ArtificialGuyBR

Home / Blog / Training LoRAs

RunPod vs Vast.ai para Treino LoRA em GPUs Alugadas

Escolha a instância de GPU na nuvem certa, compare templates e mantenha custos baixos.

5 sources cited Training LoRAs

On this page

  1. TL;DR
  2. Escolhendo Sua Plataforma
  3. Configurações Verificadas de Relance
  4. Configurando RunPod para Fluxos WAN2.1
  5. Configurando Vast.ai para Treino LoRA
  6. Preparação do Dataset
  7. Treino e Gestão de Custos
  8. Common Errors and Fixes
  9. Correções a Conselhos Comuns
  10. Perguntas Frequentes (FAQ)

TL;DR

  • RunPod: L40S a $0,99/hr com templates One-Click ComfyUI — ideal para iniciantes, fluxos criativos.
  • Vast.ai: H100 a ~$3/hr com Musubi-Tuner e template PyTorch — melhor para treino em larga escala.
  • Disco de Container vs Volume: Disco de container (260 GB) é significativamente mais barato que armazenamento de volume no RunPod.

RunPod vs Vast.ai para Treino LoRA em GPUs Alugadas

Alugar GPUs na nuvem transformou o fine-tuning de modelos de IA. Antes você precisava de uma placa de vídeo de $3.000 parada 90% do tempo. Agora acessa o mesmo silício por menos de um dólar a hora. Este guia compara as duas plataformas mais populares e mostra como escolher instâncias, configurar templates, mover datasets e controlar custos.

Escolhendo Sua Plataforma

A decisão se resume a um trade-off: facilidade de uso vs controle.

A L40S do RunPod a $0,99/hr oferece templates One-Click pré-configurados para fluxos criativos. As H100s da Vast.ai a ~$3/hr dão flexibilidade máxima para usuários técnicos que precisam de controle total sobre o ambiente de treino.

Feature | RunPod | Vast.ai

|---|---|---

Preço GPU inicial | $0,99/hr (L40S) [1] | ~$0,50–$3/hr (varia) [3] Sistema de templates | Templates One-Click ComfyUI [2] | Template PyTorch (Vast) Configuração de armazenamento | Escolhas entre disco de container e volume | Configuração manual Transferência de dados | CLI runpodctl [4] | Transferência manual Melhor para | Iniciantes, fluxos criativos | Usuários experientes, treino grande

Source: https://www.runpod.io/pricing, https://console.runpod.io/hub/template/one-click-comfyui-wan2-1-wan-2-2-cuda-12-8?id=758dsjwiqz

Para mais contexto sobre seleção de infraestrutura, veja escolhendo instâncias de GPU para treino de IA e estratégias de redução de custo com GPU na nuvem.

Configurações Verificadas de Relance

Setting | Value | Fonte

|---|---|---

Taxa horária L40S | $0,99/hr | https://www.runpod.io/pricing VRAM L40S | 48 GB | https://www.runpod.io/pricing RAM L40S | 94 GB | https://www.runpod.io/pricing vCPUs L40S | 16 | https://www.runpod.io/pricing Disco de Container Recomendado | 260 GB | https://console.runpod.io/hub/template/one-click-comfyui-wan2-1-wan-2-2-cuda-12-8?id=758dsjwiqz Tag PyTorch Vast.ai | 2.7.0-cuda-12.8.1-py310-22.04 | https://github.com/kohya-ss/musubi-tuner Dependências PyTorch | torch==2.7.0, torchvision==0.22.0, xformers==0.0.30 | https://civitai.com/articles/17385 Nome do modelo | wan2.1_t2v_14B_fp8_e4m3fn.safetensors | https://github.com/kohya-ss/musubi-tuner/blob/main/docs/wan.md Caminho dataset workspace | /workspace/musubi-tuner/dataset/ | https://github.com/kohya-ss/musubi-tuner runpodctl | CLI open-source (GitHub) | https://docs.runpod.io/runpodctl/overview Tamanho dataset LoRA | Exatamente 18 imagens | https://civitai.com/articles/17385 Extensão de legenda | .txt | https://github.com/kohya-ss/musubi-tuner/blob/main/docs/wan.md

Configurando RunPod para Fluxos WAN2.1

O RunPod reduz complexidade de setup através de templates pré-construídos. Para trabalho LoRA WAN2.1:

Passos Principais de Setup

  1. Seleção do Template: Use One Click - ComfyUI Wan2.1 - Wan 2.2 - CUDA 12.8 template [2]
  2. Configuração de Disco: Defina Disco de Container para 260 GB, Disco de Volume para 0 GB [2]
  3. Variáveis do Template: Configure download_wan22, civitai_token e LORAS_IDS_TO_DOWNLOAD antes de fazer deploy
  4. Pós-Deploy: Após aparecer "ComfyUI is up", faça upload de um script de setup e rode bash install_basics_clean_25_10_10.sh [2]. Use install-sage.sh como backup se SageAttention estiver faltando [2].

Veja também comparação de preços de armazenamento RunPod para detalhes de Container vs Volume disk.

Configurando Vast.ai para Treino LoRA

A Vast.ai exige configuração manual mas dá controle máximo:

Passos de Setup

  1. Seleção do Template: Escolha PyTorch (Vast) com tag 2.7.0-cuda-12.8.1-py310-22.04 [3]
  2. Armazenamento: Aloque 200 GB para dataset, modelos e arquivos de cache
  3. Dependências: Instale Musubi-Tuner e PyTorch com xformers

Dependências

Instale o stack PyTorch exato verificado pela referência da comunidade:

pip install torch==2.7.0 torchvision==0.22.0 xformers==0.0.30 --index-url https://download.pytorch.org/whl/cu128

Source: https://civitai.com/articles/17385

Preparação do Dataset

O tamanho ideal de dataset LoRA é exatamente 18 imagens — sem exceções. Isso dá diversidade suficiente sem overfitting.

Configuração do Dataset

[general]
resolution = [960, 960]
caption_extension = ".txt"
batch_size = 1
enable_bucket = true
bucket_no_upscale = false
num_repeats = 1

Armadilhas comuns:

  • Geração de legendas pelo ChatGPT às vezes erra a numeração dos arquivos — verifique o pareamento manualmente
  • Sujeitos 3D renderizados precisam de referências reais complementares (fotos de cosplay, resultados img2img)

Por Que Essas Configurações Importam

Por que 18 imagens são recomendadas. Esse número específico foi determinado por experimentação — dá diversidade suficiente para aprendizado LoRA eficaz enquanto mantém o custo computacional gerenciável. Source: "1. Dataset\n\n18 images. Always. No exceptions." (https://civitai.com/articles/17385)

Por que xformers é obrigatório. xformers é uma biblioteca de otimização de memória que permite ao PyTorch usar mecanismos de atenção especializados mais eficientes em memória que a atenção padrão do PyTorch. Source: "Supports xformers (training and inference) and Sage attention (inference only)" (https://civitai.com/articles/17385)

Para melhores práticas de geração de legendas, veja preparando datasets para treino LoRA.

Treino e Gestão de Custos

Pré-cache para Eficiência

Antes do treino, rode estes dois passos críticos:

python src/musubi_tuner/wan_cache_latents.py --dataset_config /workspace/musubi-tuner/dataset/dataset.toml --vae /workspace/musubi-tuner/models/vae/split_files/vae/wan_2.1_vae.safetensors
python src/musubi_tuner/wan_cache_text_encoder_outputs.py --dataset_config /workspace/musubi-tuner/dataset/dataset.toml --t5 /workspace/musubi-tuner/models/text_encoders/models_t5_umt5-xxl-enc-bf16.pth

Comando de treino (verificado da referência comunitária):

accelerate launch --num_cpu_threads_per_process 1 --mixed_precision bf16 src/musubi_tuner/wan_train_network.py --task t2v-14B --dit models/diffusion_models/split_files/diffusion_models/wan2.1_t2v_14B_fp8_e4m3fn.safetensors --vae models/vae/split_files/vae/wan_2.1_vae.safetensors --t5 models/text_encoders/models_t5_umt5-xxl-enc-bf16.pth --dataset_config /workspace/musubi-tuner/dataset/dataset.toml --xformers --mixed_precision bf16 --fp8_base --optimizer_type adamw --learning_rate 3e-4 --gradient_checkpointing --gradient_accumulation_steps 1 --max_data_loader_n_workers 2 --network_module networks.lora_wan --network_dim 32 --network_alpha 32 --timestep_sampling shift --discrete_flow_shift 1.0 --max_train_epochs 100 --save_every_n_epochs 100 --seed 5 --optimizer…

Estratégias de economia:

  1. Disco de Container sobre Disco de Volume (armazenamento local é muito mais barato)
  2. Delete modelos não usados (Wan Animate, InfiniteTalk)
  3. Monitore duração do treino (pré-cache evita overhead de carregamento de dados)
  4. Desligue pods imediatamente (cobrança é contínua)
  5. Use runpodctl para transferência de arquivos (runpodctl send /ComfyUI/output/)

Qual disco pagar

Templates comunitários dizem para colocar tudo no Disco de Container porque é "muito barato" (notas do template RunPod). Esse conselho está certo pela razão errada, e a razão muda o que você deve fazer entre sessões. Aqui está o preço real:

Storage type | Running Pod | Stopped Pod | Persistence | Fonte

|---|---|---|---|---

Container disk | $0,10/GB/mês | Não cobrado | Apagado quando Pod para | RunPod pricing Volume disk | $0,10/GB/mês | $0,20/GB/mês | Mantido até Pod ser deletado | RunPod pricing Network volume | $0,07/GB/mês | $0,07/GB/mês | Permanente, portável entre Pods | RunPod pricing

Enquanto o Pod roda, container e volume disk custam o mesmo — $0,10/GB/mês cada. Disco de container não é mais barato por onde fica; é grátis enquanto o Pod está parado porque é apagado quando o Pod para. Você não paga pelo armazenamento que não tem mais.

Isso torna o trade-off concreto. Um disco de container de 260 GB custa cerca de $26/mês rodando e nada parado, mas você rebaixa todo modelo a cada nova sessão. Os mesmos 260 GB como disco de volume custam $52/mês ociosos. Como network volume custa $18/mês, sempre disponível e portável a outro Pod — a opção mais barata para modelos que você reusa, e a que o conselho comunitário ignora.

Divisão prática: modelos e LoRAs que você reusa em network volume, saída temporária e imagem do container no disco de container, e disco de volume só quando precisa de persistência atrelada a um Pod específico.

Por Que Pré-cache é Essencial para Treino

Pré-cache converte dados para formatos GPU-friendly antes do treino começar, reduzindo overhead de carregamento de dados em tempo real durante o processo de treino computacionalmente caro. Source: "Pre-caching is almost the same as in HunyuanVideo, but some options may differ. See HunyuanVideo documentation and --help for details."

Para detalhes completos de configuração Musubi-Tuner, veja guia de treino Musubi-Tuner.

Common Errors and Fixes

Symptom | Cause | Fix | Fonte

|---|---|---|---

SageAttention faltando no template | Templates oficiais ComfyUI podem não incluir SageAttention | Rode script install-sage.sh ou instale manualmente | https://civitai.com/articles/20234 Arquivos de legenda com numeração errada | Geração de legendas pelo ChatGPT às vezes erra numeração dos .txt | Corrija manualmente a numeração dos arquivos após gerar legendas | https://civitai.com/articles/17385 Sujeitos 3D aprendem mal | Faltam referências reais | Adicione fotos de cosplay, resultados img2img | https://civitai.com/articles/17385 Out-of-memory | VRAM insuficiente para treino 960×960 | Ative --fp8_base --gradient_checkpointing, reduza --network_dim de 32, ou use L40S (48 GB VRAM) | https://github.com/kohya-ss/musubi-tuner/blob/main/docs/wan.md

Correções a Conselhos Comuns

Common claim | What is actually true | Fonte

|---|---|---

Versão do template VastAI é um release PyTorch oficial fixo | A fonte alega que essa versão exata corresponde ao release oficial do PyTorch, mas a página de preços da Vast.ai mostra que preços são dinâmicos e baseados em marketplace, não fixos a versões específicas | Version Tag: 2.7.0-cuda-12.8.1-py310-22.04 (https://github.com/kohya-ss/musubi-tuner) L40S é o "melhor custo-benefício em velocidade/custo" | Preços RunPod confirmam L40S a $0,99/hr, tornando-o uma das opções mais baratas, mas "melhor custo-benefício" não é uma claim na fonte | "L40S\n\n48 GB VRAM\n\n94 GB RAM\n\n16\n\nvCPUs\n\n$0.99/hr" (https://www.runpod.io/pricing)

Perguntas Frequentes (FAQ)

Qual a GPU mínima? Musubi-Tuner recomenda 24 GB VRAM. L40S do RunPod fornece 48 GB a $0,99/hr — suficiente para Wan2.1.

RunPod aguenta treino? Sim. Templates do RunPod incluem ComfyUI e suporte WAN2.1, tornando treino direto. Porém, Vast.ai oferece mais controle de ambiente.

Estimativas de tempo de treino:

  • H100 (100-epoch): 2–8 horas a 960×960
  • L40S: Aproximadamente 3–5× mais longo que H100
  • Tempo real varia com I/O de rede e configuração

Persistência do Container Disk: Preservado em paradas/reinícios do pod mas pode não sobreviver a migração para hardware diferente. Faça backup de assets críticos em volume ou armazenamento local.

Transferência de arquivos: Instale runpodctl localmente e use runpodctl send /ComfyUI/output/ para criação automática de zip e links de download.

Preços Vast.ai: Preços de marketplace flutuam baseado em oferta, localização e confiabilidade do host. Sempre confira catálogos de preços ao vivo antes de compromissos longos.

Sobre Musubi-Tuner: Framework open-source suportando Wan, Hunyuan e outras arquiteturas. Oferece controle granular de parâmetros e otimização de memória via block swap e fp8. Referência comunitária para treino LoRA WAN2.1 [5].

Como transferir arquivos entre minha máquina local e um pod RunPod? Instale runpodctl na sua máquina local, configure com sua API key, depois use runpodctl send para criar um bundle zip e link de download. runpodctl é uma ferramenta de linha de comando open-source para gerenciar recursos RunPod da sua máquina local. Source: https://docs.runpod.io/runpodctl/install-runpodctl

Quais dependências Python são necessárias? Instale torch==2.7.0, torchvision==0.22.0 e xformers==0.0.30 com o índice de wheel CUDA 12.8. Source: https://civitai.com/articles/17385