TensorDock
TensorDock propose des serveurs à la demande équipés de processeurs graphiques (GPU), ainsi que des instances CPU, pour l'entraînement de modèles d'IA, l'inférence et le rendu. Avec des GPU dédiés, un accès administrateur et des machines virtuelles préconfigurées, la plateforme fournit une infrastructure pour exécuter ces traitements, notamment aux entreprises, aux chercheurs et aux services de jeu à distance.
L'accès est payant, à l'usage. Après un dépôt de fonds, tu déploies un serveur auprès d'un hébergeur indépendant de la place de marché, puis le coût est déduit en continu du solde. Quand ce solde est épuisé, les serveurs sont automatiquement supprimés : l'approvisionnement du compte conditionne donc leur maintien, tandis qu'une API permet de les gérer.
Lire plus Lire moins
- Éditeur
- TensorDock
TensorDock en bref
C’est quoi ?
TensorDock est un service de location de serveurs GPU et d’instances CPU. Il fournit des machines sur lesquelles exécuter des traitements, plutôt que de produire directement une réponse ou une image à partir d’une consigne. Tu y déploies les ressources nécessaires à tes propres tâches de calcul.
Pourquoi ?
Pour entraîner un modèle ou exécuter des tâches d’inférence, le service permet de déployer un serveur auprès d’hébergeurs indépendants. Tu accèdes ainsi à des ressources de calcul louées pour tes traitements. Il s’agit d’une infrastructure à exploiter, pas d’une application de création prête à recevoir une consigne.
Pour qui ?
Start-up d’IA, entreprises, chercheurs et services de jeu à distance constituent les publics visés. Leur besoin commun est de disposer de serveurs pour exécuter leurs propres charges de travail. Le service s’adresse donc à des utilisateurs qui cherchent une infrastructure, plutôt qu’un assistant conversationnel ou un générateur directement utilisable.
Avantages et inconvénients
Les plus
- Contrôle de la machine L’accès administrateur permet de gérer l’environnement de la machine virtuelle.
- GPU dédiés Des GPU dédiés sont proposés pour les traitements déployés sur les serveurs.
- Environnements préparés Des machines virtuelles préconfigurées évitent de partir uniquement d’un environnement à préparer.
Les moins
- Suppression à épuisement du solde Un solde épuisé entraîne la suppression automatique des serveurs.
- Avance de fonds nécessaire Le déploiement exige un dépôt préalable sur le solde, dès $5, débité ensuite à l’usage.
Tableau des prix
TensorDock facture à l’usage sur un solde prépayé : tu déposes des fonds, dès $5, puis le solde est débité en continu après le déploiement. Les montants ci-dessous sont les prix horaires typiques affichés par l’éditeur, variables selon l’hébergeur et facturés à la seconde. Le prix d’un GPU n’inclut pas les ressources, facturées à part avec un minimum de 2 vCPU, 4 Go de RAM et 20 Go de stockage. L’éditeur date sa grille du 24 juillet 2024 et renvoie au tableau de bord pour les prix en direct ; une location longue durée se discute sur contact.
| Palier | Prix au 28 octobre 2026 |
|---|---|
| H100 SXM5 80GB | $2,25 par heure |
| A100 SXM4 80GB | $1,80 par heure |
| A100 PCIe 80GB | $1,50 par heure |
| V100 SXM2 16GB | $0,17 par heure |
| L40 48GB | $0,95 par heure |
| RTX 4090 24GB | $0,35 par heure |
| RTX 3090 24GB | $0,20 par heure |
| RTX 6000 Ada 48GB | $0,75 par heure |
| RTX A6000 48GB | $0,45 par heure |
| RTX A4000 16GB | $0,10 par heure |
| vCPU (l’unité) | $0,003 par heure |
| RAM (le Go) | $0,002 par heure |
| Stockage NVMe (le Go) | $0,00005 par heure |
Tarifs officiels de TensorDock, relevés le 28/10/2026
Ce que fait TensorDock
TensorDock fonctionne comme une place de marché de serveurs proposés par des hébergeurs indépendants. Après le déploiement, la consommation est prélevée continuellement sur le solde du compte. Ce mécanisme lie le maintien des machines aux fonds disponibles, plutôt qu’à la seule action de lancement. Un serveur déployé consomme donc le solde.
Comment utiliser TensorDock
Prise en main initiale
TensorDock demande d’abord d’alimenter le solde du compte. Dépose des fonds avant de lancer un serveur : ce dépôt sert ensuite à régler la consommation de la machine déployée.
Navigation dans l’interface
Consulte la place de marché des hébergeurs indépendants pour sélectionner le serveur à déployer. Le choix porte sur une machine de calcul, et non sur un modèle de document ou un espace de conversation.
Utilisation et gestion de projets
Déploie le serveur choisi pour y exécuter tes traitements. Tiens compte du prélèvement continu lors de son utilisation : les fonds du compte conditionnent la poursuite de son fonctionnement.
Fonctionnalités principales
TensorDock fournit les fonctions suivantes pour déployer des machines virtuelles et gérer leurs ressources de calcul.
Serveurs GPU à la demande
Le service permet de déployer un serveur équipé de GPU à la demande, pour y exécuter les traitements que tu souhaites lui confier.
Instances CPU
Des instances CPU peuvent également être déployées : les ressources proposées ne se limitent donc pas aux serveurs équipés de GPU.
Virtualisation KVM
Les machines virtuelles utilisent la virtualisation KVM, qui constitue la technologie de virtualisation proposée pour ces environnements.
Accès administrateur
L’accès root, c’est-à-dire l’accès administrateur au système, donne à l’utilisateur le contrôle de son environnement de machine virtuelle.
GPU dédiés
Des GPU dédiés font partie des ressources proposées : la fonction porte sur l’attribution du matériel graphique au serveur déployé.
Prise en charge de Windows 10
Windows 10 fait partie des systèmes pris en charge pour les machines virtuelles ; cette compatibilité concerne l’environnement du serveur.
Docker sur les modèles de machines virtuelles
Docker est présent sur tous les modèles de machines virtuelles, pour les traitements qui utilisent cet environnement de conteneurs.
Machines virtuelles préconfigurées
Des machines virtuelles préconfigurées sont proposées au déploiement, avec un environnement déjà préparé plutôt qu’une configuration intégralement manuelle.
API de gestion des serveurs
Une API, interface de programmation, permet de gérer les serveurs par des appels logiciels plutôt que seulement par une interaction manuelle.
Usages et métiers
TensorDock vise des publics qui exécutent leurs propres traitements sur des serveurs loués.
Start-up d’IA
Pour les start-up d’IA, les tâches proposées comprennent l’entraînement de modèles et l’exécution de charges d’inférence sur les serveurs déployés.
Entreprises
Les entreprises peuvent déployer des instances CPU ou des serveurs GPU et gérer les machines par programmation ; l’éditeur cite aussi un client qui y fait le rendu d’animations de logos.
Chercheurs
Les chercheurs font partie des publics visés pour utiliser les ressources de calcul, notamment lors de l’entraînement de modèles d’intelligence artificielle.
Services de jeu à distance
Les services de jeu à distance constituent un public visé pour la location de serveurs GPU ; l’offre porte sur l’infrastructure à déployer.
Conseils d’utilisation
Conseils pour une utilisation efficace
TensorDock propose une assistance par e-mail à l’adresse support@tensordock.com. Ce canal permet d’adresser une demande de support concernant l’utilisation du service.
Erreurs communes à éviter
Un serveur supprimé automatiquement peut être la conséquence d’un solde arrivé à épuisement. Cette suppression ne correspond pas à une simple interruption temporaire du calcul.
Accès
TensorDock est accessible sur le Web. Son accès en ligne permet d’atteindre le service depuis un navigateur, pour utiliser la plateforme de location de ressources de calcul.
Appareils, applications et systèmes compatibles
Disponible sur
Accès & intégrations
Disponible aussi sur Discord.
Avis et notes par Aikiwi
Note Globale de TensorDock 3,9
TensorDock associe des serveurs à GPU dédiés, des instances CPU et un accès administrateur complet dans des machines virtuelles utilisant KVM. Ses modèles préconfigurés incluent Docker, tandis que la prise en charge de Windows 10 permet aussi de déployer cet environnement. Une API permet de gérer les serveurs. L’offre porte donc sur une infrastructure à configurer et à piloter, plutôt que sur une interface de génération destinée au grand public.
Pour une startup d’IA ou une équipe de recherche, l’intérêt réside dans la location de ressources pour entraîner des modèles ou exécuter des tâches d’inférence. Les entreprises ayant des besoins de traitement d’images, de rendu, de transcodage ou de traitement par lots font également partie des profils visés. Les services de cloud gaming sont aussi concernés. L’investissement correspond ici à un besoin de calcul, pas à l’achat d’un assistant prêt à l’emploi.
L’accès à TensorDock est payant, à l’usage : une première utilisation nécessite un dépôt de fonds, dès $5, avant le déploiement. Le solde est ensuite débité en continu, et les serveurs sont automatiquement supprimés lorsqu’il est épuisé. Cette mécanique demande de suivre le crédit restant. La découverte du service passe donc par un déploiement financé sur une place de marché d’hébergeurs indépendants.
Avis détaillé sur TensorDock
Design et Ergonomie 4,0
TensorDock propose un accès web pour déployer des serveurs. Le parcours repose sur un dépôt de fonds puis sur la sélection d’une machine auprès d’un hébergeur indépendant. Cette organisation décrit les étapes d’accès au service, sans établir leur qualité ergonomique. Pour une équipe technique, pouvoir accéder au service depuis le web répond au besoin de disposer d’un point d’entrée vers les machines. Cela ne suffit pas à juger la facilité de lecture des écrans ou la visibilité des actions sensibles. Un chercheur qui sélectionne une configuration et un opérateur qui administre ses serveurs ont des besoins distincts ; leur confort d’utilisation n’est pas établi.
Facilité d’Utilisation 3,7
TensorDock réduit la préparation initiale grâce aux machines virtuelles préconfigurées et à la présence de Docker dans les modèles proposés. Cette prise en charge évite de partir systématiquement d’un environnement vide. Elle ne transforme toutefois pas la location de serveurs en application prête à exécuter n’importe quelle tâche : l’utilisateur reste responsable du logiciel installé et du travail lancé sur sa machine. Pour un développeur habitué aux environnements serveur, les configurations préparées constituent un point de départ utile plutôt qu’une contrainte imposée. Un profil qui cherche seulement à obtenir un résultat d’IA doit encore prendre en charge son environnement d’exécution. La facilité d’usage concerne donc surtout le démarrage de l’infrastructure, pas la réalisation guidée d’un projet d’entraînement ou d’inférence.
Fonctionnalités et Outils 4,3
TensorDock donne un contrôle étendu sur l’environnement avec l’accès administrateur, la virtualisation KVM et les GPU dédiés. L’intérêt fonctionnel tient à cette latitude de configuration, plutôt qu’à une collection d’outils d’IA intégrés. La possibilité de déployer aussi des instances CPU élargit les traitements pris en charge sans limiter le service aux seules opérations nécessitant un processeur graphique. Pour une équipe qui développe son propre logiciel, l’API de gestion des serveurs permet d’intégrer l’infrastructure à ses procédures techniques. La compatibilité avec Windows ouvre également un environnement distinct des déploiements reposant sur Docker. Cette souplesse convient aux projets qui doivent choisir leur système et leurs composants ; elle implique en retour de savoir administrer les ressources mises à disposition.
Performance et Fiabilité 4,0
TensorDock impose à ses hébergeurs une norme de disponibilité de 99,99 % et une maintenance programmée au moins deux semaines à l’avance ; les hébergeurs qui ne la respectent plus sont retirés de la plateforme. C’est une norme fixée aux hébergeurs, à distinguer d’une disponibilité constatée. Les GPU dédiés décrivent une modalité d’allocation matérielle, pas une vitesse d’exécution constatée sur une charge donnée. De même, la possibilité d’entraîner des modèles ou d’effectuer des rendus ne démontre ni la stabilité des traitements ni leur durée. Pour un chercheur ou une entreprise, la distinction entre ressources proposées et résultats mesurés reste déterminante. Une machine destinée à l’inférence doit répondre aux exigences de l’application qui l’utilise, tandis qu’un traitement par lots peut tolérer d’autres contraintes. Le catalogue matériel ne dit donc pas, à lui seul, la vitesse obtenue ; l’adéquation dépend du travail exécuté et des exigences du projet.
Innovation et Singularité 3,8
TensorDock se distingue par une place de marché réunissant des hébergeurs indépendants, plutôt que par une fonction d’IA destinée directement à l’utilisateur final. Cette approche fait du choix de l’infrastructure une composante du service. Sa singularité porte donc sur l’accès aux machines et leur déploiement, pas sur une méthode propre de génération, d’entraînement ou de traitement des contenus. Pour une jeune entreprise d’IA, ce modèle permet d’aborder le service comme un lieu de sélection de ressources pour son propre produit. Il convient aussi à des activités telles que le rendu ou le transcodage, qui n’exigent pas une application d’IA intégrée. L’intérêt de cette approche dépend ainsi du besoin d’infrastructure, et non de la recherche d’un modèle exclusif.
Support et Ressources Disponibles 3,8
TensorDock dispose d’une documentation officielle et d’un support par courriel, ce qui associe une ressource consultable à un canal de contact direct. L’éditeur annonce une équipe disponible 24 h sur 24 et une norme de réponse sous 24 heures, et propose aussi un serveur Discord et un échange avec l’équipe commerciale. Cette combinaison constitue un appui pour un service dont l’utilisation implique des opérations techniques. Pour un développeur capable d’administrer ses machines, la documentation offre un point d’appui cohérent avec l’autonomie attendue sur ce type d’infrastructure. Une entreprise dont les traitements sont sensibles aux interruptions doit tout de même distinguer une norme de réponse d’un engagement contractuel d’assistance.
Rapport Qualité-Prix 3,6
TensorDock fonctionne sur un solde prépayé débité continuellement après le déploiement, avec des prix horaires typiques de $0,10 pour une RTX A4000 à $2,25 pour une H100 SXM5, variables selon l’hébergeur. Cette logique lie la dépense au maintien des ressources déployées, et pas simplement à la création d’un compte. La suppression automatique des serveurs lorsque le solde est épuisé constitue une contrepartie importante : la maîtrise du financement devient une condition de continuité de l’environnement. Pour une équipe qui sait quelles ressources elle souhaite louer, le prépaiement rend l’enveloppe engagée explicite avant le déploiement. En revanche, un utilisateur qui veut seulement explorer le service doit financer cette découverte, dès $5. La valeur économique dépend donc de l’usage effectif des machines et du suivi du solde ; elle ne peut pas être ramenée à la seule présence de GPU.
Questions fréquentes
Sur quelles plateformes TensorDock est-il disponible ?
TensorDock est accessible sur le Web, avec un tableau de bord pour accéder au service. Pour les environnements hébergés, la plateforme propose des machines virtuelles préconfigurées et prend en charge Windows 10. Docker est présent dans tous les modèles de machines virtuelles : il s’agit des environnements des serveurs, distincts de l’interface web.
TensorDock propose-t-il une API ?
TensorDock propose une API de gestion des serveurs, c’est-à-dire une interface permettant de les administrer par programmation. Le service permet de déployer des serveurs avec processeurs graphiques dédiés ainsi que des instances CPU. Ces ressources servent notamment à entraîner des modèles d’IA, à exécuter des tâches d’inférence ou à effectuer du rendu.
Vous avez repéré une information incorrecte ou qui n'est plus à jour ? Signaler une erreurDemander une correctionVous êtes l'éditeur de cet outil ? Revendiquer cette fiche