11 novembre 2026 · Équipe VRAMfarm

Google Colab ou GPU loué : déconnexions, unités de calcul et vrai coût horaire

« Runtime disconnected. » Si vous avez vu ce message trois heures après le début d’un entraînement, avec un dernier checkpoint vieux d’une heure, vous connaissez déjà le point faible de Colab. Colab est une très bonne affaire pour de courts notebooks sur une T4 de 16 Go, et il est gratuit pour commencer. Il devient cher de façon moins visible quand vos tâches durent longtemps, demandent plus de 16 à 24 Go de mémoire ou doivent survivre à la fermeture de votre ordinateur portable. Un GPU loué, facturé à la minute dès 0,30 € de l’heure pour une RTX 3090 de 24 Go, vous donne alors généralement plus de travail abouti par euro.

Comment fonctionne Colab en novembre 2026

Les offres de Colab changent souvent : voici donc le principe en quelques mots plutôt qu’une grille tarifaire. Consultez la page des tarifs de Colab chez Google pour les chiffres actuels.

• Gratuit. Vous obtenez un GPU quand il y en a un de libre, généralement une NVIDIA T4 de 16 Go. Les limites d’utilisation sont dynamiques et non publiées. Un notebook tourne au maximum 12 heures, et un environnement inactif est déconnecté bien plus tôt. Certains jours, vous n’obtenez aucun GPU.
• Colab Pro. Un abonnement mensuel assorti d’un lot d’unités de calcul (environ 100 par mois pour environ 10 à 11 € en novembre 2026). Les unités donnent accès à des GPU plus rapides, comme la L4 (24 Go) et l’A100, tant qu’il en reste, ainsi qu’à plus de RAM.
• Colab Pro+. Plus d’unités par mois et l’exécution en arrière-plan : le notebook continue de tourner jusqu’à 24 heures après la fermeture du navigateur, tant que vous avez des unités.
• Paiement à l’usage. Vous achetez des unités sans abonnement. Elles n’ont pas une durée de vie illimitée : un lot acheté au printemps peut avoir disparu à l’automne.
• Offres Google AI. Google a aussi commencé à intégrer des avantages Colab dans certains de ses abonnements Google AI. Le contenu de chaque formule évolue : vérifiez-le avant de compter sur des GPU haut de gamme ou sur l’exécution en arrière-plan.

Le plus important : les unités se consomment à l’heure tant qu’un environnement est connecté, à un rythme qui dépend du GPU. Une T4 ne consomme que deux ou trois unités par heure ; une A100 plusieurs fois plus. 100 unités durent donc des dizaines d’heures sur une T4, et une douzaine d’heures ou moins sur une A100. Les unités partent aussi quand le GPU ne fait rien et que vous lisez de la documentation, notebook ouvert.

Déconnexions, limites et ce qu’elles vous coûtent

Une session Colab prend fin pour plusieurs raisons, dont certaines seulement dépendent de vous :

• vous êtes resté inactif trop longtemps (aucune interaction avec le notebook) ;
• la session a atteint sa durée maximale (12 heures, ou 24 avec l’exécution en arrière-plan de Pro+) ;
• vous avez atteint une limite d’utilisation, ou vos unités de calcul se sont épuisées en cours de route ;
• sur les offres sans exécution en arrière-plan, vous avez fermé l’onglet ou votre ordinateur s’est mis en veille ;
• Google avait besoin du GPU pour quelqu’un d’autre.

Quand l’environnement s’arrête, son disque est effacé : les paquets installés, les modèles téléchargés et tous les résultats que vous n’avez pas copiés ailleurs. La parade habituelle dans Colab consiste à monter Google Drive et à y écrire des checkpoints toutes les quelques centaines d’étapes. Cela marche, mais Drive est lent avec beaucoup de petits fichiers, et les 15 Go gratuits se remplissent vite de poids de modèles.

Sur un serveur loué, les règles sont différentes :

• Il tourne jusqu’à ce que vous l’arrêtiez (ou que votre solde soit épuisé). Fermez votre ordinateur, la tâche continue. En SSH ou dans le terminal Jupyter, lancez les longues tâches dans tmux ou avec nohup pour qu’elles ne dépendent pas de votre connexion.
• Il n’y a pas de durée de session. La facturation se fait à la minute depuis votre solde prépayé, avec un minimum de 15 minutes par lancement, et le prix par minute est fixé au lancement.
• La protection contre l’inactivité existe, mais elle est prévisible. Après 2 heures sans SSH, Jupyter ni charge GPU, vous recevez un e-mail ; une heure plus tard, le serveur enregistre /workspace et s’arrête. Un entraînement occupe le GPU : il ne compte pas comme de l’inactivité. Si votre tâche ne tourne que sur le CPU, par exemple un long téléchargement, désactivez l’arrêt automatique dans les Paramètres.
• Si la machine hôte tombe en panne, la facturation s’arrête dès le moment où elle a disparu, et vous êtes prévenu.

Quel GPU et combien de mémoire vous obtenez

Avec Colab, vous demandez un type de GPU et obtenez ce qui est libre. Avec un GPU loué, vous choisissez la carte exacte, et vous voyez le pays de la machine, son pilote et sa version CUDA avant le lancement.

La mémoire est souvent le facteur décisif. La T4 a 16 Go et date de 2018 : lente en FP16 selon les critères actuels, et sans bfloat16, que de nombreux scripts d’entraînement récents attendent. Elle convient à SD 1.5, aux petits LLM en 4 bits et aux notebooks de cours. Elle peine avec Flux en pleine qualité, ne peut pas accueillir la vidéo Wan 2.2 14B (30 Go ou plus), et rend pénible le fine-tuning de tout modèle au-delà de quelques milliards de paramètres.

Options de location courantes selon la mémoire :

• 24 Go : RTX 3090 dès 0,30 €, RTX 4090 dès 0,59 €. Plusieurs fois plus rapides qu’une T4 pour la génération d’images et la plupart des entraînements.
• 32 Go : RTX 5090 dès 0,76 €.
• 48 Go : RTX A6000 dès 0,72 €, pour les modèles 70B en 4 bits et Wan 2.2 14B.
• 80 Go : A100 dès 1,46 €, H100 dès 3,90 €.

Vous ne savez pas combien de mémoire demande votre modèle ? Le sélecteur de VRAM donne le chiffre et les cartes qui conviennent.

Le prix par heure utile

Une comparaison honnête compte le prix par heure utile : le temps que le GPU passe sur votre tâche, par opposition à l’installation, à l’attente ou au travail perdu.

En chiffres bruts, Colab est bon marché. Si votre notebook tient sur une T4, l’offre gratuite ne coûte rien, et avec des unités payantes une heure de T4 revient à quelques centimes. Même une heure d’A100 sur Colab revient à environ un euro ou un peu plus (novembre 2026, selon le prix de l’unité et la consommation de l’A100), ce qui n’est pas plus cher que la location d’une A100 à l’heure. Si c’est tout ce dont vous avez besoin, restez sur Colab.

Ce qui change le calcul, ce sont les frais annexes :

• L’installation à chaque session. Chaque nouvel environnement Colab démarre vide : pip install, puis nouveau téléchargement du modèle. Avec un modèle de 10 à 20 Go, cela peut représenter 10 à 20 minutes d’unités consommées avant la première étape.
• Connecté mais inactif. Les unités partent pendant que le notebook est ouvert et que vous réfléchissez, lisez ou corrigez un bug.
• Les exécutions perdues. Une déconnexion à 90 % d’un entraînement sans checkpoint récent, et vous payez l’entraînement complet deux fois.
• La mauvaise carte. Une tâche qui prend 3 heures sur une T4 se termine souvent en une heure environ sur une RTX 4090 de 24 Go, qui a à peu près trois fois la bande passante mémoire et des tensor cores bien plus rapides.

Un petit exemple. Un entraînement de LoRA qui demande 2 heures sur une RTX 4090 coûte 1,18 €, plus les minutes passées à installer les paquets ; le lancement lui-même n’est pas facturé. Vous le démarrez, refermez votre ordinateur et revenez au résultat. Enregistrer le dossier avec le jeu de données et la LoRA entraînée coûte 0,03 € par Go et par mois : la session suivante repart là où celle-ci s’est arrêtée. Le même entraînement sur une T4 gratuite ne coûte rien s’il aboutit, mais il prend plusieurs fois plus de temps et doit tenir dans 16 Go et dans une seule session.

Quand Colab suffit

Vous n’avez pas besoin d’un GPU loué pour :

• apprendre : tutoriels PyTorch, notebooks de cours, leçons à la fast.ai ;
• les petits notebooks : des modèles qui tiennent dans 16 Go et des exécutions de moins d’une heure ou deux ;
• partager : un notebook qu’un collègue ouvre en un clic ;
• les expériences ponctuelles, où une session perdue ne vous coûte qu’une relance.

Les notebooks Kaggle sont une autre option gratuite, avec un quota hebdomadaire de GPU. Pour beaucoup d’étudiants, les deux réunis couvrent tous les besoins.

Quand passer à un GPU loué

Changez quand l’une de ces situations se produit plus d’une fois :

• vos unités de calcul s’épuisent avant la fin du mois ;
• vos tâches durent plus de quelques heures, ou doivent tourner la nuit sans votre navigateur ;
• le modèle demande plus de 16 à 24 Go : LLM de 70B, Flux en pleine qualité, vidéo Wan 2.2 14B, fine-tuning au-delà de 7B ;
• vous voulez utiliser une interface web comme ComfyUI ou Open WebUI, ou SSH et VS Code, que Colab restreint, au moins dans l’offre gratuite ;
• il vous faut une version précise de CUDA, ou un environnement connu qui sera toujours là demain ;
• vous voulez savoir dans quel pays se trouve la machine avant d’y envoyer des données.

Migrer un notebook va vite :

1. Lancez un serveur PyTorch + Jupyter vierge sur la carte qu’il vous faut. Il est généralement accessible en 2 à 5 minutes.
2. Ouvrez Jupyter depuis Mes serveurs et envoyez votre .ipynb.
3. Supprimez les cellules from google.colab import drive et drive.mount(...), et remplacez les chemins /content/... par /workspace/....
4. Exécutez-le. !pip install et !nvidia-smi fonctionnent de la même façon.
5. À l’arrêt, choisissez Enregistrer et arrêter pour garder /workspace pour la session suivante, ou téléchargez d’abord vos résultats.

Pour accéder en SSH depuis votre propre terminal ou VS Code, ajoutez une fois une clé publique, comme l’explique le guide de la clé SSH. Le détail de la facturation, minimum et trafic compris, se trouve sur la page des tarifs.