RunPod Guide 2026

Das Fazit vorab#

RunPod ist 2026 die Preis-Leistungs-Referenz für gemietete GPUs. Eine RTX 4090 kostet 0,69 $/Stunde, eine A100 startet bei 1,39 $/Stunde, eine H100 bei 2,89 $/Stunde, alles sekundengenau abgerechnet und ohne Egress-Gebühren, wo Hyperscaler 0,09-0,12 $/GB für ausgehende Daten verlangen. Serverless-Endpoints mit FlashBoot-Kaltstarts unter 200 ms machen RunPod zu einer der wenigen Plattformen, auf denen Scale-to-Zero-Inferenz wirklich funktioniert. Der Haken ist die schwankende Zuverlässigkeit: Trustpilot steht bei 3,5/5, mit wiederkehrenden Berichten über Pods, die nicht starten, während die Abrechnung weiterläuft, und Speicherkosten-Eigenheiten, die Neulinge kalt erwischen. Für Wegwerf-Experimente, Fine-Tuning-Läufe und kostenkritische Inferenz ist RunPod hervorragend. Für Workloads, die rund um die Uhr laufen müssen, heißt es defensiv planen oder woanders mehr zahlen.

Bewertung: 4,1/5 | Preis: ab 0,27 $/Stunde, Pay-as-you-go | Zuletzt geprüft: Juli 2026

Key Facts#

• Preise: Pods von 0,27 $/Std. (RTX A5000) bis 7,39 $/Std. (B300); RTX 4090 0,69 $/Std., A100 ab 1,39 $/Std., H100 ab 2,89 $/Std., H200 4,39 $/Std.; sekundengenau abgerechnet
• Serverless: H100 4,55 $/Std., A100 2,72 $/Std., RTX 4090 1,10 $/Std. bei aktiver Last; Scale-to-Zero mit FlashBoot-Kaltstarts unter 200 ms
• Free Tier: Kein Gratis-Kontingent; Pay-as-you-go ohne Abo oder Mindestabnahme
• Storage: Network Volumes 0,07 $/GB/Monat (erstes TB, danach 0,05 $), Container Disk 0,10 $/GB/Monat, Idle Volume Disk 0,20 $/GB/Monat
• Egress: Keine Ingress-/Egress-Gebühren
• Kern-Differenzierung: Sekundengenaue Abrechnung über rund 20 GPU-Typen, plus günstigere Community Cloud für unkritische Workloads
• Schutzmechanismus: Standard-Ausgabenlimit von 80 $/Std. pro Konto
• Unternehmen: Gegründet 2022, nach eigenen Angaben über 750.000 Entwickler; genutzt von Teams bei Hugging Face, Perplexity und Cursor

Was ist RunPod und für wen ist es gedacht?#

RunPod ist eine GPU-Cloud für KI-Workloads: Training, Fine-Tuning und Inferenz. Statt Instanzen monatsweise zu reservieren, startest du einen Pod (einen Container mit angebundenen GPUs) und zahlst sekundengenau, bis du ihn beendest. Auf den Pods sitzen Serverless-Endpoints, die zwischen Anfragen auf null herunterskalieren, und Instant Clusters für Multi-Node-Trainingsjobs, die bei einer großen Cloud normalerweise ein Vertriebsgespräch erfordern würden.

Die Zielgruppe sind Entwickler und kleine Teams, die Hyperscaler-Preise schmerzhaft kennen: Indie-Hacker, die Open-Source-Modelle finetunen, Startups, die Inferenz-APIs ohne Platform-Engineering-Team betreiben, Forscher, die eine H100 für einen Nachmittag brauchen, und Hobbyisten mit Bildgenerierungs-Workloads auf Consumer-Karten. Wenn dein Workload auf eine GPU passt und gelegentliche Neustarts verträgt, sind RunPods Konditionen schwer zu schlagen.

Die Kapazität gibt es in zwei Varianten. Secure Cloud läuft in Rechenzentren mit Enterprise-Zuverlässigkeit. Community Cloud ist von Dritten bereitgestellte Kapazität zu niedrigeren Preisen mit weniger Garantien, gut für Experimente, riskant für Produktion.

Wie dieser Guide entstanden ist#

Dieser Guide basiert auf RunPods offizieller Preisseite und Dokumentation, verifizierten Preisen mit Stand Juli 2026, aggregiertem Nutzerfeedback von Trustpilot und G2, einem unabhängigen Hands-on-Review mit 15 Community-Bewertungen sowie Preisvergleichen von Drittanbietern. Wir haben für diesen Guide keine eigene bezahlte Benchmark-Suite betrieben.

Unsere Quellen umfassen:

• Offizielle Preisseite und Serverless-Pricing-Docs
• Trustpilot-Reviews (231 Bewertungen, 3,5/5 zum Zeitpunkt der Erstellung)
• Unabhängige Hands-on-Tests (Hack'celeration, 5-Kriterien-Review)
• Preisvergleiche von Drittanbietern (Thunder Compute, Spheron)
• RunPods Referral- und Abrechnungsdokumentation

Features im Detail#

On-Demand-Pods#

Pods sind das Kernprodukt: GPU, Template und Region wählen, und wenige Minuten später läuft ein Container mit SSH- und Jupyter-Zugang. Die GPU-Liste umfasst rund 20 Typen, von der RTX A5000 für 0,27 $/Std. über die RTX 4090 für 0,69 $/Std. bis zu H100 (2,89-3,19 $/Std.), H200 (4,39 $/Std.), B200 (5,89 $/Std.) und B300 (7,39 $/Std.). Sekundengenaue Abrechnung bedeutet: Ein 40-minütiger Fine-Tuning-Lauf kostet 40 Minuten, keine volle Stunde. Das Standard-Ausgabenlimit von 80 $/Std. verhindert, dass ein Skriptfehler zur vierstelligen Rechnung wird.

Die Trennung Secure/Community ist wichtiger, als das Marketing vermuten lässt. Community Cloud ist spürbar günstiger, aber Nutzerberichte melden dort durchgehend mehr Varianz: Pods mit alten Treibern, Instanzen, die mitten im Job ausfallen, und GPUs, die als verfügbar angezeigt werden, es aber nicht sind. Behandle Community Cloud wie Spot-Kapazität und setze entsprechend Checkpoints.

Serverless mit FlashBoot#

Serverless-Endpoints skalieren Worker automatisch zwischen null und deinem konfigurierten Maximum, abgerechnet pro Sekunde aktiver Laufzeit: H100 für 4,55 $/Std., A100 für 2,72 $/Std., RTX 4090 für 1,10 $/Std., bis hinunter zu 0,58 $/Std. für Karten der A4000-Klasse. Das Unterscheidungsmerkmal ist FlashBoot mit Kaltstarts unter 200 ms in Benchmarks, schnell genug, dass Scale-to-Zero auch für nutzerseitige Inferenz taugt statt nur für Batch-Jobs. Bei stoßweisem Traffic schlagen RunPods Konditionen reservierte Instanzen deutlich: Zwischen den Anfragen zahlst du 0 $.

Beachte den Aufpreis: H100-Zeit kostet serverless 4,55 $/Std. gegenüber 2,89 $/Std. für dieselbe Karte als Pod. Du bezahlst das Autoscaling und die Leerlaufzeit, die du nicht mehr verbrennst. Rechne deinen Auslastungsgrad durch; ab etwa 60 % dauerhafter Auslastung ist der einfache Pod günstiger.

Instant Clusters#

Multi-Node-Training bedeutet normalerweise Kapazitätsplanung und ein Vertriebsgespräch. RunPods Instant Clusters stellen Multi-Node-Setups on demand bereit, mit H200 SXM für 4,31 $/Std. und A100 SXM für 1,79 $/Std. pro GPU; größere Konfigurationen (H100 SXM, B200) laufen über den Vertrieb. Für Teams, die gelegentlich verteiltes Training brauchen, ohne sich auf reservierte Kapazität festzulegen, schließt das eine echte Lücke zwischen "ein großer Pod" und "Jahresvertrag unterschreiben".

Hub-Templates und GitHub-Deployments#

Der Hub bietet One-Click-Templates für gängige Open-Source-Modelle und Tools, sodass eine funktionierende Umgebung ein Template-Klick ist statt einer Dockerfile-Session. Für eigene Workloads deployt die native GitHub-Integration direkt aus einem Repository, mit Rollback-Unterstützung, was den Weg von "läuft lokal" zu "läuft auf einer H100" wirklich kurz macht. Die Community-Dokumentation ist ein wiederkehrender Lichtblick in den Reviews; für die meisten Standard-Workflows gibt es eine Anleitung oder ein Template.

Storage, Netzwerk und das Abrechnungsmodell#

Beim Speicher werden neue Nutzer überrascht, deshalb hier die Zahlen unverblümt. Network Volumes (persistent, anhängbar) kosten 0,07 $/GB/Monat für das erste TB, danach 0,05 $, die High-Performance-Stufe 0,14 $. Container Disks kosten 0,10 $/GB/Monat, solange ein Pod existiert. Die Falle: Ein gestoppter Pod behält seine Volume Disk, abgerechnet mit 0,20 $/GB/Monat, dem Doppelten des Laufzeit-Tarifs. Mehrere Rezensenten berichten von Guthaben-Warnungen durch Pods, die sie für "aus" hielten. Wenn du fertig bist: Pod löschen, nicht nur stoppen; alles Aufbewahrenswerte gehört auf ein Network Volume.

Die gute Nachricht beim Netzwerk: Ingress und Egress sind kostenlos. Ein 50-GB-Datensatz rein und trainierte Gewichte raus kosten nichts, während dieselbe Runde bei einem Hyperscaler echtes Geld kostet.

Preise im Detail#

RunPod hat keine Pläne oder Abos; alles ist Pay-as-you-go, sekundengenau abgerechnet, Stand Juli 2026.

Pods (Secure Cloud) -- On-Demand-GPU-Container. Budget-Karten starten bei 0,27 $/Std. (RTX A5000) und 0,39 $/Std. (L4); das Arbeitstier RTX 4090 kostet 0,69 $/Std.; 48-GB-Karten liegen bei 0,44-0,99 $/Std. (A40 bis L40S); Rechenzentrums-Karten reichen von 1,39 $/Std. (A100 PCIe) über 2,89-3,19 $/Std. (H100-Varianten) bis 4,39 $/Std. (H200), 5,89 $/Std. (B200) und 7,39 $/Std. (B300).

Community Cloud -- Dasselbe Pod-Modell auf von Dritten bereitgestellter Hardware zu niedrigeren Preisen. Gut für Experimente und unterbrechbare Jobs; Reviews melden mehr Varianz bei Treibern, Stabilität und Verfügbarkeit.

Serverless -- Autoskalierende Endpoints, abgerechnet pro Sekunde aktiver Ausführung: 0,58 $/Std. (A4000/A4500), 0,69 $/Std. (L4/A5000), 1,10 $/Std. (RTX 4090), 2,72 $/Std. (A100), 4,55 $/Std. (H100), 5,93 $/Std. (H200), bis 9,98 $/Std. (B300). Scale-to-Zero heißt: Leerlauf kostet nichts.

Instant Clusters -- Multi-Node-Training: A100 SXM 1,79 $/Std., H200 SXM 4,31 $/Std. pro GPU; H100 SXM und B200 über den Vertrieb.

Die Zahl, die du im Blick behalten musst, ist der Speicher, nicht die Rechenzeit. Network Volumes für 0,07 $/GB/Monat sind günstig, aber Container- und Volume-Disks vergessener Pods summieren sich, und ein gestoppter Pod rechnet sein Volume mit 0,20 $/GB/Monat ab. Lösche Pods, mit denen du fertig bist, halte dauerhafte Daten auf Network Volumes und setze das Ausgabenlimit unter die Standard-80 $/Std., wenn du nur gelegentlich nutzt.

Ähnliche Tools, die einen Blick wert sind#

• Vast.ai: Marktplatz-Modell mit den absolut niedrigsten Preisen für Consumer-GPUs, aber noch mehr Varianz als die Community Cloud. Die Budget-Option, wenn Zuverlässigkeit kaum zählt.
• Lambda: H100-/B200-Kapazität im Rechenzentrum mit Reserved-First-Modell. Besser für dauerhaftes Training; schwächer für kurze Bursts und Serverless.
• Modal: Python-natives Serverless-Computing mit hervorragender Developer Experience. Bessere Abstraktionen, höhere Stundenpreise; du tauschst Kontrolle gegen Komfort.
• Together AI: Verwaltete Inferenz- und Fine-Tuning-API für Open-Source-Modelle. Die richtige Wahl, wenn du Tokens willst, keine GPUs.
• Hyperscaler (AWS/GCP/Azure): Gewinnen bei Compliance, SLAs und Ökosystem-Integration; verlieren bei reinen GPU-Workloads deutlich bei Preis und Egress.

Wenn du noch abwägst, ob du überhaupt GPUs mieten oder Modelle lokal betreiben willst: Unsere Analyse zu Open-Source-KI 2026 rechnet die Hardware-Frage durch. Einen breiteren Überblick bietet unser Guide Best AI Tools 2026.

Wer sollte RunPod nutzen?#

Ideal für Indie-Entwickler und Forscher: Eine H100 für einen Nachmittag Fine-Tuning kostet unter 12 $. Sekundengenaue Abrechnung plus Templates bedeutet minimalen Setup-Aufwand bei kurzen Experimenten.

Ideal für Startups mit Inferenz-APIs: Serverless mit FlashBoot fängt stoßweisen Traffic mit Scale-to-Zero-Konditionen ab, die reservierte Instanzen unterhalb dauerhafter Last nicht bieten können.

Ideal für Open-Source-Modell-Workloads: Kostenloser Egress und One-Click-Templates machen die Schleife aus Gewichte laden, finetunen, Gewichte ausliefern billig und schnell.

NICHT für dich, wenn du vertragliche SLAs und garantierte Verfügbarkeit für Produktion brauchst (kein SLA in Standard-Plänen), deine Compliance-Anforderungen bestimmte Zertifizierungen und Datenresidenz-Garantien verlangen, oder du eine vollständig verwaltete API willst, bei der jemand anderes das Modell betreibt (dann besser Together AI oder ein Hosted-Anbieter).

Fazit#

RunPod gewinnt bei den Konditionen und verliert bei der Vorhersagbarkeit. Die Preise sind wirklich erstklassig: Sekundengenaue Abrechnung, kostenloser Egress und H100s für 2,89 $/Std. ergeben eine Kostenstruktur, an die Hyperscaler nicht herankommen, und FlashBoot macht Serverless-GPU-Inferenz praktisch statt theoretisch. Deshalb nutzen es über 750.000 Entwickler, und deshalb ist es die Standard-Empfehlung für Experimente, Fine-Tuning und kostenkritische Inferenz.

Die 3,5/5 auf Trustpilot sind genauso real. Pods, die ausfallen, während die Abrechnung läuft, Speicherkosten gestoppter Pods und Verfügbarkeitslücken zu Stoßzeiten sind wiederkehrende Muster, keine Einzelfälle. Das Muster in den Reviews ist konsistent: RunPod ist hervorragend für verzichtbare Workloads und riskant für alles, was nicht ausfallen darf. Setze Checkpoints bei Trainingsläufen, lösche Pods statt sie zu stoppen, prüfe die erste Rechnung genau, und RunPod ist sehr wahrscheinlich die günstigste ernsthafte GPU-Rechenleistung, die du 2026 kaufen kannst.

FAQ#

Was kostet RunPod?#

Es gibt kein Abo; du zahlst sekundengenau für das, was du nutzt. Pods reichen von 0,27 $/Std. (RTX A5000) bis 7,39 $/Std. (B300), die beliebte RTX 4090 kostet 0,69 $/Std., die H100 ab 2,89 $/Std. Serverless liegt bei 0,58-9,98 $/Std. aktiver Laufzeit. Speicher kostet je nach Typ 0,05-0,14 $/GB/Monat, Egress ist kostenlos.

Hat RunPod ein Free Tier?#

Nein. RunPod ist Pay-as-you-go: Du lädst Guthaben auf und verbrauchst es sekundengenau. Es gibt kein monatliches Gratis-Kontingent, aber auch keine Mindestabnahme, ein kleines Experiment kostet Cents.

Was ist der Unterschied zwischen Secure Cloud und Community Cloud?#

Secure Cloud läuft in Rechenzentren mit Enterprise-Zuverlässigkeit und ist der Standard für alles Wichtige. Community Cloud ist von Dritten bereitgestellte Kapazität zu niedrigeren Preisen mit weniger Garantien; Reviews melden mehr Varianz bei Treibern, Stabilität und Verfügbarkeit. Nutze sie für unterbrechbare Workloads mit Checkpoints.

Ist RunPod Serverless schnell genug für Echtzeit-Inferenz?#

Mit FlashBoot liegen Kaltstarts in Benchmarks unter 200 ms, was Scale-to-Zero für nutzerseitige APIs tauglich macht, nicht nur für Batch-Verarbeitung. Bei dauerhaft hohem Traffic solltest du Serverless-Preise (4,55 $/Std. für H100) gegen einen einfachen Pod (2,89 $/Std.) rechnen: Ab etwa 60 % Auslastung gewinnt der Pod.

Warum hat RunPod nach dem Stoppen meines Pods weiter abgerechnet?#

Ein gestoppter Pod behält seine Volume Disk, abgerechnet mit 0,20 $/GB/Monat, dem Doppelten des Laufzeit-Tarifs. Das ist die häufigste Abrechnungsüberraschung in Nutzerberichten. Wenn du mit einem Pod fertig bist, lösche ihn vollständig und halte dauerhafte Daten auf einem Network Volume (0,07 $/GB/Monat), das die Pod-Löschung übersteht.