
Czy Hostinger może sprawić, że wynajem wysokiej klasy sprzętu GPU będzie praktycznym rozwiązaniem? Wdrożyłem B200, rozwiązałem problem z połączeniem i zmierzyłem rzeczywistą inferencję, generowanie obrazów oraz monitorowanie. Czytaj dalej, aby poznać wyniki, koszty i ograniczenia, które warto wziąć pod uwagę przed wynajmem.

Ocenę Hostinger GPU Hosting oparłem na dwóch doświadczeniach z wdrażaniem, wynikach testów wydajności działającego B200, dostępnych w hPanel opcjach sterowania oraz rozmowach z pomocą techniczną. Sprawdziłem również opublikowane warunki rozliczeń i zwrotów. Stosuję metodologię oceniania usług hostingowych HostAdvice, ale jest to ocena pojedynczego przetestowanego B200, a nie badanie dostępności usługi ani porównanie wszystkich modeli GPU.
| Test | Ocena /10 | Uzasadnienie oceny |
| Ceny i plany | 8.1 | Elastyczny wynajem GPU rozliczany godzinowo i różne konfiguracje, ale ciągłe naliczanie opłat, bezzwrotne kredyty i brak możliwości wstrzymania instancji ograniczają opłacalność. |
| Funkcje | 8.8 | Wydajne procesory GPU, duża pamięć VRAM, szablony aplikacji i narzędzia do monitorowania, ale brak wbudowanych kopii zapasowych i trwałej pamięci masowej. |
| Wydajność | 8.8 | Doskonałe wyniki BF16, szybka inferencja Qwen i generowanie SDXL w czasie poniżej sekundy, choć nie przetestowano długotrwałych obciążeń obliczeniowych. |
| Łatwość obsługi | 8.0 | Szybkie wdrażanie i proste zarządzanie, ale ograniczona dostępność procesorów GPU i początkowy problem z SSH były frustrujące. |
| Poziom obsługi | 7.8 | Szybkie, szczegółowe odpowiedzi AI i przydatna dokumentacja, ale dotarcie do konsultanta i rozwiązanie problemów z łącznością zajęło trochę czasu. |
| Ogółem | 8.3 | Imponująca wydajność GPU i łatwe wdrażanie, którym przeciwstawiają się ograniczenia rozliczeń, skromne możliwości odzyskiwania danych i utrudnienia w kontakcie z pomocą techniczną. |

Hostinger GPU Hosting korzysta z modelu wynajmu na żądanie, a nie ze stałych miesięcznych subskrypcji, które zwykle spotyka się w przypadku hostingu stron internetowych. Wynajmuje Pan zasoby GPU do zadań takich jak inferencja AI, rozwój modeli, dostrajanie modelu i generowanie obrazów, a opłaty zależą od wybranej konfiguracji.
Katalog GPU obejmuje opcje od RTX 4090 i L40S po A100 i NVIDIA B200, z których każda oferuje inną pojemność pamięci i możliwości obliczeniowe. Dostępność może jednak wpłynąć na wybór. RTX 4090, którą początkowo chciałem przetestować, była niedostępna w hPanel, mimo że widniała na publicznej stronie z cennikiem Hostinger.
Hostinger oferuje zarówno standardowe instancje, jak i Dedicated B200, przy czym te drugie kosztują więcej. Można też wybrać różne przydziały procesora, pamięci RAM i przestrzeni dyskowej. Moja pierwsza konfiguracja obejmowała 16 rdzeni procesora, 32 GB pamięci RAM i 300 GB przestrzeni dyskowej. Wybrałem ją, aby obsłużyć moje testy wydajności AI, zamiast polegać na najmniejszej dostępnej konfiguracji.
Hostinger pobiera opłaty za korzystanie z GPU za pomocą kredytów przedpłaconych. Przed uruchomieniem instancji warto jednak wziąć pod uwagę kilka warunków:
Te warunki sprawiają, że planowanie kosztów jest szczególnie ważne w przypadku dłuższych zadań AI. Trzeba mieć wystarczającą liczbę kredytów, aby pokryć zarówno czas przetwarzania, jak i konfiguracji, a także uwzględnić opóźnienia lub problemy z połączeniem.
Testowałem GPU Hosting, korzystając z istniejącego konta Hostinger, na którym miałem już dostępne kredyty, więc nie przechodziłem przez nowy proces płatności. Nowi klienci mogą doładować saldo po skonfigurowaniu instancji. Hostinger obsługuje karty płatnicze i portfele cyfrowe, takie jak PayPal, jednak dostępne metody zależą od regionu klienta.
Nie napotkałem też osobnej bezpłatnej wersji próbnej GPU. Zakupy GPU i kredyty AI są wyłączone z standardowej 30-dniowej gwarancji zwrotu kosztów hostingu Hostinger, dlatego przed dokonaniem płatności potwierdziłbym ostateczną konfigurację i wymagania dotyczące kredytów.
Największą zaletą jest elastyczność. Mogą Państwo uzyskać dostęp do drogiego sprzętu GPU na potrzeby krótkiego obciążenia obliczeniowego, nie kupując ani nie utrzymując własnego serwera. Jednak reklamowana stawka godzinowa nie pokazuje całego obrazu.
Moje doświadczenia pokazały również, dlaczego przydzielanie zasobów i łączność mają znaczenie dla ceny. Czas poświęcony na rozwiązywanie problemów z niedostępnym serwerem nadal może zwiększać koszty, jeśli instancja działa i zużywa kredyty.
Przed uruchomieniem płatnego obciążenia obliczeniowego sprawdziłbym ostateczne tempo zużywania kredytów w hPanel, potwierdził dostępność GPU i zorganizował zewnętrzną pamięć masową. Model wynajmu ma sens w przypadku krótkich, dobrze zaplanowanych zadań. W przypadku dłuższych lub nieprzewidywalnych obciążeń obliczeniowych niezbędne jest monitorowanie zużycia kredytów.

Wydajny procesor GPU jest przydatny tylko wtedy, gdy mogą Państwo uzyskać dostęp do sprzętu, niezawodnie uruchamiać obciążenia obliczeniowe i uzyskiwać wyniki w rozsądnym czasie. Hostinger reklamuje procesor NVIDIA B200 z 192 GB pamięci VRAM, ale chciałem sprawdzić, jak przekłada się to na rzeczywistą wydajność.
Skupiłem się na trzech pytaniach:
Podczas pierwszego wdrożenia B200 napotkałem problem z połączeniem. hPanel wyświetlał prywatny adres IP, z którym nie mogłem połączyć się z laptopa, a Hostinger potwierdził problem z adresem IP wyświetlanym w panelu.
Aby oddzielić ten początkowy problem od wydajności sprzętu, uruchomiłem nową instancję B200 i pomyślnie połączyłem się przez SSH, korzystając z nowego adresu połączenia. Poniższe testy wydajności przeprowadziłem 26 października 2026 r.
Poniższe wyniki pochodzą zatem z działającej instancji zastępczej. Wcześniejszy problem z połączeniem pozostaje częścią mojej ogólnej oceny, ale nie uniemożliwił mi sprawdzenia wydajności GPU.
Użyłem instancji B200 z systemem Ubuntu 24.04, przydziałem 16 rdzeni procesora, 32 GB pamięci RAM i około 300 GB przydzielonej pamięci masowej w regionie Los Angeles firmy Hostinger. Z laptopa z Pop!_OS połączyłem się przez SSH, sprawdziłem sprzęt za pomocą nvidia-smi i zainstalowałem środowisko PyTorch z obsługą CUDA. Serwer zgłosił sterownik NVIDIA w wersji 595.91.07; PyTorch 2.11.0+cu128 rozpoznał GPU i obsługiwał obliczenia BF16.
Następnie uruchomiłem trzy rodzaje obciążeń obliczeniowych: krótkie testy mnożenia macierzy BF16 i kopiowania pamięci GPU, inferencję modelu językowego Qwen2.5-7B-Instruct oraz generowanie obrazów za pomocą Stable Diffusion XL. Powtórzyłem testy obciążeń AI przy stałych ustawieniach i zapisałem czasy poszczególnych uruchomień, zamiast opierać się na jednym najlepszym wyniku. Na koniec sprawdziłem stronę Metrics w hPanel, aby zobaczyć, czy pojawia się tam aktywność GPU.
Testy te przedstawiają praktyczny obraz działania jednej instancji. Nie potwierdzają długoterminowej dostępności, wydajności przy utrzymującym się przez wiele godzin obciążeniu ani tego, jak B200 wypada w porównaniu z konkurencyjnymi dostawcami GPU w identycznych warunkach. Nie przeprowadziłem też testu przepustowości sieci ani testu wydajności inferencji dla wielu użytkowników.
Pierwszym uspokajającym wynikiem było natychmiastowe rozpoznanie przez Ubuntu NVIDIA B200. Polecenie nvidia-smi wykryło jeden układ B200 z 182,624 MiB zgłoszonej pamięci GPU, a PyTorch wykazał 178.34 GiB pamięci dostępnej dla urządzenia. Te wartości w jednostkach binarnych zasadniczo odpowiadają reklamowanym 192 GB pamięci VRAM, choć ilość widoczna dla oprogramowania nie jest dokładnie taka sama jak liczba podana na stronie sprzedażowej.

System operacyjny wykazywał również 32 GiB pamięci RAM i 268 GiB pojemności zamontowanego systemu plików, widocznej z poziomu środowiska. Procesor został zidentyfikowany jako AMD EPYC 9575F, chociaż lscpu wyświetliło 224 procesory logiczne. Sprawdziłem ustawienia limitu zasobów procesora w kontenerze, zamiast interpretować tę wartość jako 224 rdzenie wchodzące w skład mojego planu.
Limit cgroup wynosił 1,600,000 mikrosekund na każde 100,000 mikrosekund, co dawało instancji zasoby obliczeniowe odpowiadające 16 procesorom CPU. Odpowiadało to wybranej przeze mnie konfiguracji z 16 rdzeniami. To ważne rozróżnienie dla czytelników, ponieważ topologia procesora widoczna z poziomu systemu hosta może sugerować znacznie większe zasoby niż te faktycznie przydzielone hostowanemu obciążeniu obliczeniowemu.
Aby wstępnie zmierzyć surową wydajność obliczeniową B200, wykonałem mnożenie macierzy BF16 za pomocą PyTorch. BF16 jest tu przydatny, ponieważ jest powszechnie stosowany w obliczeniach modeli AI, choć niewielki syntetyczny test wydajności macierzy nie zastępuje uruchomienia kompletnego modelu.
Przy 12 powtórzeniach mniejsza macierz o wymiarach 4,096 × 4,096 osiągnęła szacunkową wydajność 1,402.7 TFLOP/s, przy medianie czasu operacji wynoszącej 0.098 milisekundy. Macierz o wymiarach 8,192 × 8,192 osiągnęła szacunkową wydajność 1,668.8 TFLOP/s, przy medianie czasu wynoszącej 0.659 milisekundy. Są to obliczone szacunki przepustowości obliczeniowej dla testowanych operacji, a nie niezależnie zweryfikowana wydajność aplikacji utrzymywana przez dłuższy czas.
Zmierzylem również kopiowanie 512 MiB danych w obrębie pamięci GPU. Mediana czasu wyniosła około 0.17 milisekundy, co odpowiada zgłoszonej przepustowości danych 3,137.1 GB/s. Ten test mierzy transfer danych w obrębie pamięci GPU; nie jest to szybkość pobierania modelu, odczytu danych z dysku serwera ani wysyłania danych przez internet.

Cały podstawowy skrypt testowy zakończył działanie w 2.646 sekundy. Cieszyło mnie, że PyTorch rozpoznał kartę i wykonał te operacje bez błędów CUDA, ale krótki czas działania stanowi również ograniczenie. Nie możemy na podstawie kilku milisekund obliczeń stwierdzić, że GPU utrzyma identyczną przepustowość lub temperaturę podczas długiego zadania trenowania modelu.
Syntetyczny test przepustowości napawał optymizmem, ale chciałem sprawdzić, jak B200 poradzi sobie z rzeczywistym modelem językowym. Załadowałem Qwen2.5-7B-Instruct za pomocą Hugging Face Transformers w formacie BF16 i poprosiłem go o wyjaśnienie przyspieszania obliczeń GPU. Test obejmował jeden prompt i maksymalnie 128 wygenerowanych tokenów; przeprowadziłem go trzykrotnie z tymi samymi ustawieniami.
Pobranie i załadowanie modelu zajęło 35.40 sekundy w zarejestrowanym przebiegu. Wygenerowanie pierwszej odpowiedzi o długości 128 tokenów zajęło 23.094 sekundy, co daje zaledwie 5.54 tokena na sekundę. Początkowo wynik wyglądał rozczarowująco, ale dwa kolejne przebiegi pokazały inny obraz sytuacji.
W drugim przebiegu wygenerowanie 128 tokenów zajęło 1.005 sekundy, czyli 127.30 tokena na sekundę. Trzeci przebieg trwał 1.029 sekundy, czyli 124.35 tokena na sekundę. Średnia z dwóch późniejszych przebiegów wynosi około 125.8 tokena na sekundę, a różnica między nimi jest bardzo niewielka.

Różnica jest znacząca. Jest zgodna z możliwością, że jednorazowa konfiguracja lub leniwa inicjalizacja wpłynęły na pierwsze generowanie, ale nie ustaliłem dokładnej przyczyny. Nie pomijałbym wyniku 23 sekund ani nie przedstawiał późniejszych przebiegów jako tego, czego można oczekiwać przy każdym pierwszym żądaniu. W przypadku udostępniania modelu istotne są zarówno początkowe opóźnienie, jak i szybsze odpowiedzi przy kolejnych zapytaniach.
PyTorch zgłosił szczytową ilość przydzielonej pamięci GPU wynoszącą 14.21 GiB. To tylko niewielka część dostępnej pamięci B200, więc ten test pokazuje, że inferencja dla pojedynczego żądania jest możliwa, a nie demonstruje korzyści z hostowania modelu, który rzeczywiście potrzebuje niemal 192 GB pamięci VRAM. Nie testowałem obsługi wielu żądań jednocześnie, przetwarzania wsadowego, dłuższych okien kontekstu ani zoptymalizowanego serwera inferencji, takiego jak vLLM.
W drugim teście rzeczywistego zastosowania użyłem Stable Diffusion XL do utworzenia obrazu produktu o rozdzielczości 1,024 × 1,024, przedstawiającego czarny zegarek na rękę leżący na ciemnym marmurze. Użyłem 25 kroków inferencji, wag FP16 oraz tego samego promptu i ziarna losowego we wszystkich trzech przebiegach. Dzięki temu uzyskałem powtarzalne pomiary, a nie trzy niezwiązane ze sobą obrazy o różnym stopniu złożoności.
Model SDXL potrzebował 18.29 sekundy na pobranie i załadowanie. Wygenerowanie pierwszego obrazu zajęło 3.275 sekundy. Wygenerowanie drugiego i trzeciego zajęło odpowiednio 0.915 i 0.913 sekundy, co dało średnio 0.914 sekundy na obraz w stanie ustalonym. Proces PyTorch zgłosił szczytową ilość przydzielonej pamięci GPU wynoszącą 11.49 GiB.

Sprawdziłem również wyeksportowane obrazy. Wszystkie trzy pliki były identyczne bajt po bajcie, co odpowiadało konfiguracji ze stałym ziarnem losowym i pokazało, że powtórzony test dał ten sam wynik. Zegarek, odbijająca światło powierzchnia i oświetlenie wyglądały przekonująco na pierwszy rzut oka, choć dokładne oględziny tarczy ujawniły drobne niespójności typowe dla wygenerowanych zdjęć produktów. Tych artystycznych niedoskonałości nie należy mylić z błędami sprzętowymi GPU.
Wynik był szczególnie przydatny, ponieważ pozwolił mi ocenić konkretne zadanie: po załadowaniu potoku pełnowymiarowy obraz SDXL pojawił się w mniej niż sekundę. Było to jednak generowanie pojedynczych obrazów przy użyciu jednego modelu SDXL, a nie test wydajności generowania wideo, dużych partii ani każdego modelu obrazowania dostępnego w wynajmie.
Wcześniej, podczas recenzji, strona Metrics w Hostinger pokazywała płaskie linie, ponieważ GPU było bezczynne. Po uruchomieniu testów wydajności wróciłem do tego samego widoku z zakresem 1 godziny i zobaczyłem aktywność na obu wykresach. Wydajność obliczeniowa była wyświetlana jako 297 TFLOPs, a wykres pamięci VRAM pokazywał widoczny wzrost, w tym wartość 14.3 GB po najechaniu kursorem.

Było to przydatne potwierdzenie, że hPanel rejestrował obciążenie obliczeniowe, zamiast nadal pokazywać płaskie zero. Dzięki temu strona Metrics zawierała więcej informacji niż bezpośrednio po wdrożeniu. Opcje 1 godzina, 24 godziny, 7 dni i 30 dni były łatwe do znalezienia.
Nadal unikałbym bezpośredniego porównywania liczbowego wartości 297 TFLOPs wyświetlanej w hPanel z syntetycznym wynikiem 1,668.8 TFLOP/s. Podczas mojego testu nie ustalono przedziału próbkowania ani metody obliczania stosowanych przez pulpit nawigacyjny, a wyświetlana wartość pamięci VRAM nie jest tożsama ze szczytową ilością przydzielonej pamięci GPU na poziomie procesu PyTorch. Wykresy przydają się do wykrywania aktywności i zmian w czasie; nie zastępują pomiarów czasu na poziomie obciążenia ani pomiarów systemowych.
Druga instancja B200 firmy Hostinger zapewniła mi użyteczne przyspieszenie GPU w trzech bardzo różnych testach. Syntetyczne wyniki BF16 pokazały szybkie obliczenia krótkotrwałe, Qwen2.5-7B osiągnął około 126 tokenów na sekundę po niezwykle wolnej pierwszej zmierzonej odpowiedzi, a Stable Diffusion XL generował obrazy o rozdzielczości 1,024 pikseli w około 0.91 sekundy po inicjalizacji. Potwierdziłem też limit 16 rdzeni procesora i obserwowałem pojawianie się aktywności w hPanel.
To pozytywne wyniki, ale nie traktowałbym ich jako gwarancji dla każdego obciążenia obliczeniowego AI. Testy były krótkie i przeprowadzono je na jednej instancji, przy użyciu stosunkowo małych modeli w porównaniu z dostępną pamięcią VRAM karty B200. Nie testowałem długotrwałego trenowania, szczytowej współbieżności, długoterminowej dostępności ani szybkości zewnętrznej sieci. Wcześniejszy problem z adresem połączenia SSH pozostaje też odrębną kwestią operacyjną, mimo że serwer zastępczy połączył się pomyślnie.

Do Hostinger GPU Hosting podszedłem tak, jak podszedłbym do nowego wynajmu GPU: znaleźć odpowiednią kartę, sprawdzić rzeczywisty koszt, uruchomić instancję i ocenić, jak łatwo zarządza się środowiskiem po jego uruchomieniu.
Chciałem też dowiedzieć się, jak usługa GPU wpisuje się w większy hPanel firmy Hostinger, ponieważ uruchomienie serwera to tylko połowa całego doświadczenia.
Samo wdrożenie przebiegło szybko. Proces zakupu był mniej przewidywalny. Karta GPU wybrana przeze mnie na publicznej stronie z cennikiem nie była dostępna w hPanel, a jej zamiennik wiązał się ze znacznie wyższą stawką godzinową. Oto jak przebiegało całe doświadczenie, od pierwszego kliknięcia po narzędzia do zarządzania.
Zacząłem od strony internetowej Hostinger i otworzyłem Products > Hosting > GPU hosting. Podobało mi się, że hosting GPU miał własną, wyraźnie oznaczoną pozycję obok hostingu stron internetowych, hostingu VPS i hostingu w chmurze. Nie musiałem otwierać ogólnego produktu VPS ani sprawdzać, czy sprzęt GPU jest dostępny jako dodatek.

Link otworzył stronę Hostinger GPU Hosting, na której reklamowano godzinowy wynajem kart NVIDIA GPU do zastosowań związanych ze sztuczną inteligencją, renderowaniem i innymi zadaniami wymagającymi dużej mocy obliczeniowej. Bezpośrednio pod głównym nagłówkiem znajdował się przycisk Get started. Kliknięcie go nie powodowało natychmiastowego utworzenia instancji ani przekierowania do rejestracji; przenosiło mnie niżej na tej samej stronie, do sekcji z cenami GPU.

To było rozsądne miejsce na początek. W sekcji z cenami dostępne modele GPU przedstawiono na osobnych kartach, podając ich reklamowane stawki początkowe za godzinę, pamięć VRAM i zalecane zastosowania. Mogłem porównać sprzęt, zanim pojawiła się prośba o skonfigurowanie serwera. Oferta pokazana na publicznej stronie obejmowała modele od RTX 4090 po droższe karty GPU do centrów danych, w tym B200.

Początkowo wybrałem NVIDIA RTX 4090. Hostinger reklamował ją w cenie od $0.42 za godzinę, z 24 GB pamięci VRAM, i polecał do prac programistycznych, eksperymentów, generowania obrazów i filmów, renderowania 3D oraz inferencji z użyciem mniejszych modeli.
Wydawało się to rozsądnym punktem wyjścia do zaplanowanych przeze mnie testów inferencji AI, generowania obrazów i wydajności GPU. Nie musiałem wynajmować jednej z najdroższych kart, aby ustalić praktyczny punkt odniesienia.

Po wybraniu RTX 4090 kliknąłem przycisk Get GPU na jej karcie. Przeniosło mnie to na stronę rejestracji konta Hostinger. Można było zarejestrować się za pomocą Google lub GitHub albo skorzystać ze standardowych pól adresu e-mail i hasła.
Pole numeru telefonu było oznaczone jako opcjonalne, a osobne pole wyboru dotyczyło wiadomości promocyjnych wysyłanych przez WhatsApp i SMS.

Ekran rejestracji był prosty w obsłudze. Co ważniejsze, wybór GPU nie oznaczał jeszcze zobowiązania do zakupu konkretnego serwera.
Po utworzeniu konta lub zalogowaniu się przeszedłem do sekcji GPU w hPanel, gdzie można było wybrać i uruchomić sprzęt. Panel pokazywał saldo kredytów wynoszące 2,000.
Panel pokazywał saldo kredytów wynoszące 2,000, ponieważ miałem już konto Hostinger z dostępnymi kredytami. Jeśli rejestruje się Pani po raz pierwszy i nie ma istniejącego salda kredytów, po skonfigurowaniu instancji GPU pojawi się etap płatności, podczas którego można wybrać preferowaną metodę płatności przed sfinalizowaniem zakupu.
Strona GPU w hPanel była przejrzysta i łatwa do przeglądania. Nad listą Hostinger wyjaśniał, że mogę uruchamiać instancje GPU bezpośrednio z panelu, a dostępny sprzęt znajdował się poniżej widocznego salda kredytów. Na liście znalazło się siedem modeli, w tym wybrana przeze mnie RTX 4090, ale większość przycisków Select była nieaktywna.

Spróbowałem wybrać RTX 4090 i zauważyłem, że jej przycisk był wyszarzony. Po najechaniu na niego kursorem pojawiał się komunikat „Niedostępny”. Podczas tej sesji nie mogłem też wybrać RTX 5090, L40S, A100 ani RTX PRO 6000. Dostępne były tylko dwie opcje: NVIDIA B200 i B200 (Dedicated).

Było to największe utrudnienie podczas zakupu. Na publicznej stronie z cennikiem zachęcano mnie do wynajmu RTX 4090 za $0.42 za godzinę, ale w rzeczywistości nie mogłem przydzielić zasobów tej karty GPU.
Hostinger przynajmniej jasno informował o tym ograniczeniu w hPanel, zamiast pozwalać mi wypełnić konfigurację i dopiero po wdrożeniu wyświetlić błąd. Mimo to musiałem ponownie rozważyć wybór sprzętu testowego i budżet.
Wybrałem standardową NVIDIA B200, której cena zaczynała się od $4.50 za godzinę, a pamięć VRAM wynosiła 192 GB. Większa pojemność pamięci pozwalała mi też później testować bardziej wymagające obciążenia AI.
Alternatywna B200 (Dedicated) kosztowała od $7.08 za godzinę, a nie miałem konkretnego wymogu wyłącznego dostępu do GPU, który uzasadniałby dopłatę. Kliknąłem Select przy standardowej B200, aby kontynuować.
Po wybraniu B200 Hostinger otworzył stronę Deploy your GPU instance. Dostępne opcje GPU pozostały w kolumnie po lewej, a konfiguracja wybranej instancji znalazła się po prawej. Ten układ sprawdzał się dobrze: mogłem porównać B200 z dostępnymi alternatywami, nie tracąc z oczu ustawień serwera ani kosztów jego działania.

Nadałem instancji nazwę hostinger-gpu-review-b200. Hostinger określił, że poszczególne słowa w nazwie należy oddzielać łącznikami, dzięki czemu reguła nazewnictwa była jasna już podczas wypełniania formularza.
Następnym polem był region, co ujawniło drugie praktyczne ograniczenie: lista rozwijana oferowała wyłącznie Los Angeles w Stanach Zjednoczonych. W tej sesji wdrażania nie mogłem wybrać żadnej innej lokalizacji.

Selektor rozmiaru instancji wymagał więcej uwagi, niż początkowo sądziłem. Hostinger wstępnie wybrał konfigurację z 2 rdzeniami procesora, 64 GB RAM i 100 GB pamięci masowej, w cenie 506 kredytów na godzinę. Po otwarciu listy rozwijanej pojawiły się inne kombinacje procesora, pamięci RAM i pamięci masowej, z różnymi stawkami. Wybór nie był prostą progresją, w której każda mniejsza liczba rdzeni procesora oznaczała niższą cenę; na przykład opcja z 4 rdzeniami była wyceniona na 450 kredytów na godzinę.

Wybrałem opcję X-Large: 16 rdzeni procesora, 32 GB RAM i 300 GB pamięci masowej, w cenie 488 kredytów na godzinę. Dzięki temu serwer miał większą moc obliczeniową procesora i pojemność dysku potrzebne do konfiguracji oraz przeprowadzania testów, bez przechodzenia na konfigurację z 32 rdzeniami.
Była ona również nieco tańsza za godzinę niż wstępnie wybrana opcja z 2 rdzeniami. Ważne jest to, że reklamowana przez Hostinger stawka $4.50 za godzinę za B200 była ceną początkową. Moja faktycznie wybrana konfiguracja kosztowała 488 kredytów na godzinę, co odpowiadało około $4.88 za godzinę przy stawce wynikającej z kart cenowych Hostinger.
Następnie otworzyłem opcję „Wybierz system operacyjny lub aplikację”. Oprócz Ubuntu 24.04 Hostinger oferował gotowe warianty z Ollama, JupyterLab, Unsloth i InvokeAI. Mogły one zaoszczędzić czas konfiguracji osobom skupiającym się na konkretnej aplikacji AI. Wybrałem Ubuntu 24.04, ponieważ zależało mi na czystym systemie operacyjnym i kontroli nad narzędziami instalowanymi na potrzeby kolejnych testów.

Hostinger oferował również opcjonalne pole na klucz SSH. Przy pierwszym wdrożeniu pozostawiłem je niewypełnione, zamiast dodawać klucz podczas finalizowania zakupu. Panel wyświetlił później dane do połączenia za pomocą hasła, więc brak klucza nie pozbawił mnie reklamowanej metody logowania. W przypadku serwera działającego dłużej wolałbym jednak dostęp przez SSH z użyciem klucza.
Zanim kliknąłem przycisk Deploy, w podsumowaniu widniały wybrany B200, konfiguracja X-Large oraz stawka godzinowa wynosząca 488 kredytów, zestawione z moim saldem 2,000 kredytów.
Hostinger oszacował, że saldo wystarczy na około cztery godziny ciągłego użytkowania. Podobało mi się, że szacunkowa wartość pojawiała się bezpośrednio nad przyciskiem wdrażania: dzięki temu bieżący koszt był bardziej widoczny niż na karcie cenowej, na której widnieje jedynie cena „Od $4.50/godz.”.

Kliknąłem Deploy. Następnie Hostinger wyświetlił ekran „Konfigurowanie GPU” i poinformował, że mogę opuścić stronę, podczas gdy przydzielanie zasobów będzie kontynuowane. Na tym etapie nie było potrzeby ręcznej konfiguracji dodatkowej infrastruktury.

Mniej więcej dwie minuty później ekran potwierdzenia pomyślnego zakończenia procesu wyświetlił komunikat „Wszystko gotowe!” i informację, że instancja GPU działa. Wskazano, że hostinger-gpu-review-b200 to B200 z 192 GB pamięci VRAM i rozmiarem X-Large. Jako następny krok wyraźnie wskazano Manage, dzięki czemu było jasne, dokąd przejść po zakończeniu przydzielania zasobów.

Na tym ekranie potwierdzenia kliknąłem Manage, aby sprawdzić opcje sterowania, z których będę korzystać po wdrożeniu. To bezpośrednie przejście było miłym dodatkiem: nie trzeba było wracać na stronę główną hPanel ani szukać nowego serwera.
Manage otworzyło dedykowany obszar zarządzania GPU, a nie zwykły panel sterowania hostingiem internetowym. W menu po lewej stronie były tylko trzy pozycje: Przegląd, Metrics i Exposed services. Po ekranach z szerokim wyborem produktów doceniłem to, jak przejrzysta była ta nawigacja.
W sekcji Przegląd od razu można było znaleźć odpowiedzi na pytania, które nasuwają się po wynajęciu drogiego sprzętu: Czy działa? Jaką kartę GPU i jakie zasoby otrzymałem? Jakie jest tempo zużywania kredytów? Jak się połączyć? Karta instancji oznaczała hostinger-gpu-review-b200 jako działającą i potwierdzała, że jest to NVIDIA B200 z 192 GB pamięci VRAM, 16 rdzeniami procesora, 32 GB RAM, dyskiem 300 GB, Ubuntu 24.04 i lokalizacją w Los Angeles.

Na karcie instancji znajdowały się dwa przyciski: Reboot i Destroy. Ich widoczność jest przydatna, ponieważ przy rozliczaniu godzinowym trzeba wiedzieć, jak zarządzać cyklem życia instancji. W tej części testu nie użyłem żadnej z tych opcji, więc oceniam dostępność elementów sterujących, a nie twierdzę, że sprawdziłem ich działanie.
Nad kartą serwera Hostinger wyświetlał wydajność obliczeniową, wykorzystanie pamięci VRAM i zużycie kredytów. Na pierwszym zrzucie ekranu widniała wydajność obliczeniowa 0 TFLOPs i średnie wykorzystanie pamięci VRAM na poziomie 0 GB, ponieważ nie uruchomiłem jeszcze żadnego obciążenia obliczeniowego GPU.
Podsumowanie kredytów wykazało łączne zużycie 488 kredytów, tempo zużywania kredytów wynoszące 488 kredytów na godzinę oraz pozostałe saldo w wysokości 1,512 kredytów. Ta przejrzystość była mile widziana, zwłaszcza że płatne korzystanie z GPU może szybko generować koszty.
Panel połączenia umieszczał publiczny adres IPv4, polecenie SSH do skopiowania oraz hasło w jednej sekcji. Polecenie SSH zawierało nazwę użytkownika Ubuntu i niestandardowy port SSH; pole hasła miało przyciski wyświetlania i kopiowania.
Hostinger ostrzegał również, że hasło zmienione przez SSH nie będzie już zgodne z hasłem zapisanym w hPanel. Dzięki temu mogłem znaleźć informacje o połączeniu bez przeszukiwania dokumentacji, choć sam zrzut ekranu nie dowodzi, że udało mi się zalogować przez SSH.
Po zapoznaniu się ze stroną Przegląd otworzyłem Metrics. Hostinger oferował filtry czasu: 1 godzina, 24 godziny, 7 dni i 30 dni. Na stronie przedstawiono wykresy wydajności obliczeniowej w TFLOP-ach oraz zużycia pamięci VRAM w GB. Wykresy były minimalistyczne i czytelne, bez niepowiązanych wykresów systemowych, które odwracałyby uwagę.

Oba wykresy wskazywały zero w momencie wykonywania zrzutów ekranu. Było to spodziewane przed uruchomieniem zadania AI, dlatego nie uznałbym tych odczytów za dowód wydajności GPU ani usterki systemu monitorowania.
Przydatny test można przeprowadzić później: uruchomić rzeczywiste obciążenie obliczeniowe, sprawdzać wykresy w miarę zmian zużycia i porównać je z pomiarami wykonanymi w Ubuntu.
Następnie otworzyłem Exposed services, sekcję służącą do udostępniania przez internet aplikacji działającej na serwerze GPU. Ponieważ nie utworzyłem żadnej usługi, na stronie wyświetlał się pusty stan z przyciskiem Add service. Hostinger wyświetlał również ostrzeżenie, że wszystko, co zostanie opublikowane, będzie dostępne dla każdego, kto zna adres, chyba że aplikacja ma własny system logowania.

To ostrzeżenie przypadło mi do gustu. Obciążenia GPU często obejmują notatniki, interfejsy API inferencji i inne interfejsy programistyczne, które nie powinny być publicznie dostępne. Punkt wejścia łatwo było znaleźć, ale nie dodałem ani nie przetestowałem tutaj publicznej usługi, więc na podstawie samych tych zrzutów ekranu nie mogę ocenić dalszej części tego procesu ani dostępnych opcji bezpieczeństwa.
Dopiero po sprawdzeniu ekranów poświęconych GPU wróciłem do strony Home w hPanel. Dzięki temu mogłem spojrzeć na łatwość obsługi z innej perspektywy: gdzie znalazłbym instancję GPU, gdybym zalogował się ponownie później, zamiast przechodzić do niej przez przycisk Manage po wdrożeniu?
Na stronie Home zobaczyłem wyróżnione pole promptu asystenta AI oraz długi obszar Your business, pełen istniejących witryn.
Przy każdej witrynie znajdowała się opcja Manage site, a w kilku pozycjach wyświetlały się przypomnienia o tymczasowych domenach. Niżej widziałem tabelę VPS z adresami IP, statusami działania, datami wygaśnięcia i przyciskami zarządzania. Po lewej stronie nawigacja obejmowała Witryny, Domeny, Poczta, Więcej usług, kreatory witryn, agentów AI, narzędzia marketingowe i usługi dla programistów.

Takie kompleksowe rozwiązanie ma swoje zalety. Grupy produktów są opisane w przejrzysty sposób, a dotychczasowy klient Hostinger może uzyskać dostęp do różnych rodzajów hostingu z poziomu jednego konta. W moim przypadku jednak duża ilość treści związanych z witrynami sprawiała, że strona wyglądała na przeładowaną.
Moja nowa instancja GPU nie była tak widoczna na stronie Home jak pozycje dotyczące witryn i VPS. Gdy już dotarłem do dedykowanych sekcji nawigacji GPU — Overview, Metrics i Exposed services — uznałem je za bardziej przejrzyste.
Niezwykle długa lista witryn odzwierciedlała zawartość mojego konta; nowy klient, który nie korzysta jeszcze z żadnych innych usług, może zobaczyć mniej zatłoczoną stronę. Mimo to to rozróżnienie jest dla czytelnika istotne: wdrożenie GPU to krótki, ukierunkowany proces, natomiast szerszy pulpit hPanel ma jednocześnie służyć wszystkim produktom Hostinger.
Największą zaletą Hostinger GPU Hosting pod względem użyteczności było to, co działo się po znalezieniu dostępnego GPU. Strona konfiguracji przedstawiała dostępne opcje i ich koszt, obrazy systemu Ubuntu i aplikacji AI można było łatwo odnaleźć, wdrożenie trwało około dwóch minut, a przycisk Manage przenosił mnie bezpośrednio do zwięzłego pulpitu instancji.
Udało mi się znaleźć specyfikację GPU, tempo zużywania kredytów, informacje o SSH i główne opcje administracyjne bez konieczności korzystania ze skomplikowanej konsoli chmurowej.
Ta wygoda nie powinna jednak przesłaniać ograniczeń, które warto poznać przed wdrożeniem. Na stronie publicznej wybrałem RTX 4090, ale po przejściu do hPanel nie mogłem go wynająć; większość wymienionych procesorów GPU była niedostępna, a Los Angeles był jedynym regionem wdrożenia dostępnym podczas mojej sesji. B200 był znacznie droższy niż RTX 4090, który zamierzałem wynająć, a stawka za konfigurację X-Large była wyższa niż reklamowana cena początkowa B200. Ogólny widok Home w hPanel wydawał się też bardziej zagracony niż strony poświęcone GPU.

Hostinger zapewnia całodobowe wsparcie online przez czat w panelu, a także kontakt przez WhatsApp i pocztę elektroniczną pod adresem support@hostinger.com. W przeciwieństwie do niektórych dostawców usług hostingowych nie oferuje wsparcia telefonicznego.
Główna forma wsparcia opiera się obecnie na Hostinger Agent, asystencie AI, który może odpowiadać na pytania, pomagać w rozwiązywaniu problemów, wyszukiwać dokumentację i wykonywać niektóre czynności związane z zarządzaniem kontem. Hostinger zapewnia również kontakt z Customer Success Specialists, gdy potrzebna jest dodatkowa pomoc.
Na potrzeby tej recenzji przetestowałem czat na żywo, zgłaszając rzeczywisty problem dotyczący mojej instancji GPU NVIDIA B200. Chciałem sprawdzić, jak szybko mogę uzyskać dokładne wskazówki techniczne i, co ważniejsze, jak łatwo mogę porozmawiać bezpośrednio z człowiekiem, gdy o to poproszę.
Przejrzałem również bazę wiedzy Hostinger, aby ocenić jakość dokumentacji dotyczącej GPU i sprawdzić, czy klienci mogą samodzielnie rozwiązywać typowe problemy bez kontaktowania się z pomocą techniczną.
Otworzyłem czat na żywo, klikając Agent u góry hPanel. Czat otworzył się obok strony zarządzania GPU, dzięki czemu podczas rozmowy z pomocą techniczną mogłem wyświetlać moją uruchomioną instancję B200 i zużycie kredytów.

Hostinger Agent jest następcą Kodee, dawnego asystenta AI Hostinger ds. wsparcia. Hostinger połączył Kodee z szerszym zestawem wyspecjalizowanych narzędzi AI, tworząc jednego asystenta. Według Hostinger agent może objaśniać problemy techniczne, podawać instrukcje dotyczące rozwiązywania problemów, sugerować odpowiednią dokumentację i wykonywać obsługiwane czynności na koncie klienta.
Mój test koncentrował się jednak na poradach technicznych i możliwości eskalacji sprawy do konsultanta, a nie na umożliwieniu agentowi wprowadzania zmian na koncie.
Zadałem praktyczne pytanie dotyczące rozliczania GPU i przechowywania danych. Ponieważ Hostinger nalicza opłaty za instancje GPU za każdą godzinę, chciałem wiedzieć, czy mogę wstrzymać działanie serwera między obciążeniami AI, nie tracąc zainstalowanych aplikacji, modeli i plików. Zapytałem również, czy ponowne uruchomienie zatrzyma naliczanie opłat oraz co powinienem zrobić, aby zachować swoje środowisko, jeśli usunięcie instancji okaże się konieczne.
Agent odpowiedział w mniej niż 30 sekund.
Jego odpowiedź odnosiła się do wszystkich trzech kwestii. Wyjaśnił, że ponowne uruchomienie jedynie restartuje serwer i nie zatrzymuje naliczania opłat. Hostinger nie oferuje obecnie funkcji wstrzymania ani zatrzymania, która pozwalałaby klientom zachować instancję GPU bez ponoszenia opłat. Usunięcie instancji zatrzymuje naliczanie opłat, ale trwale kasuje jej dane lokalne.
Odpowiedź zawierała też wskazówki, jak mogłem zachować swoje środowisko robocze. Agent zalecił przeniesienie modeli i zbiorów danych do zewnętrznej pamięci masowej, wyeksportowanie zależności Python lub Conda, zapisanie wersji CUDA i PyTorch oraz zachowanie plików konfiguracyjnych i skryptów wdrożeniowych.

Doceniłem szczegółowość odpowiedzi. Asystent nie ograniczył się do stwierdzenia, że instancji GPU nie można wstrzymać, lecz wyjaśnił, co powinienem zrobić przed usunięciem serwera. Jego wskazówki były również zgodne z oficjalną dokumentacją Hostinger dotyczącą rozliczania GPU, dzięki czemu mogłem sprawdzić poprawność wyjaśnienia.
Odpowiedź na pytanie techniczne była jednak dopiero pierwszą częścią mojego testu obsługi klienta. Następnie chciałem porozmawiać bezpośrednio z konsultantem.
O 17:23 poprosiłem Hostinger Agent o połączenie mnie z konsultantem obsługi klienta, aby potwierdzić szczegóły dotyczące rozliczania GPU i przechowywania danych. Zamiast zorganizować przekazanie sprawy, agent ponownie przedstawił zasady i zachęcił mnie do dalszego korzystania z pomocy AI, wyjaśniając, że będzie to szybsze.
O 17:24 ponownie wyraźnie o to poprosiłem. Tym razem zaznaczyłem, że rozumiem zasady i nie potrzebuję kolejnego wyjaśnienia od AI. Zależało mi konkretnie na rozmowie z konsultantem i byłem gotów poczekać.
O 17:25 asystent ponownie podsumował zasady rozliczania, po czym zaproponował dwie opcje: Wait for a human review i kontynuowanie rozmowy z Hostinger Agent.

Wybrałem opcję weryfikacji przez konsultanta i potwierdziłem, że chcę kontynuować rozmowę z człowiekiem. Hostinger wyświetlił następnie komunikat o trwającej weryfikacji, odliczanie oraz pole, w którym mogłem przekazać konsultantowi dodatkowe informacje.

O 17:31, około sześciu minut po rozpoczęciu procesu weryfikacji, otrzymałem odpowiedź powiązaną z konsultantką o imieniu Amber. W interfejsie wyświetlono komunikat „Odpowiedź sprawdzona przez Amber”.
Wiadomość od Amber prosiła mnie o podanie nazwy instancji GPU, kwestii związanych z rozliczeniami lub przechowywaniem danych, które chciałem potwierdzić, oraz wszelkich powiązanych błędów lub zrzutów ekranu.

Podałem nazwę instancji, hostinger-gpu-review-b200, i poprosiłem o potwierdzenie trzech ważnych kwestii: braku funkcji wstrzymania, trwałego usuwania danych po usunięciu instancji oraz dostępności migawek, kopii zapasowych lub trwałej pamięci masowej.
Zadałem również pytanie o sam proces obsługi. Ponieważ w interfejsie widniała informacja, że odpowiedź została sprawdzona przez Amber, chciałem wiedzieć, czy rozmawiam teraz bezpośrednio z nią, czy nadal wchodzę w interakcję ze sztuczną inteligencją.
O 17:33 otrzymałem kolejną, szczegółową odpowiedź. Potwierdzono w niej, że instancje GPU nadal zużywają kredyty, gdy są bezczynne, że ich usunięcie trwale kasuje lokalne dane oraz że Hostinger obecnie nie oferuje migawek GPU, automatycznych kopii zapasowych ani trwałej pamięci masowej.
Wyjaśniono również, że instancja zostaje usunięta natychmiast po wyczerpaniu salda kredytów, bez okresu karencji. Jako alternatywę zaproponowano eksport środowiska na osobny serwer VPS, do pamięci masowej w chmurze lub na komputer lokalny za pomocą narzędzi takich jak scp lub rsync.
Najbardziej wymowna część odpowiedzi dotyczyła jednak wsparcia ze strony człowieka. Hostinger jednoznacznie potwierdził, że nadal komunikuję się z Hostinger Agent, asystentem AI. Konsultant nadzorował rozmowę lub ją weryfikował, ale nie przekazano mnie do bezpośredniego czatu z konsultantem.

To rozróżnienie ma znaczenie. Celowo poprosiłem o rozmowę z przedstawicielem, a nie o kolejne automatyczne wyjaśnienie. Chociaż system zapewnił nadzór człowieka i przygotował kompletną odpowiedź techniczną, nie umożliwił mi bezpośredniej rozmowy z człowiekiem, o którą prosiłem.
Od pierwszego pytania o 17:22 do końcowego wyjaśnienia o 17:33 cała rozmowa z pomocą techniczną trwała około 11 minut. Początkowa odpowiedź AI pojawiła się w mniej niż 30 sekund, a weryfikacja przez konsultanta stała się widoczna mniej więcej sześć minut po tym, jak poprosiłem o eskalację.
Po przetestowaniu czatu na żywo zajrzałem do internetowego Centrum pomocy Hostinger , aby sprawdzić, jak łatwo klienci korzystający z GPU mogą znaleźć odpowiedzi bez kontaktowania się z pomocą techniczną.
Strona główna była przejrzysta i dobrze uporządkowana, z widocznym paskiem wyszukiwania oraz dokumentacją pogrupowaną w kategorie, takie jak Pierwsze kroki, Panel Hostinger, VPS, Rozliczenia i Certyfikaty SSL. Nie udało mi się jednak znaleźć wśród wyświetlonych opcji osobnej kategorii dotyczącej GPU.

Wpisałem „gpu” w pasku wyszukiwania, a Hostinger wyświetlił 10 wyników. Osiem dotyczyło konkretnie usługi GPU hosting i obejmowało wybór sprzętu, szablony aplikacji, wdrażanie, zarządzanie instancjami, rozliczenia, publicznie udostępnione usługi, bezpieczeństwo oraz porównania z hostingiem VPS. Pozostałe dwa dotyczyły zasad zwrotów Hostinger i panelu.

Podobało mi się, że wyszukiwarka od razu pokazała przydatną dokumentację dotyczącą GPU, mimo braku osobnej kategorii na stronie głównej. Co ważniejsze, artykuły omawiały praktyczne kwestie, takie jak godzinowe zużycie kredytów, utrata danych po usunięciu instancji i zabezpieczanie aplikacji dostępnych publicznie.
Następnie przejrzałem poszczególne poradniki, aby sprawdzić, jak jasno wyjaśniają te kwestie i na ile ich instrukcje odpowiadają moim praktycznym doświadczeniom.
Przejrzałem poradniki Hostinger dotyczące konfiguracji GPU i zarządzania instancjami. Obejmują one wybór sprzętu, regiony, szablony oprogramowania, wdrażanie, monitorowanie i publicznie udostępnione usługi.
Instrukcje były bardzo podobne do mojego doświadczenia z hPanel. Doceniłem również, że Hostinger wspomniał o ograniczonej dostępności GPU w poszczególnych regionach — sam się z tym spotkałem, gdy RTX 4090 był niedostępny, a Los Angeles było jedyną dostępną dla mnie opcją wdrożenia.
Poradnik rozliczania GPU był szczególnie przydatny, ponieważ poruszał te same kwestie, które zgłosiłem podczas rozmowy na czacie na żywo.
Potwierdza on, że opłaty są naliczane, gdy instancja pozostaje bezczynna, ponowne uruchomienie nie zatrzymuje naliczania opłat, a usunięcie instancji trwale kasuje dane lokalne.
Co ważniejsze, Hostinger ostrzega, że nie ma automatycznego doładowywania kredytów ani powiadomień o niskim saldzie. Wyczerpanie kredytów skutkuje natychmiastowym usunięciem instancji.

To kluczowe informacje dla każdego, kto uruchamia obciążenia AI bez nadzoru. Doceniłem, że Hostinger wyjaśnił je w jasny sposób.
Poradnik Hostinger dotyczący udostępniania usług wyjaśnia zasady dostępu publicznego, konfigurację portów i obsługiwane protokoły. Wyjaśnia również, że wybór HTTPS nie powoduje automatycznej konfiguracji szyfrowania TLS.
Dołączony poradnik dotyczący zabezpieczeń omawia uwierzytelnianie aplikacji i ochronę zaporą sieciową. Przydałoby mi się jednak wyraźniejsze ostrzeżenie o konieczności zachowania dostępu przez SSH przed włączeniem restrykcyjnych reguł zapory sieciowej.

Hostinger zapewnił wysoką jakość obsługi z pomocą AI, choć proces przekazywania spraw do konsultanta wymagał poprawy.
Hostinger Agent odpowiedział na moje pytanie dotyczące GPU w mniej niż 30 sekund, wyjaśnił konsekwencje rozliczeniowe i zaproponował praktyczne kroki pozwalające zachować moje środowisko. Wskazówki były szczegółowe i zgodne z oficjalną dokumentacją.
Możliwość uzyskania pomocy konsultanta pojawiła się po około sześciu minutach, a końcowa odpowiedź uwzględniała dodatkowe pytania, które zadałem. Musiałem jednak wielokrotnie prosić o przekazanie sprawy konsultantowi, a rozmowa nadal była prowadzona głównie przez AI, zamiast przejść do bezpośredniego czatu na żywo ze specjalistą.
Baza wiedzy była kolejnym atutem. Osiem artykułów poświęconych GPU zawierało jasne wyjaśnienia dotyczące wdrożenia, zarządzania, rozliczeń, udostępniania usług i bezpieczeństwa. Dokumentacja rozliczeń była szczególnie przydatna do zrozumienia ryzyka ciągłego zużywania kredytów i trwałej utraty danych.

Tak, deweloperom i zespołom AI, które potrzebują dużej mocy GPU bez kupowania sprzętu. Mój B200 osiągał po rozgrzewaniu około 126 tokenów na sekundę podczas inferencji Qwen i generował obrazy SDXL w około 0.91 sekundy.
Wdrożenie przebiegło szybko, gdy miałem już działający adres połączenia SSH. Jednak problem z wyświetlaniem adresu IP pierwszego serwera, zmienna dostępność sprzętu, bezzwrotne kredyty oraz brak możliwości wstrzymania instancji lub wbudowanych kopii zapasowych stanowią istotne zagrożenia.
| Nazwa planu | CPU | RAM | Przepustowość | Cena | |
|---|---|---|---|---|---|
| Free Trial | - | Nieograniczona | 0,00 € | Szczegóły | |
| Game Panel 2 | 2 rdzenie | 8 GB | 8 TB | 7,75 € | Szczegóły |
| Game Panel 4 | 4 rdzenie | 16 GB | 16 TB | 11,43 € | Szczegóły |
| Game Panel 8 | 8 rdzeni | 32 GB | 32 TB | 22,87 € | Szczegóły |
| Description | Expert Review |
|---|---|
| Niedrogi hosting o wysokiej wydajności i łatwych w obsłudze narzędziach zarządza... | Read Shared Hosting Review |
| Szybki i bezpieczny hosting WordPress z instalacją jednym kliknięciem i funkcjami p... | Read Wordpress Hosting Review |
| Skalowalny hosting VPS z dedykowanymi zasobami i dostępem root. | Read VPS Review |
| Szybki, elastyczny hosting w chmurze z doskonałą dostępnością i skalowalnymi zas... | Read Cloud Hosting Review |
| Bezpieczne i prywatne rozwiązania hostingowe z lokalizacjami centrów danych offshor... | Read Offshore Hosting Review |
| Bezpieczny i niezawodny hosting poczty e-mail z funkcjami klasy profesjonalnej. | Read Email Hosting Review |
| Niezawodny hosting Pythona z elastycznymi środowiskami dla programistów. | Read Python Hosting Review |
| Wysokowydajny hosting PHP z pełnym wsparciem dla dynamicznych stron internetowych i ... | Read PHP Hosting Review |
| Niezawodny hosting Windows VPS z pełną kontrolą i opcjami dostosowywania. | Read Windows VPS Review |
| Szybki i elastyczny hosting dostosowany do aplikacji Node.js zapewniający optymalną... | Read Nodejs Hosting Review |
| Zoptymalizowany hosting dla sklepów WooCommerce z wysoką prędkością i bezpieczn�... | Read Woocommerce Hosting Review |
| Hosting serwera dedykowanego dla bezproblemowej rozgrywki w Minecraft. | Read Minecraft Server Hosting Review |
| Skalowalne rozwiązania hostingowe z zaawansowanymi funkcjami dla agencji cyfrowych i... | Read Agency Hosting Review |
| Szybki, bezpieczny hosting zoptymalizowany dla sklepów e-commerce opartych na Magent... | Read Magento Hosting Review |
| Wysokowydajny hosting oparty na Linuksie zapewniający stabilne i bezpieczne działan... | Read Linux Hosting Review |
| Solidne rozwiązania hostingowe Java dla dynamicznych aplikacji internetowych i proje... | Read Java Hosting Review |
| Optymalny hosting dla sklepów internetowych z bezpieczną, szybką i niezawodną wyd... | Read Ecommerce Hosting Review |
| Niezawodny hosting Django z dużą szybkością i bezpiecznym środowiskiem. | Read Django Hosting Review |
| Łatwy w użyciu hosting cPanel z solidną wydajnością i niezawodnym wsparciem. | Read Cpanel Hosting Review |
| Potężny hosting dla firm z szybkimi prędkościami, bezpieczeństwem i skalowalnoś... | 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 |
| Dedykowany serwer SMTP do hostingu dla niezawodnej i bezpiecznej dostawy e-mail. | Read SMTP Server Review |
| Szybki i zoptymalizowany hosting dostosowany do aplikacji webowych Ruby on Rails. | Read Ruby on Rails Review |
| Funkcjonalny hosting z integracją OpenClaw do tworzenia i zarządzania grami w autom... | Read OpenClaw Review |
| Szybki i niezawodny hosting z serwerami zlokalizowanymi w Wielkiej Brytanii dla optym... | Read UK Hosting Review |
| Przystępny cenowo i niezawodny hosting z serwerami zlokalizowanymi w Indiach, zapewn... | 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 |
Tak. Mój NVIDIA B200 pomyślnie uruchomił inferencję Qwen2.5-7B i generowanie obrazów Stable Diffusion XL. Wyniki różnią się w zależności od modelu, frameworka i rozmiaru instancji.
Hostinger reklamuje 192 GB VRAM. Mój B200 zgłaszał 178,34 GiB przez PyTorch, co jest zgodne z różnicami między dziesiętnymi i binarnymi jednostkami pamięci.
Nie. Kredyty GPU nadal są zużywane, gdy instancja jest bezczynna lub uruchamia się ponownie. Usunięcie instancji zatrzymuje naliczanie opłat za użycie, ale trwale usuwa jej lokalne dane.
Nie zauważyłem podczas finalizacji zakupu dedykowanego bezpłatnego okresu próbnego dla GPU. Hostinger wyłącza zakupy GPU i kredyty AI ze swojej standardowej 30-dniowej gwarancji zwrotu pieniędzy.
Tak. SSH działało na mojej zastępczej instancji B200, choć pierwsze wdrożenie wyświetlało prywatny adres IP zamiast użytecznego publicznego punktu końcowego SSH.

Odpowiedz na kilka prostych pytań i znajdź idealne rozwiązanie dla siebie!
Rozpocznij wyszukiwanie hostingu





