Carnet Jupyter ou GPU loué : Runpod face à Colab Pro, tarifs
Ou : pourquoi l’outil sur lequel tout le monde a appris l’IA n’est pas celui sur lequel on la fait tourner.
La réponse courte : Colab Pro reste imbattable pour apprendre, tester un carnet ou lancer un calcul de quelques heures, sans rien installer, pour 9,99 $ par mois aux États-Unis avec 100 unités de calcul. Runpod devient préférable dès que la session doit durer, reprendre après une coupure ou tourner sur une carte précise. Un pod Runpod s’ouvre dans JupyterLab comme un carnet Colab, la différence est qu’il reste allumé tant que vous payez. C’est l’un des duels entre plateformes GPU où le perdant n’en est pas vraiment un : on commence presque toujours par Colab.
Les limites de Colab sont écrites dans sa FAQ officielle : une session dure au plus 12 heures en général, s’interrompt en cas d’inactivité, et Pro+ va jusqu’à 24 heures si le solde d’unités suit. Google prévient que les ressources ne sont « ni garanties ni illimitées ». Les unités expirent après 90 jours, et le prix dépend du pays : 9,99 $ aux États-Unis le 9 octobre 2026, 13,99 dollars canadiens au Canada le 11 novembre 2026. Depuis l’annonce du 22 septembre 2026, les forfaits Google AI incluent aussi Colab : 200 unités par mois avec Google AI Pro, l’exécution en arrière-plan et les cartes haut de gamme avec Ultra.
Pour qui : un développeur ou un chercheur dont le carnet a dépassé la durée d’une session Colab, ou qui veut une carte précise à chaque lancement.
À partir de : 0,34 $ de l’heure pour une RTX 4090 en Community Cloud, 1,79 $ pour une A100 de 80 Go en Secure Cloud (relevé le 11 novembre 2026), facturés à la seconde.
Pour démarrer : ouvrir un compte Runpod, lancer un pod sur le modèle PyTorch officiel, JupyterLab compris, et y déposer votre carnet.
Runpod vs Google Colab Pro : la limite de session contre la facture à la seconde
Le vrai problème de Colab Pro n’est pas son prix, c’est son unité, dont la valeur dépend, dit Google, de la machine et de l’accélérateur. Pour comparer, il faut passer par Colab Enterprise, facturé à l’usage sur Google Cloud, qui publie ses tarifs : le 11 novembre 2026, dans l’Iowa, une H100 y coûtait 11,76 $ de l’heure plus 1,96 $ de frais de gestion, une A100 de 80 Go 4,71 $ plus 0,786 $. Le même jour, côté GPU loué, Runpod facturait l’A100 de 80 Go 1,79 $ en Secure Cloud, la H100 2,89 $ en PCIe et 3,99 $ en SXM.
| Critère | Colab Pro | Runpod |
|---|---|---|
| Prix d’entrée | 9,99 $ par mois, 100 unités (tarif américain) | à l’usage, à la seconde |
| Carte obtenue | selon disponibilité, non garantie | celle choisie, si elle est libre |
| Durée d’une session | 12 heures en général, 24 avec Pro+ | tant que le pod tourne |
| Fichiers entre deux sessions | effacés, sauf dans Google Drive | /workspace conservé, ou volume réseau |
| Solde épuisé | retour au régime gratuit | pod arrêté, supprimé sans volume réseau |
La persistance pèse souvent plus que le tarif horaire. Un carnet Colab repart d’un environnement vierge à chaque session : dépendances à réinstaller, poids à retélécharger, unités consommées pendant ce temps. Un pod arrêté garde son disque de volume, ou monte un volume réseau partageable entre pods.
Vingt heures d’A100 par mois, la facture posée à plat
Prenons 20 heures par mois sur une A100 de 80 Go, avec un modèle de 20 Go à garder entre les sessions. Chez Runpod en Secure Cloud, le calcul coûte 20 × 1,79 $, soit 35,80 $. Le disque de volume, à 0,20 $ par gigaoctet et par mois à l’arrêt, ajoute au plus 4 $, soit environ 39,80 $, ou 37,20 $ avec un volume réseau à 0,07 $. En Community Cloud, avec l’A100 PCIe à 1,19 $, le calcul tombe à 23,80 $.
Chez Colab Enterprise, les mêmes heures coûtent 20 × (4,71 $ + 0,786 $), environ 110 $, hors processeur, mémoire et disque.
Pour Colab Pro, le calcul honnête s’arrête là : Google ne publie pas combien d’unités une A100 consomme par heure, ni ne promet d’en attribuer une. Une fois la machine allouée, le panneau des ressources de Colab affiche le solde et un taux d’usage approximatif par heure. Si 100 unités ne suffisent pas, l’achat à l’unité en revend 100 au même prix.
Passer de Colab à un pod en cinq étapes
- Choisir le modèle officiel. Le modèle Runpod PyTorch, proposé par défaut, a JupyterLab préconfiguré, en général sur le port 8888.
- Tout ranger dans
/workspace. Le disque de volume y est monté et survit à l’arrêt, pas le disque du conteneur. Un volume réseau, choisi à la création, prend la même place. - Oublier
drive.mount. Un pod ne monte pas Google Drive : les fichiers passent parrunpodctl,scp,rsyncou Cloud Sync. Pour Drive, la documentation de Runpod renvoie, ironie du sort, vers deux carnets Colab. - Réinstaller les dépendances. Ce qui est installé hors de
/workspacedisparaît à l’arrêt : gardez-y unrequirements.txtet relancezpython -m pip install -r requirements.txtau démarrage, ou figez-les dans un modèle personnalisé. - Arrêter, pas supprimer. L’arrêt coupe la facture de calcul, pas celle du disque de volume. Au redémarrage, si la carte a été relouée, Runpod propose de démarrer sans GPU pour récupérer vos fichiers, ou de migrer le pod. Supprimer efface tout ce qui n’est pas sur un volume réseau.
Si vous cherchez surtout du calcul gratuit
La version gratuite de Colab offre, selon Google, un accès très limité aux GPU, et interdit sans solde d’unités le terminal SSH, le bureau à distance et l’interface web qui contourne le carnet, ComfyUI par exemple. Au 11 novembre 2026, un fournisseur serverless offrait 30 $ de calcul par mois sans abonnement, à condition d’écrire son infrastructure en Python. Autre mérite du serverless, aucune session à surveiller : c’est un endpoint de Runpod, pas un carnet, qui transcrit avec Whisper les voix de mes vidéos. Les deux approches s’affrontent dans ce duel du serverless en Python.
Si la carte de Colab vous suffisait déjà
Beaucoup de projets quittent Colab parce qu’une A100 n’y est pas toujours disponible, pas parce qu’il leur faut mieux. Google l’écrit : les GPU proposés varient avec le temps, la disponibilité et le solde d’unités. Sur un pod, la carte est choisie à la création, et l’hésitation porte sur la gamme : à 1,79 $ en Secure Cloud contre 3,99 $ pour une H100 SXM, l’A100 de 80 Go coûte moins de la moitié, pour autant de mémoire. Reste à mesurer si elle suffit à votre charge de travail avant de louer une A100 plutôt qu’une H100.
Si seul le prix le plus bas vous intéresse
Vast.ai affiche des RTX 4090 bien sous Runpod. Le 11 novembre 2026, son API publique montrait la moins chère des offres à la demande à 0,13 $ de l’heure, chez un hôte qui avait perdu son statut vérifié ; la moins chère des offres vérifiées valait 0,34 $, le prix du Community Cloud de Runpod. Pour un carnet, ce détail pèse lourd : une machine qui tombe en pleine session vous ramène au problème de Colab, la facture en plus. Ce que vaut ce plancher se lit dans les offres de Vast.ai, hôte par hôte.