11. November 2026 · VRAMfarm-Team

Google Colab oder gemietete GPU: Abbrüche, Compute Units und die echten Kosten pro Stunde

„Runtime disconnected.“ Wenn Sie diese Meldung drei Stunden nach Beginn eines Trainingslaufs gesehen haben, mit einem Checkpoint, der eine Stunde alt war, kennen Sie die Schwachstelle von Colab schon. Für kurze Notebooks auf einer T4 mit 16 GB ist Colab ein sehr gutes Angebot, und der Einstieg ist kostenlos. Teuer wird es auf weniger sichtbare Weise, wenn Ihre Jobs lange laufen, mehr als 16–24 GB Speicher brauchen oder überstehen müssen, dass Sie den Laptop zuklappen. Dann bekommen Sie mit einer gemieteten GPU, minutengenau abgerechnet ab 0,30 € pro Stunde für eine RTX 3090 mit 24 GB, meist mehr fertige Arbeit pro Euro.

So funktioniert Colab im November 2026

Die Pläne von Colab ändern sich oft, deshalb hier das Modell in Worten statt einer Preisliste. Aktuelle Zahlen finden Sie auf der Preisseite von Google Colab.

• Kostenlos. Sie bekommen eine GPU, wenn eine frei ist, meist eine NVIDIA T4 mit 16 GB. Die Nutzungsgrenzen sind dynamisch und werden nicht veröffentlicht. Ein Notebook läuft höchstens 12 Stunden, eine untätige Laufzeit wird viel früher getrennt. An manchen Tagen bekommen Sie gar keine GPU.
• Colab Pro. Ein Monatsabo mit einem Kontingent an Compute Units (im November 2026 etwa 100 im Monat für etwa 10–11 €). Mit den Units bekommen Sie, solange sie reichen, Zugang zu schnelleren GPUs wie der L4 (24 GB) und der A100, dazu mehr RAM.
• Colab Pro+. Mehr Units pro Monat und Ausführung im Hintergrund: Das Notebook läuft nach dem Schließen des Browsers bis zu 24 Stunden weiter, solange Sie Units haben.
• Pay As You Go. Units ohne Abo kaufen. Sie gelten nicht ewig; ein Paket, das Sie im Frühjahr kaufen, kann im Herbst verfallen sein.
• Google-AI-Abos. Google bündelt Colab-Vorteile inzwischen auch in einige seiner Google-AI-Abos. Was jede Stufe enthält, ändert sich; prüfen Sie es also, bevor Sie mit Premium-GPUs oder Hintergrundausführung rechnen.

Am wichtigsten: Units werden pro Stunde verbraucht, solange eine Laufzeit verbunden ist, und die Rate hängt von der GPU ab. Eine T4 verbraucht nur ein paar Units pro Stunde, eine A100 ein Vielfaches davon. 100 Units reichen auf einer T4 also Dutzende Stunden, auf einer A100 etwa ein Dutzend oder weniger. Units werden auch verbraucht, während die GPU untätig ist und Sie bei offenem Notebook Dokumentation lesen.

Abbrüche, Grenzen und was sie Sie kosten

Eine Colab-Sitzung endet aus mehreren Gründen, und nur einige davon haben Sie in der Hand:

• Sie waren zu lange untätig (keine Interaktion mit dem Notebook);
• die Sitzung hat ihre Höchstdauer erreicht (12 Stunden oder 24 mit Hintergrundausführung bei Pro+);
• Sie haben eine Nutzungsgrenze erreicht, oder Ihre Compute Units sind mitten im Lauf ausgegangen;
• bei Plänen ohne Hintergrundausführung haben Sie den Tab geschlossen, oder Ihr Laptop ist in den Ruhezustand gegangen;
• Google brauchte die GPU für jemand anderen.

Wenn die Laufzeit endet, wird ihre Festplatte gelöscht: installierte Pakete, heruntergeladene Modelle und alle Ergebnisse, die Sie nicht herauskopiert haben. Die übliche Abhilfe in Colab ist, Google Drive einzubinden und alle paar Hundert Schritte Checkpoints dorthin zu schreiben. Das funktioniert, aber Drive ist bei vielen kleinen Dateien langsam, und die kostenlosen 15 GB sind mit Modellgewichten schnell voll.

Auf einem gemieteten Server gelten andere Regeln:

• Er läuft, bis Sie ihn stoppen (oder Ihr Guthaben aufgebraucht ist). Klappen Sie den Laptop zu, läuft der Job weiter. Per SSH oder im Jupyter-Terminal starten Sie lange Jobs in tmux oder mit nohup, damit sie nicht von Ihrer Verbindung abhängen.
• Es gibt keine Sitzungsdauer. Abgerechnet wird minutengenau aus Ihrem Prepaid-Guthaben, mit mindestens 15 Minuten pro Start, und der Minutenpreis wird beim Start festgelegt.
• Es gibt einen Leerlaufschutz, aber er ist vorhersehbar. Nach 2 Stunden ohne SSH, Jupyter oder GPU-Last bekommen Sie eine E-Mail; eine Stunde später speichert der Server /workspace und stoppt. Ein Trainingslauf lastet die GPU aus und gilt deshalb nicht als Leerlauf. Läuft Ihr Job nur auf der CPU, etwa ein langer Download, schalten Sie den automatischen Stopp in den Einstellungen ab.
• Fällt die Host-Maschine aus, endet die Abrechnung ab dem Moment, in dem sie weg war, und Sie werden benachrichtigt.

Welche GPU und wie viel Speicher Sie bekommen

Bei Colab fordern Sie einen GPU-Typ an und bekommen, was frei ist. Bei einer gemieteten GPU wählen Sie genau die Karte und sehen vor dem Start das Land der Maschine, den Treiber und die CUDA-Version.

Oft entscheidet der Speicher. Die T4 hat 16 GB und ist ein Design von 2018: nach heutigen Maßstäben langsam bei FP16 und ohne bfloat16, das viele aktuelle Trainingsskripte erwarten. Sie schafft SD 1.5, kleine LLMs in 4 Bit und Kurs-Notebooks. Mit Flux in voller Qualität tut sie sich schwer, Wan-2.2-14B-Video (30 GB oder mehr) passt nicht hinein, und Fine-Tuning von allem über ein paar Milliarden Parametern wird mühsam.

Typische Mietoptionen nach Speicher:

• 24 GB: RTX 3090 ab 0,30 €, RTX 4090 ab 0,59 €. Bei Bildgenerierung und den meisten Trainings um ein Mehrfaches schneller als eine T4.
• 32 GB: RTX 5090 ab 0,76 €.
• 48 GB: RTX A6000 ab 0,72 €, für 70B-Modelle in 4 Bit und Wan 2.2 14B.
• 80 GB: A100 ab 1,46 €, H100 ab 3,90 €.

Sie wissen nicht, wie viel Ihr Modell braucht? Die VRAM-Auswahl nennt die Zahl und die passenden Karten.

Preis pro nutzbarer Stunde

Ein fairer Vergleich zählt den Preis pro nutzbarer Stunde: die Zeit, in der die GPU an Ihrem Job arbeitet, im Gegensatz zu Einrichtung, Warten oder verlorener Arbeit.

In reinen Zahlen ist Colab günstig. Passt Ihr Notebook auf eine T4, kostet die kostenlose Stufe nichts, und mit bezahlten Units kostet eine T4-Stunde ein paar Cent. Selbst eine A100-Stunde kommt bei Colab auf etwa einen Euro oder etwas mehr (November 2026, je nach Unit-Preis und Unit-Rate der A100), und das ist nicht mehr, als eine A100 stundenweise zu mieten. Wenn das alles ist, was Sie brauchen, bleiben Sie bei Colab.

Was die Rechnung verändert, ist der Overhead:

• Einrichtung in jeder Sitzung. Jede neue Colab-Laufzeit startet leer: pip install, dann das Modell erneut herunterladen. Bei einem Modell mit 10–20 GB können das 10–20 Minuten verbrauchter Units sein, bevor der erste Schritt läuft.
• Verbunden, aber untätig. Units laufen ab, während das Notebook offen ist und Sie nachdenken, lesen oder einen Bug beheben.
• Verlorene Läufe. Ein Abbruch bei 90 % eines Laufs ohne frischen Checkpoint heißt, dass Sie den ganzen Lauf zweimal bezahlen.
• Die falsche Karte. Ein Job, der auf einer T4 3 Stunden dauert, ist auf einer RTX 4090 mit 24 GB oft in etwa einer Stunde fertig; sie hat rund die dreifache Speicherbandbreite und viel schnellere Tensor-Cores.

Ein kleines Beispiel. Ein LoRA-Training, das auf einer RTX 4090 2 Stunden braucht, kostet 1,18 €, plus die Minuten, die Sie mit der Installation von Paketen verbringen; der Start selbst wird nicht berechnet. Sie starten es, klappen den Laptop zu und kommen zum Ergebnis zurück. Den Ordner mit Datensatz und trainierter LoRA zu speichern kostet 0,03 € pro GB und Monat, und die nächste Sitzung beginnt dort, wo diese aufgehört hat. Derselbe Lauf auf einer kostenlosen T4 ist kostenlos, wenn er durchläuft, dauert aber um ein Mehrfaches länger und muss in 16 GB und eine einzige Sitzung passen.

Wann Colab reicht

Eine gemietete GPU brauchen Sie nicht für:

• Lernen: PyTorch-Tutorials, Kurs-Notebooks, Lektionen im Stil von fast.ai;
• kleine Notebooks: Modelle, die in 16 GB passen, und Läufe unter ein bis zwei Stunden;
• Teilen: ein Notebook, das eine Kollegin mit einem Klick öffnet;
• gelegentliche Experimente, bei denen eine verlorene Sitzung Sie nur einen neuen Durchlauf kostet.

Kaggle-Notebooks sind eine weitere kostenlose Option mit wöchentlichem GPU-Kontingent. Für viele Studierende decken die beiden zusammen alles ab.

Wann Sie auf eine gemietete GPU wechseln sollten

Wechseln Sie, wenn einer dieser Punkte mehr als einmal eintritt:

• Ihre Compute Units gehen aus, bevor der Monat vorbei ist;
• Jobs laufen länger als ein paar Stunden oder müssen über Nacht ohne Ihren Browser laufen;
• das Modell braucht mehr als 16–24 GB: LLMs mit 70B, Flux in voller Qualität, Wan-2.2-14B-Video, Fine-Tuning über 7B;
• Sie wollen eine Web-Oberfläche wie ComfyUI oder Open WebUI nutzen oder SSH und VS Code, was Colab einschränkt, zumindest in der kostenlosen Stufe;
• Sie brauchen eine bestimmte CUDA-Version oder eine bekannte Umgebung, die morgen noch da ist;
• Sie wollen wissen, in welchem Land die Maschine steht, bevor Sie Daten hochladen.

Ein Notebook ist schnell umgezogen:

1. Starten Sie einen leeren Server mit PyTorch + Jupyter auf der Karte, die Sie brauchen. Er ist meist nach 2–5 Minuten erreichbar.
2. Öffnen Sie Jupyter unter Meine Server und laden Sie Ihre .ipynb hoch.
3. Löschen Sie die Zellen mit from google.colab import drive und drive.mount(...) und ändern Sie Pfade von /content/... auf /workspace/....
4. Führen Sie es aus. !pip install und !nvidia-smi funktionieren genauso.
5. Wählen Sie beim Stoppen Speichern und stoppen, um /workspace für die nächste Sitzung zu behalten, oder laden Sie Ihre Ergebnisse vorher herunter.

Für den SSH-Zugang aus Ihrem eigenen Terminal oder VS Code hinterlegen Sie einmal einen öffentlichen Schlüssel, wie in der Anleitung zum SSH-Schlüssel beschrieben. Details zur Abrechnung, einschließlich Mindestdauer und Traffic, stehen auf der Preisseite.