasjonene uten CUDA-feil, men den korte varigheten er også en begrensning. Vi kan ikke bruke noen få millisekunders beregning til å konkludere med at GPU-en vil opprettholde samme gjennomstrømning eller temperatur under en langvarig treningsjobb.
Syntetisk gjennomstrømning var lovende, men jeg ville se hvordan B200 håndterte en faktisk språkmodell. Jeg lastet inn Qwen2.5-7B-Instruct gjennom Hugging Face Transformers i BF16 og ba den forklare GPU-akselerasjon. Testen brukte én ledetekst og maksimalt 128 genererte tokener, gjentatt tre ganger med de samme innstillingene.
Det tok 35.40 sekunder å hente og laste inn modellen i den registrerte kjøringen. Det første svaret på 128 tokener tok deretter 23.094 sekunder, noe som tilsvarer bare 5.54 tokener per sekund. Resultatet virket først skuffende, men de neste to kjøringene ga et annet bilde.
Kjøring to fullførte sine 128 tokener på 1.005 sekunder, eller 127.30 tokener per sekund. Kjøring tre tok 1.029 sekunder, eller 124.35 tokener per sekund. Det gir et gjennomsnitt på omtrent 125.8 tokener per sekund for de to senere kjøringene, med svært liten forskjell mellom dem.

Forskjellen er betydelig. Den stemmer overens med at engangsoppsett eller lat initialisering påvirket den første genereringen, men jeg fant ikke ut nøyaktig hva som var årsaken. Jeg ville ikke skjule resultatet på 23 sekunder eller fremstille de senere kjøringene som det enhver førstegangsforespørsel vil oppnå. For den som betjener en modell, er både den innledende forsinkelsen og de raskere gjentatte svarene viktige.
PyTorch rapporterte en maksimal GPU-minnetildeling på 14.21 GiB. Det er bare en liten del av det tilgjengelige minnet i B200, så denne testen viser at inferens med én forespørsel fungerer, snarere enn fordelene ved å være vert for en modell som faktisk trenger nærmere 192 GB VRAM. Jeg testet ikke samtidighet, bunting, lengre kontekstvinduer eller en optimalisert inferensserver som vLLM.
Som en annen praktisk anvendelse brukte jeg Stable Diffusion XL til å lage et produktbilde på 1,024 × 1,024 av et svart armbåndsur som lå på mørk marmor. Jeg brukte 25 inferenstrinn, FP16-vekter og den samme ledeteksten og det samme tilfeldige frøet i alle tre kjøringene. Dermed fikk jeg gjentakbare målinger, i stedet for tre ulike bilder med forskjellig kompleksitetsnivå.
Det tok 18.29 sekunder å hente og laste inn SDXL-modellen. Det første bildet tok 3.275 sekunder. Det andre og tredje tok henholdsvis 0.915 og 0.913 sekunder, noe som ga et gjennomsnitt etter oppvarming på 0.914 sekunder per bilde. PyTorch-prosessen rapporterte en maksimal GPU-minnetildeling på 11.49 GiB.

Jeg undersøkte også de eksporterte bildene. Alle tre filene var identiske byte for byte, noe som stemte med oppsettet med fast frø og viste at den gjentatte testen ga samme resultat. Klokken, den reflekterende overflaten og belysningen virket overbevisende ved første øyekast, selv om en nærmere undersøkelse av urskiven viste små uregelmessigheter som er typiske for genererte produktbilder. Disse kunstneriske feilene må ikke forveksles med feil i GPU-maskinvaren.
Resultatet var spesielt nyttig fordi det ga meg en konkret oppgave å evaluere: Når arbeidsflyten var lastet inn, ble et SDXL-bilde i full størrelse klart på under ett sekund. Dette var imidlertid generering av enkeltbilder med én SDXL-modell, ikke en ytelsestest av videogenerering, store grupper eller alle bildemodellene som kan leies.
Tidligere i anmeldelsen hadde Hostingers Metrics-side vist flate linjer fordi GPU-en var inaktiv. Etter å ha kjørt ytelsestestene gikk jeg tilbake til den samme visningen for 1 time og så aktivitet i begge grafene. Beregningsytelsen ble vist som 297 TFLOPs, og VRAM-grafen viste en tydelig økning, med et punkt på 14.3 GB da jeg holdt markøren over det.

Dette bekreftet på en nyttig måte at hPanel registrerte arbeidslasten, i stedet for å fortsette å vise null. Det gjorde også Metrics-siden mer informativ enn den hadde vært rett etter utrullingen. Det var lett å finne alternativene for 1 time, 24 timer, 7 dager og 30 dager.
Jeg ville likevel unngått en direkte numerisk sammenligning mellom visningen på 297 TFLOPs i hPanel og det syntetiske resultatet på 1,668.8 TFLOP/s. Målevinduet og beregningsmetoden for kontrollpanelet ble ikke fastslått under testen min, og VRAM-visningen er ikke identisk med PyTorch-prosessens maksimale minnetildeling. Grafene er nyttige for å oppdage aktivitet og endringer over tid; de erstatter ikke måling av kjøretid på arbeidslastnivå eller systemmålinger.
Den andre B200-instansen fra Hostinger ga meg brukbar GPU-akselerasjon i tre svært ulike tester. De syntetiske BF16-resultatene viste raske, korte beregninger, Qwen2.5-7B nådde omtrent 126 tokener per sekund etter et uvanlig tregt første målt svar, og Stable Diffusion XL genererte bilder på 1,024 piksler på omtrent 0.91 sekunder etter oppstart. Jeg bekreftet også CPU-kvoten på 16 kjerner og fulgte med på aktiviteten i hPanel.
Dette er positive resultater, men jeg ville ikke gjort dem til et løfte om ytelsen for enhver KI-arbeidslast. Testene var korte og ble utført på én instans, med relativt små modeller sammenlignet med den tilgjengelige VRAM-en på B200. Jeg testet ikke vedvarende trening, maksimal samtidighet, langsiktig tilgjengelighet eller hastigheten på det eksterne nettverket. Problemet med SSH-endepunktet tidligere er også fortsatt en separat driftsmessig bekymring, selv om erstatningsserveren koblet seg til uten problemer.

Jeg gikk fram med Hostinger GPU Hosting slik jeg ville gjort med en ny GPU-leie: finne et passende kort, sjekke den faktiske kostnaden, starte en instans og se hvor håndterbart miljøet føles etter at det er satt i gang.
Jeg ville også finne ut hvordan GPU-tjenesten passer inn i det større hPanel fra Hostinger, siden det å få en server på nett bare er halve opplevelsen.
Utrullingen gikk raskt. Kjøpsprosessen var mindre forutsigbar. GPU-en jeg valgte på den offentlige prissiden, var ikke tilgjengelig i hPanel, og erstatningen min hadde en mye høyere timepris. Slik utspilte opplevelsen seg, fra det første klikket til administrasjonsverktøyene.
Jeg startet på Hostingers nettsted og åpnet Products > Hosting > GPU hosting. Jeg likte at GPU hosting hadde sin egen tydelig merkede oppføring ved siden av webhotell, VPS-hotell og skyhotell. Jeg trengte ikke å åpne et generisk VPS-produkt eller finne ut om GPU-maskinvare kunne legges til som et tillegg.

Lenken åpnet landingssiden for Hostinger GPU Hosting, som annonserte leie av NVIDIA-GPU-er på timebasis til KI, gjengivelse og annet beregningsintensivt arbeid. En Get started-knapp lå rett under hovedoverskriften. Da jeg klikket på den, opprettet den ikke en instans med en gang og sendte meg heller ikke til registreringen; i stedet flyttet den meg nedover på samme side til delen med GPU-priser.

Det var et fornuftig sted å begynne. I prisdelen var de tilgjengelige GPU-modellene vist på separate kort, med annonserte startpriser per time, VRAM og anbefalte bruksområder. Jeg kunne sammenligne maskinvaren før jeg ble bedt om å konfigurere en server. Utvalget på den offentlige siden strakte seg fra RTX 4090 til dyrere GPU-er for datasentre, blant annet B200.

Først valgte jeg NVIDIA RTX 4090. Hostinger annonserte den fra $0.42 per time med 24 GB VRAM og anbefalte den til utvikling, eksperimentering, bilde- og videogenerering, 3D-gjengivelse og inferens med mindre modeller.
Det virket som et fornuftig utgangspunkt for kontrollene av KI-inferens, bildegenerering og GPU-ytelse som jeg hadde planlagt. Jeg trengte ikke å leie et av de dyreste kortene bare for å etablere et praktisk utgangspunkt.

Etter at jeg hadde valgt RTX 4090, klikket jeg på Get GPU på kortet. Da kom jeg til Hostingers kontoregistreringsside. Der kunne jeg registrere meg via Google eller GitHub, eller fylle ut de vanlige feltene for e-postadresse og passord.
Telefonnummerfeltet var merket som valgfritt, og en egen avkrysningsboks gjaldt reklamemeldinger via WhatsApp og SMS.

Registreringsskjermen var enkel. Enda viktigere var det at GPU-valget ennå ikke hadde forpliktet meg til å kjøpe en bestemt server.
Etter at jeg hadde opprettet en konto eller logget inn, åpnet jeg GPU-området i hPanel, der jeg faktisk kunne velge og starte maskinvaren. Panelet viste en kredittsaldo på 2,000.
Panelet viste en kredittsaldo på 2,000 fordi jeg allerede hadde en Hostinger-konto med tilgjengelige kreditter. Hvis du registrerer deg for første gang uten en eksisterende kredittsaldo, vil du komme til et betalingstrinn etter at du har konfigurert GPU-instansen. Der kan du velge ønsket betalingsmåte før du fullfører kjøpet.
GPU-siden i hPanel var ryddig og enkel å skanne. Over listen forklarte Hostinger at jeg kunne starte GPU-instanser direkte fra panelet, og den valgbare maskinvaren sto oppført nedenfor en synlig kredittsaldo. Sju modeller var oppført, inkludert RTX 4090 som jeg hadde valgt, men de fleste Select-knappene var deaktivert.

Jeg prøvde å velge RTX 4090 og oppdaget at knappen var nedtonet. Da jeg holdt pekeren over den, dukket meldingen «ikke på lager» opp. Jeg kunne heller ikke velge RTX 5090, L40S, A100 eller RTX PRO 6000 i den økten. Bare to alternativer var tilgjengelige for meg: NVIDIA B200 og B200 (Dedicated).

Dette var den største hindringen i kjøpsopplevelsen. Den offentlige prissiden hadde invitert meg til å leie en RTX 4090 til $0.42 per time, men jeg kunne faktisk ikke klargjøre denne GPU-en.
Hostinger var i det minste tydelige om begrensningen i hPanel, i stedet for å la meg fylle ut en konfigurasjon og mislykkes etter utrullingen. Likevel betydde det at jeg måtte revurdere både testmaskinvaren og budsjettet.
Jeg valgte standardmodellen NVIDIA B200, annonsert fra $4.50 per time med 192 GB VRAM. Den større minnekapasiteten ga meg også rom til å teste mer krevende AI-arbeidslaster senere.
Alternativet B200 (Dedicated) kostet fra $7.08 per time, og jeg hadde ikke noe spesifikt behov for eksklusiv GPU-tilgang som kunne rettferdiggjøre pristillegget. Jeg klikket på Select for standardmodellen B200 for å fortsette.
Etter at jeg hadde valgt B200, åpnet Hostinger en side med tittelen «Rull ut GPU-instansen din». GPU-alternativene sto i en kolonne til venstre, og konfigurasjonen for den valgte instansen sto til høyre. Denne utformingen fungerte godt: Jeg kunne gå gjennom B200 sammen med de tilgjengelige alternativene uten å miste serverinnstillingene eller driftskostnaden av syne.

Jeg ga instansen navnet hostinger-gpu-review-b200. Hostinger oppga at ord i navnet skulle skilles med bindestreker, så navnekravet var tydelig allerede i skjemaet.
Det neste feltet var region, og her kom den andre praktiske begrensningen til syne: rullegardinmenyen tilbød bare Los Angeles, United States. Jeg hadde ingen andre steder å velge mellom i denne utrullingsøkten.

Velgeren for instansstørrelse krevde mer oppmerksomhet enn jeg først hadde forventet. Hostinger hadde forhåndsvalgt en konfigurasjon med 2 kjerner, 64 GB RAM og 100 GB lagring til 506 kreditter per time. Da jeg åpnet rullegardinmenyen, så jeg andre kombinasjoner av CPU, RAM og lagring med ulike priser. Utvalget fulgte ikke en enkel utvikling der et lavere antall CPU-kjerner alltid betydde en lavere pris; alternativet med 4 kjerner kostet for eksempel 450 kreditter per time.

Jeg valgte X-Large: 16 CPU-kjerner, 32 GB RAM og 300 GB lagring til 488 kreditter per time. Dermed fikk serveren mer CPU- og diskkapasitet til oppsett og kjøring av tester, uten at jeg måtte gå opp til konfigurasjonen med 32 kjerner.
Prisen per time var også litt lavere enn for det forhåndsvalgte alternativet med 2 kjerner. Det viktige å merke seg om prisen er at B200-prisen på $4.50 per time som Hostinger annonserte, var en startpris. Konfigurasjonen jeg faktisk valgte, kostet 488 kreditter per time, noe som tilsvarer omtrent $4.88 per time med kursen som Hostingers priskort impliserte.
Deretter åpnet jeg Velg operativsystem eller applikasjon. I tillegg til Ubuntu 24.04 tilbød Hostinger ferdiglagde alternativer for Ollama, JupyterLab, Unsloth og InvokeAI. Disse alternativene kunne spare tid på oppsettet for noen som fokuserer på en bestemt AI-applikasjon. Jeg valgte Ubuntu 24.04 fordi jeg ønsket et rent operativsystem og kontroll over verktøyene jeg installerte for den videre testingen.

Hostinger tilbød også et valgfritt felt for SSH-nøkkel. Jeg lot det stå tomt ved den første utrullingen i stedet for å legge til en nøkkel under utsjekkingen. Panelet viste senere tilkoblingsopplysninger for passordbasert innlogging, så det at jeg ikke hadde lagt til en nøkkel, betydde ikke at jeg manglet en innloggingsmetode som var oppgitt. For en server som skal kjøre over lengre tid, ville jeg likevel foretrukket nøkkelbasert SSH-tilgang.
Før jeg klikket på Deploy, viste sammendraget den valgte B200, X-Large-konfigurasjonen og timeprisen på 488 kreditter opp mot saldoen min på 2,000 kreditter.
Hostinger anslo at saldoen ville dekke omtrent fire timer med kontinuerlig bruk. Jeg likte at dette anslaget sto rett over utrullingsknappen: Det synliggjorde de løpende kostnadene bedre enn et priskort som bare oppgir Fra $4.50 per time.

Jeg klikket på Deploy. Hostinger viste deretter en skjerm med teksten «Setter opp GPU-en din» og sa at jeg kunne forlate siden mens klargjøringen fortsatte. Det var ikke nødvendig med noe ekstra manuelt oppsett av infrastrukturen på dette stadiet.

Omtrent to minutter senere bekreftet suksesskjermen at alt var klart, og sa at GPU-instansen var oppe og kjørte. Den identifiserte hostinger-gpu-review-b200 som en B200 med 192 GB VRAM og størrelsen X-Large. Neste handling var tydelig presentert som Manage, så det var opplagt hvor jeg skulle gå etter at klargjøringen var fullført.

Jeg klikket på Manage fra denne bekreftelsesskjermen for å undersøke kontrollene jeg skulle bruke etter utrullingen. Denne direkte overleveringen var en fin detalj: Jeg slapp å gå tilbake til den generelle hPanel-hjemmesiden og lete etter den nye serveren min.
Manage åpnet et eget område for GPU-administrasjon, ikke et vanlig kontrollpanel for webhotell. Menyen til venstre hadde bare tre valg: Oversikt, Metrics og Exposed services. Etter de omfattende skjermene for produktvalg satte jeg pris på hvor fokusert denne navigasjonen var.
Oversikten besvarte umiddelbart spørsmålene jeg ville hatt etter å ha leid dyr maskinvare: Kjører den? Hvilken GPU og hvilke ressurser fikk jeg? Hva er forbruket per time? Hvordan kobler jeg til? Instanskortet viste hostinger-gpu-review-b200 som kjørende og bekreftet NVIDIA B200, 192 GB VRAM, 16 CPU-kjerner, 32 GB RAM, 300 GB disk, Ubuntu 24.04 og plasseringen Los Angeles.

To kontroller var plassert direkte på instanskortet: Start på nytt og Slett. Det er nyttig at de er synlige, fordi du må vite hvordan du administrerer instansens livssyklus når du betaler per time. Jeg utførte ingen av handlingene i denne delen av testen, så jeg vurderer hvor lett tilgjengelige kontrollene var, uten å hevde at jeg har bekreftet hvordan de fungerer.
Over serverkortet viste Hostinger beregningsytelse, VRAM-bruk og kredittforbruk. Det første skjermbildet mitt viste en gjennomstrømning på 0 TFLOPs og et gjennomsnittlig VRAM-forbruk på 0 GB, fordi jeg ennå ikke hadde kjørt noen GPU-arbeidslast.
Kredittoversikten viste at det var brukt 488 kreditter totalt, med et forbruk på 488 kreditter per time og en gjenværende saldo på 1,512 kreditter. Det var nyttig å ha denne oversikten, særlig med tanke på hvor raskt betalt GPU-bruk kan hope seg opp.
Tilkoblingspanelet viste den offentlige IPv4-adressen, en SSH-kommando som kunne kopieres, og passordet i én seksjon. SSH-kommandoen inkluderte Ubuntu-brukernavnet og en ikke-standard SSH-port. Passordfeltet hadde knapper for å vise og kopiere passordet.
Hostinger advarte også om at et passord som ble endret via SSH, ikke lenger ville samsvare med passordet som var lagret i hPanel. Jeg kunne derfor finne tilkoblingsinformasjonen uten å lete i dokumentasjonen, selv om skjermbildet alene ikke beviser at jeg logget inn via SSH.
Etter å ha sett gjennom Oversikt åpnet jeg Metrics. Hostinger hadde tidsfiltre for 1 time, 24 timer, 7 dager og 30 dager. Siden viste beregningsytelse i TFLOPs og VRAM-bruk i GB i grafer. Grafene var enkle og lettleste, uten uvedkommende systemdiagrammer som tok oppmerksomheten.

Begge grafene lå flatt på null da jeg tok skjermbildene. Det var forventet før jeg kjørte en KI-jobb, så jeg ville ikke tolke disse målingene som tegn på GPU-ytelse eller en feil i overvåkingssystemet.
Den nyttige testen kommer senere: Start en faktisk arbeidslast, følg grafene mens bruken endrer seg, og sammenlign dem med målinger fra Ubuntu.
Deretter åpnet jeg Exposed services, seksjonen for å gjøre en applikasjon som kjører på GPU-serveren, tilgjengelig over internett. Siden jeg ikke hadde opprettet noen tjeneste, viste siden en tom visning med en knapp for å legge til en tjeneste. Hostinger viste også en advarsel om at alt som ble publisert, ville være tilgjengelig for alle som hadde adressen, med mindre applikasjonen hadde sin egen innlogging.

Jeg likte den advarselen. GPU-arbeidslaster omfatter ofte interaktive notatbøker, inferens-API-er og andre utviklingsgrensesnitt som ikke er ment å være åpent tilgjengelige. Det var enkelt å finne inngangen, men jeg hadde ennå ikke lagt til eller testet en offentlig tjeneste her, så jeg kan ikke vurdere resten av arbeidsflyten eller sikkerhetsalternativene ut fra disse skjermbildene alene.
Først etter at jeg hadde undersøkt de GPU-spesifikke skjermbildene, gikk jeg tilbake til Home i hPanel. Det ga meg et annet perspektiv på brukervennlighet: Hvor ville jeg finne GPU-instansen hvis jeg logget på igjen senere, i stedet for å gå inn via Manage-knappen etter utrullingen?
Home-siden min åpnet med en fremtredende ledetekst for AI-assistenten og et stort område kalt Your business, fullt av eksisterende nettsteder.
Hvert nettsted hadde en handling kalt Manage site, og flere oppføringer viste påminnelser om midlertidige domener. Lenger ned kunne jeg se en VPS-tabell med IP-adresser, kjørestatuser, utløpsdatoer og administrasjonsknapper. Til venstre samlet navigasjonen Websites, Domains, Emails, More services, nettstedbyggere, AI-agenter, markedsføringsverktøy og utviklertjenester.

Denne alt-i-ett-løsningen har sine fordeler. Produktgruppene er tydelig merket, og en eksisterende Hostinger-kunde kan få tilgang til flere typer hosting fra én konto. I mitt tilfelle gjorde imidlertid mengden innhold knyttet til nettsteder siden visuelt uoversiktlig.
Den nye GPU-en min var ikke like fremtredende i det synlige innholdet på Home som nettstedene og VPS-oppføringene. Da jeg først hadde funnet den, opplevde jeg den dedikerte navigasjonen for GPU-ens Overview, Metrics og Exposed services som mer fokusert.
Den uvanlig lange listen over nettsteder gjenspeiler det som allerede var på kontoen min; en ny kunde uten andre tjenester ser kanskje en mindre fullpakket side. Likevel er dette skillet viktig for leseren: Det tar kort tid å rulle ut en GPU, og prosessen er fokusert, mens det bredere hPanel-dashbordet prøver å dekke alle Hostinger-produktene samtidig.
Det beste med brukervennligheten til Hostinger GPU Hosting viste seg etter at jeg hadde funnet en tilgjengelig GPU. Konfigurasjonssiden viste valgmulighetene og kostnadene, det var enkelt å finne Ubuntu- og AI-applikasjonsbilder, utrullingen tok omtrent to minutter, og Manage tok meg rett til et kompakt instansdashbord.
Jeg fant GPU-spesifikasjonen, forbruket av kreditter per time, SSH-informasjonen og de viktigste administrasjonskontrollene uten å måtte navigere i en komplisert skybasert konsoll.
Men denne brukervennligheten bør ikke skjule begrensningene før utrulling. Jeg valgte RTX 4090 på den offentlige siden, men kunne ikke leie den da jeg kom til hPanel; de fleste oppførte GPU-ene var ikke tilgjengelige, og Los Angeles var den eneste utrullingsregionen i økten min. B200 var betydelig dyrere enn RTX 4090 jeg hadde tenkt å bruke, og prisen for X-Large-konfigurasjonen var høyere enn den annonserte startprisen for B200. Den generelle Home-visningen i hPanel føltes også mer rotete enn de GPU-spesifikke sidene.

Hostinger tilbyr nettstøtte døgnet rundt via chatten i kontrollpanelet, med ytterligere tilgang via WhatsApp og e-post på support@hostinger.com. I motsetning til enkelte hostingleverandører tilbyr de ikke telefonstøtte.
Den viktigste støtteopplevelsen dreier seg nå om Hostinger Agent, en AI-assistent som kan svare på spørsmål, feilsøke problemer, hente dokumentasjon og utføre bestemte kontoadministrasjonshandlinger. Hostinger gir også tilgang til Customer Success Specialists når du trenger ytterligere hjelp.
I denne vurderingen testet jeg livechatten med en reell bekymring knyttet til NVIDIA B200 GPU-instansen min. Jeg ville finne ut hvor raskt jeg kunne få nøyaktig teknisk veiledning, og, enda viktigere, hvor enkelt det var å snakke direkte med et menneske når jeg ba om det.
Jeg gjennomgikk også Hostingers kunnskapsbase for å vurdere kvaliteten på GPU-dokumentasjonen og se om kundene kunne løse vanlige problemer uten å kontakte kundestøtten.
Jeg åpnet livechatten ved å klikke på Agent øverst i hPanel. Chatten åpnet seg ved siden av GPU-administrasjonssiden min, slik at jeg kunne se den kjørende B200-instansen og kredittforbruket mens jeg snakket med kundestøtten.

Hostinger Agent er etterfølgeren til Kodee, Hostingers tidligere AI-assistent for kundestøtte. Hostinger slo Kodee sammen med den bredere samlingen av spesialiserte AI-verktøy til én samlet assistent. Ifølge Hostinger kan agenten forklare tekniske problemer, gi feilsøkingsinstruksjoner, foreslå relevant dokumentasjon og utføre handlinger som støttes på kundens konto.
Testen min fokuserte imidlertid på tekniske råd og overføring til et menneske, ikke på å la agenten gjøre endringer på kontoen.
Jeg stilte et praktisk spørsmål om GPU-fakturering og oppbevaring av data. Siden Hostinger fakturerer GPU-instanser per time, ville jeg vite om jeg kunne sette serveren på pause mellom AI-arbeidslaster uten å miste de installerte applikasjonene, modellene og filene mine. Jeg spurte også om omstart ville stanse faktureringen, og hva jeg burde gjøre for å bevare miljøet mitt hvis det var nødvendig å slette instansen.
Agenten svarte på under 30 sekunder.
Svaret tok for seg alle tre bekymringene. Det forklarte at omstart bare starter serveren på nytt, og ikke stanser faktureringen. Hostinger tilbyr for øyeblikket ikke en funksjon for å sette på pause eller stoppe en GPU-instans uten at kundene pådrar seg kostnader. Hvis du sletter instansen, stanser faktureringen, men de lokale dataene slettes permanent.
Svaret gikk lenger og forklarte hvordan jeg kunne bevare arbeidsmiljøet mitt. Det anbefalte å overføre modeller og datasett til ekstern lagring, eksportere Python- eller Conda-avhengigheter, notere CUDA- og PyTorch-versjonene og lagre konfigurasjonsfiler og utrullingsskript.

Jeg likte detaljnivået. I stedet for bare å si at GPU-instanser ikke kunne settes på pause, tok assistenten for seg hva jeg burde gjøre før jeg slettet serveren. Rådene samsvarte også med Hostingers offisielle dokumentasjon om GPU-fakturering, slik at jeg kunne kontrollere om forklaringen var korrekt.
Det å svare på det tekniske spørsmålet var imidlertid bare den første delen av støttetesten min. Deretter ville jeg snakke direkte med en menneskelig spesialist.
Kl. 17:23 ba jeg Hostinger Agent om å sette meg i kontakt med en medarbeider i kundestøtten for å bekrefte detaljene om GPU-fakturering og oppbevaring av data. I stedet for å ordne en overføring gjentok agenten retningslinjene og oppfordret meg til å fortsette med AI-støtte. Den forklarte at dette ville gå raskere.
Kl. 17:24 ba jeg uttrykkelig om det igjen. Denne gangen sa jeg at jeg forsto retningslinjene og ikke trengte enda en AI-forklaring. Jeg ville spesifikt snakke med en medarbeider og var villig til å vente.
Kl. 17:25 oppsummerte assistenten faktureringsreglene på nytt før den tilbød to alternativer: Wait for a human review og fortsette med Hostinger Agent.

Jeg valgte alternativet for menneskelig gjennomgang og bekreftet at jeg ønsket å fortsette med en person. Hostinger viste deretter en melding om at gjennomgangen pågikk, en nedtelling og et felt der jeg kunne oppgi mer informasjon til spesialisten.

Kl. 17:31, omtrent seks minutter etter at forespørselen gikk inn i gjennomgangsprosessen, mottok jeg et svar knyttet til en spesialist ved navn Amber. Grensesnittet viste «Svar gjennomgått av Amber».
I meldingen ba Amber meg oppgi navnet på GPU-instansen min, hvilke punkter om fakturering eller oppbevaring av data jeg ønsket bekreftet, og eventuelle relevante feil eller skjermbilder.

Jeg oppga instansnavnet, hostinger-gpu-review-b200, og ba om bekreftelse på tre viktige punkter: at det ikke finnes noen pausefunksjon, at data slettes permanent etter sletting av instansen, og om øyeblikksbilder, sikkerhetskopier eller vedvarende lagring er tilgjengelig.
Jeg stilte også et spørsmål om selve støtteprosessen. Siden grensesnittet sa at svaret var gjennomgått av Amber, ville jeg vite om jeg nå snakket direkte med henne eller fortsatt samhandlet med KI.
Kl. 17:33 mottok jeg et nytt, detaljert svar. Det bekreftet at GPU-instanser fortsetter å bruke kreditter når de er inaktive, at de lokale dataene deres slettes permanent når instansene slettes, og at Hostinger for øyeblikket ikke tilbyr GPU-øyeblikksbilder, automatiserte sikkerhetskopier eller vedvarende lagring.
Det forklarte også at en instans slettes umiddelbart når kredittsaldoen når null, uten noen utsettelsesperiode. Det foreslåtte alternativet var å eksportere miljøet til en separat VPS, skylagring eller en lokal datamaskin ved hjelp av verktøy som scp eller rsync.
Men den mest avslørende delen av svaret handlet om menneskelig støtte. Hostinger bekreftet uttrykkelig at jeg fortsatt kommuniserte med Hostinger Agent, en KI-assistent. En menneskelig spesialist fulgte med på eller gjennomgikk samtalen, men jeg var ikke blitt overført til en direkte en-til-en-samtale med et menneske.

Dette skillet er viktig. Jeg hadde bevisst bedt om en menneskelig representant i stedet for enda en automatisert forklaring. Selv om systemet sørget for menneskelig oppfølging og ga et fullstendig teknisk svar, fikk jeg ikke den direkte menneskelige kontakten jeg hadde bedt om.
Fra det første spørsmålet kl. 17:22 til den endelige presiseringen kl. 17:33 tok hele supportutvekslingen omtrent 11 minutter. Det første AI-svaret kom på under 30 sekunder, mens menneskelig gjennomgang ble synlig omtrent seks minutter etter at jeg ba om eskalering.
Etter å ha testet livechatten gikk jeg videre til Hostingers elektroniske hjelpesenter for å se hvor enkelt GPU-kunder kunne finne svar uten å kontakte support.
Hjemmesiden var oversiktlig og godt organisert, med en fremtredende søkelinje og dokumentasjon gruppert i kategorier som Kom i gang, Hostinger-kontrollpanel, VPS, Fakturering og SSL-sertifikater. Jeg fant imidlertid ingen egen GPU-kategori blant alternativene som ble vist.

Jeg skrev «gpu» i søkelinjen, og Hostinger viste 10 resultater. Åtte handlet spesifikt om GPU hosting og dekket valg av maskinvare, applikasjonsmaler, utrulling, instansadministrasjon, fakturering, offentlig tilgjengelige tjenester, sikkerhet og sammenligninger med VPS-hosting. De to andre handlet om Hostingers refusjonspolicy og kontrollpanel.

Jeg likte at søket umiddelbart viste relevant GPU-dokumentasjon, selv uten en egen kategori på hjemmesiden. Enda viktigere var det at artiklene tok for seg praktiske forhold som kredittforbruk per time, tap av data etter sletting av en instans og sikring av offentlig tilgjengelige applikasjoner.
Deretter undersøkte jeg de enkelte veiledningene for å se hvor tydelig de forklarte disse problemene, og hvor godt instruksjonene samsvarte med min praktiske erfaring.
Jeg gjennomgikk Hostingers veiledninger om GPU-konfigurasjon og instansadministrasjon. De dekker valg av maskinvare, regioner, programvaremaler, utrulling, overvåking og offentlig tilgjengelige tjenester.
Instruksjonene samsvarte godt med erfaringen min i hPanel. Jeg satte også pris på at Hostinger erkjente begrensningene i regional GPU-tilgjengelighet, som jeg møtte da RTX 4090 var ikke på lager, og Los Angeles var det eneste utrullingsalternativet mitt.
Den GPU-faktureringsveiledningen var spesielt nyttig fordi den tok opp de samme bekymringene som jeg tok opp i livechatten.
Den bekrefter at faktureringen fortsetter mens en instans er inaktiv, at omstart ikke stanser belastningene, og at sletting permanent fjerner lokale data.
Enda viktigere er det at Hostinger advarer om at det ikke finnes automatiske etterfyllinger av kreditter eller varsler om lav saldo. Hvis kredittene tar slutt, blir instansen slettet umiddelbart.

Dette er kritiske detaljer for alle som kjører AI-arbeidslaster uten tilsyn, og jeg likte at Hostinger forklarte dem tydelig.
Hostingers veiledning om tjenesteeksponering forklarer offentlig tilgang, portkonfigurasjon og støttede protokoller. Den presiserer også at valg av HTTPS ikke automatisk konfigurerer TLS-kryptering.
Den tilhørende sikkerhetsveiledningen dekker autentisering av applikasjoner og brannmurbeskyttelse. Jeg skulle likevel gjerne sett en tydeligere advarsel om å bevare SSH-tilgangen før man aktiverer restriktive brannmurregler.

Hostinger leverte en god AI-assistert kundestøtteopplevelse, selv om prosessen for å eskalere til et menneske kunne vært bedre.
Hostinger Agent svarte på GPU-spørsmålet mitt på under 30 sekunder, forklarte konsekvensene for faktureringen og anbefalte praktiske tiltak for å bevare miljøet mitt. Veiledningen var detaljert og i tråd med den offisielle dokumentasjonen.
Menneskelig oppfølging ble tilgjengelig etter omtrent seks minutter, og det endelige svaret tok for seg tilleggsspørsmålene jeg stilte. Jeg måtte imidlertid be om eskalering gjentatte ganger, og samtalen forble AI-ledet i stedet for å bli en direkte livechat med en spesialist.
Kunnskapsbasen var et annet pluss. De åtte GPU-spesifikke artiklene forklarte utrulling, administrasjon, fakturering, hvordan tjenester gjøres offentlig tilgjengelige, og sikkerhet på en tydelig måte. Faktureringsdokumentasjonen var spesielt nyttig for å forstå risikoen ved løpende kredittforbruk og permanent datatap.

Ja, for utviklere og AI-team som trenger betydelig GPU-kapasitet uten å kjøpe maskinvaren. B200-instansen min kjørte Qwen-inferens med omtrent 126 tokener per sekund etter oppvarming og genererte SDXL-bilder på omtrent 0.91 sekunder.
Utrullingen gikk raskt da jeg først hadde et fungerende SSH-endepunkt. Problemet med visning av IP-adressen på den første serveren, skiftende maskinvaretilgjengelighet, kreditter uten refusjonsrett og mangelen på mulighet til å sette instansen på pause eller innebygde sikkerhetskopier utgjør likevel betydelige risikoer.
| Plan-navn | CPU | RAM | Båndbredde | Pris | |
|---|---|---|---|---|---|
| Free Trial | - | Ubegrenset | Nkr 0 | Detaljer | |
| Game Panel 2 | 2 kjerner | 8 GB | 8 TB | Nkr 83 | Detaljer |
| Game Panel 4 | 4 kjerner | 16 GB | 16 TB | Nkr 122 | Detaljer |
| Game Panel 8 | 8 kjerner | 32 GB | 32 TB | Nkr 243 | Detaljer |
| Description | Expert Review |
|---|---|
| Budsjettvennlig hosting med høy ytelse og enkle administrasjonsverktøy. | Read Shared Hosting Review |
| rask og sikker WordPress hosting med ett-klikks installasjon og premiumfunksjoner. | Read Wordpress Hosting Review |
| Skalerbar VPS-hosting med dedikerte ressurser og root-tilgang. | Read VPS Review |
| Rask, fleksibel skyhosting med utmerket oppetid og skalerbare ressurser. | Read Cloud Hosting Review |
| Sikre og private hostingløsninger med offshore datasenterlokasjoner. | Read Offshore Hosting Review |
| Sikker og pålitelig e-posthosting med profesjonelle funksjoner. | Read Email Hosting Review |
| Pålitelig Python-hosting med fleksible miljøer for utviklere. | Read Python Hosting Review |
| Høyytelses PHP-hosting med full støtte for dynamiske nettsteder og applikasjoner. | Read PHP Hosting Review |
| Pålitelig Windows VPS-hosting med full kontroll og tilpasningsmuligheter. | Read Windows VPS Review |
| Rask og fleksibel hosting skreddersydd for Node.js-applikasjoner med optimal ytelse. | Read Nodejs Hosting Review |
| Optimalisert hosting for WooCommerce-butikker med høy hastighet og sikker integrasjo... | Read Woocommerce Hosting Review |
| Dedikert serverhosting for sømløse Minecraft-spillopplevelser. | Read Minecraft Server Hosting Review |
| Skalerbare hostingløsninger med avanserte funksjoner for digitale byråer og utvikle... | Read Agency Hosting Review |
| Rask, sikker hosting optimalisert for Magento e-handelsnettsteder. | Read Magento Hosting Review |
| Høyytelses Linux-basert hosting for stabil og sikker drift av nettsteder. | Read Linux Hosting Review |
| Robuste Java-hostingløsninger for dynamiske webapplikasjoner og prosjekter. | Read Java Hosting Review |
| Optimalisert hosting for e-handelsnettsteder med sikker, rask og pålitelig ytelse. | Read Ecommerce Hosting Review |
| Pålitelige Django-hosting med raske hastigheter og sikkert miljø. | Read Django Hosting Review |
| Brukervennlig cPanel-hosting med solid ytelse og pålitelig støtte. | Read Cpanel Hosting Review |
| Kraftig hosting for bedrifter med raske hastigheter, sikkerhet og skalerbarhet. | Read Business Hosting Review |
| Easy-to-use website builder with drag-and-drop tools and customizable templates. | Read Website Builder Review |
| Optimized hosting for Joomla sites with one-click installation and reliable performan... | Read Joomla Hosting Review |
| Powerful hosting with full PostgreSQL database support for data-driven applications. | Read PostgreSQL Hosting Review |
| Flexible hosting with MongoDB integration for scalable, modern web applications. | Read MongoDB Hosting Review |
| AI-powered website creation platform for building professional sites in minutes. | Read AI Builder Review |
| Reliable hosting for n8n workflow automation with easy setup and management. | Read n8n Hosting Review |
| VPS hosting with Docker support for containerized application deployment and scaling. | Read Docker VPS Review |
| Dedikert SMTP-serverhosting for pålitelig og sikker e-postlevering. | Read SMTP Server Review |
| Rask og optimalisert hosting skreddersydd for Ruby on Rails-nettapplikasjoner. | Read Ruby on Rails Review |
| Funksjonsrik hosting med OpenClaw-integrasjon for å bygge og administrere klomaskins... | Read OpenClaw Review |
| Rask og pålitelig hosting med UK-baserte servere for optimal lokal ytelse. | Read UK Hosting Review |
| Rimelig og pålitelig hosting med India-baserte servere for lavlatens-tilgang. | Read India Review |
| Read Singapore Review | |
| Read Australia Review | |
| Read AI Agent Review | |
| Read Paperclip VPS Review | |
| Read Hermes Agent Review | |
| Read Hostinger Connector Review | |
| Read Web Apps Hosting Review | |
| Read Hostinger Reach Review | |
| Read MCP Review | |
| Read hpanel Review | |
| Read Odoo Review | |
| Read Laravel Review | |
| Read MERN VPS Review | |
| Read Ubuntu Review | |
| Read Drupal Hosting Review | |
| Read Express.js Review | |
| Read React Review | |
| Read Nextjs Review | |
| Read AI Router Review | |
| Read AI Game Maker Review |
Ja. Min NVIDIA B200 kjørte Qwen2.5-7B-inferens og Stable Diffusion XL-bildegenerering med suksess. Resultatene varierer avhengig av modell, rammeverk og instansstørrelse.
Hostinger annonserer 192 GB VRAM. Min B200 rapporterte 178.34 GiB gjennom PyTorch, i samsvar med forskjellene mellom desimale og binære minneenheter.
Nei. GPU-kreditter fortsetter å bli brukt mens instansen er inaktiv eller under omstart. Å slette instansen stopper brukskostnadene, men fjerner permanent de lokale dataene.
Jeg så ikke en egen gratis prøveperiode for GPU under utsjekken min. Hostinger unntar GPU-kjøp og AI-kreditter fra sin standard 30-dagers pengene-tilbake-garanti.
Ja. SSH fungerte på min erstatnings-B200-instans, selv om den første distribusjonen viste en privat IP i stedet for et brukbart offentlig SSH-endepunkt.

Besvar noen enkle spørsmål og finn den perfekte løsningen for deg!
Start hosting-søk





