11 novembre 2026 · Team VRAMfarm

Google Colab o GPU a noleggio: disconnessioni, compute unit e il vero costo orario

“Runtime disconnected.” Se hai visto questo messaggio dopo tre ore di training, con l’ultimo checkpoint vecchio di un’ora, conosci già il punto debole di Colab. Colab è un ottimo affare per notebook brevi su una T4 da 16 GB, e per iniziare è gratis. Diventa caro in un modo meno visibile quando i tuoi lavori durano a lungo, chiedono più di 16–24 GB di memoria o devono sopravvivere alla chiusura del portatile. A quel punto una GPU a noleggio, con fatturazione al minuto da 0,30 € all’ora per una RTX 3090 da 24 GB, di solito ti dà più lavoro finito per ogni euro.

Come funziona Colab a novembre 2026

I piani di Colab cambiano spesso, quindi ecco il modello a parole invece di un listino. Per i numeri aggiornati controlla la pagina dei prezzi di Colab di Google.

• Gratuito. Ottieni una GPU quando ce n’è una disponibile, di solito una NVIDIA T4 da 16 GB. I limiti di utilizzo sono dinamici e non pubblicati. Un notebook gira al massimo per 12 ore, e un runtime inattivo viene disconnesso molto prima. Certi giorni la GPU non la ottieni proprio.
• Colab Pro. Un abbonamento mensile che include un pacchetto di compute unit (circa 100 al mese per circa 10–11 € a novembre 2026). Le unit danno accesso a GPU più veloci, come la L4 (24 GB) e la A100, finché durano, più RAM.
• Colab Pro+. Più unit al mese e l’esecuzione in background: il notebook continua a girare fino a 24 ore dopo che chiudi il browser, finché hai unit.
• Pay As You Go. Compri unit senza abbonamento. Non durano per sempre, quindi un pacchetto comprato in primavera in autunno può essere già scaduto.
• Piani Google AI. Google ha iniziato anche a includere vantaggi di Colab in alcuni abbonamenti Google AI. Cosa comprende ogni livello cambia, quindi verificalo prima di contare su GPU premium o sull’esecuzione in background.

La cosa più importante: le unit si consumano a ore finché un runtime è connesso, e il ritmo dipende dalla GPU. Una T4 consuma solo un paio di unit all’ora; una A100 diverse volte di più, quindi 100 unit durano decine di ore su una T4 e più o meno una dozzina o meno su una A100. Le unit si consumano anche mentre la GPU è ferma e tu leggi la documentazione con il notebook aperto.

Disconnessioni, limiti e quanto ti costano

Una sessione Colab si chiude per diversi motivi, e solo alcuni dipendono da te:

• sei rimasto inattivo troppo a lungo (nessuna interazione con il notebook);
• la sessione ha raggiunto la durata massima (12 ore, o 24 con l’esecuzione in background su Pro+);
• hai raggiunto un limite di utilizzo, o le compute unit sono finite a metà run;
• sui piani senza esecuzione in background, hai chiuso la scheda o il portatile è andato in stop;
• Google aveva bisogno della GPU per qualcun altro.

Quando il runtime si chiude, il suo disco viene azzerato: i pacchetti installati, i modelli scaricati e ogni output che non hai copiato altrove. La soluzione classica dentro Colab è montare Google Drive e scriverci i checkpoint ogni qualche centinaio di step. Funziona, ma Drive è lento con tanti file piccoli, e i 15 GB gratuiti si riempiono in fretta con i pesi dei modelli.

Su un server a noleggio le regole sono diverse:

• Gira finché non lo fermi (o finché non finisce il credito). Chiudi il portatile e il lavoro va avanti. Via SSH o nel terminale di Jupyter, lancia i lavori lunghi in tmux o con nohup, così non dipendono dalla tua connessione.
• Non c’è una durata massima della sessione. La fatturazione è al minuto dal credito prepagato, con un minimo di 15 minuti per avvio, e il prezzo al minuto viene fissato all’avvio.
• La protezione per inattività c’è, ma è prevedibile. Dopo 2 ore senza SSH, Jupyter o carico sulla GPU ricevi un’email; un’ora dopo il server salva /workspace e si ferma. Un training tiene occupata la GPU, quindi non conta come inattività. Se il tuo lavoro gira solo sulla CPU, per esempio un lungo download, disattiva l’arresto automatico nelle Impostazioni.
• Se la macchina dell’host si guasta, la fatturazione si ferma dal momento in cui è sparita e ricevi una notifica.

Quale GPU e quanta memoria ottieni

Con Colab chiedi un tipo di GPU e ottieni quello che è libero. Con una GPU a noleggio scegli la scheda esatta, e prima dell’avvio vedi paese della macchina, driver e versione di CUDA.

Spesso è la memoria a decidere. La T4 ha 16 GB ed è un progetto del 2018: lenta in FP16 per gli standard di oggi e senza bfloat16, che molti script di training attuali si aspettano. Regge SD 1.5, piccoli LLM a 4 bit e i notebook dei corsi. Fa fatica con Flux a piena qualità, non contiene il video Wan 2.2 14B (30 GB o più) e rende penoso il fine-tuning di qualsiasi modello oltre qualche miliardo di parametri.

Le opzioni a noleggio tipiche per memoria:

• 24 GB: RTX 3090 da 0,30 €, RTX 4090 da 0,59 €. Diverse volte più veloci di una T4 nella generazione di immagini e nella maggior parte dei training.
• 32 GB: RTX 5090 da 0,76 €.
• 48 GB: RTX A6000 da 0,72 €, per modelli da 70B a 4 bit e Wan 2.2 14B.
• 80 GB: A100 da 1,46 €, H100 da 3,90 €.

Non sai quanta memoria serve al tuo modello? Il selettore di VRAM ti dà il numero e le schede adatte.

Prezzo per ora utile

Un confronto onesto conta il prezzo per ora utile: il tempo che la GPU passa sul tuo lavoro, non sulla preparazione, sull’attesa o su lavoro che perdi.

A numeri secchi, Colab costa poco. Se il tuo notebook sta su una T4, il piano gratuito non costa nulla, e con le unit a pagamento un’ora di T4 costa pochi centesimi. Anche un’ora di A100 su Colab viene circa un euro o poco più (novembre 2026, a seconda del prezzo delle unit e del consumo orario della A100), che non è più del noleggio di una A100 a ore. Se è tutto quello che ti serve, resta su Colab.

A cambiare il conto sono i costi nascosti:

• La preparazione a ogni sessione. Ogni nuovo runtime Colab parte vuoto: pip install, poi di nuovo il download del modello. Con un modello da 10–20 GB possono essere 10–20 minuti di unit bruciate prima del primo step.
• Connesso ma inattivo. Le unit se ne vanno mentre il notebook è aperto e tu pensi, leggi o correggi un bug.
• Run persi. Una disconnessione al 90% di un run senza un checkpoint recente vuol dire pagare l’intero run due volte.
• La scheda sbagliata. Un lavoro che richiede 3 ore su una T4 spesso finisce in circa un’ora su una RTX 4090 da 24 GB, che ha circa tre volte la banda di memoria e tensor core molto più veloci.

Un piccolo esempio. Un training di LoRA che richiede 2 ore su una RTX 4090 costa 1,18 €, più i minuti che passi a installare i pacchetti; l’avvio in sé non si paga. Lo lanci, chiudi il portatile e torni a prendere il risultato. Salvare la cartella con il dataset e la LoRA addestrata costa 0,03 € per GB al mese, così la sessione successiva riparte da dove era finita questa. Lo stesso run su una T4 gratuita non costa nulla se arriva in fondo, ma richiede diverse volte il tempo e deve stare in 16 GB e in una sola sessione.

Quando Colab basta

Non ti serve una GPU a noleggio per:

• imparare: tutorial di PyTorch, notebook dei corsi, lezioni in stile fast.ai;
• notebook piccoli: modelli che stanno in 16 GB e run sotto l’ora o le due ore;
• condividere: un notebook che un collega apre con un clic;
• esperimenti occasionali in cui una sessione persa ti costa solo una riesecuzione.

I notebook di Kaggle sono un’altra opzione gratuita con una quota settimanale di GPU. A molti studenti i due insieme bastano per tutto.

Quando passare a una GPU a noleggio

Passa quando ti succede più di una volta una di queste cose:

• le compute unit finiscono prima del mese;
• i lavori durano più di qualche ora, o devono girare di notte senza il tuo browser;
• il modello chiede più di 16–24 GB: LLM da 70B, Flux a piena qualità, video Wan 2.2 14B, fine-tuning oltre i 7B;
• vuoi usare un’interfaccia web come ComfyUI o Open WebUI, oppure SSH e VS Code, che Colab limita, almeno sul piano gratuito;
• ti serve una versione specifica di CUDA, o un ambiente noto che domani sia ancora lì;
• vuoi sapere in quale paese si trova la macchina prima di caricare i dati.

Spostare un notebook è veloce:

1. Avvia un server vuoto PyTorch + Jupyter sulla scheda che ti serve. Di solito è raggiungibile in 2–5 minuti.
2. Apri Jupyter da I miei server e carica il tuo .ipynb.
3. Elimina le celle from google.colab import drive e drive.mount(...), e cambia i percorsi /content/... in /workspace/....
4. Eseguilo. !pip install e !nvidia-smi funzionano allo stesso modo.
5. Quando fermi il server, scegli Salva e ferma per conservare /workspace per la sessione successiva, oppure scarica prima i risultati.

Per l’accesso SSH dal tuo terminale o da VS Code, aggiungi una volta una chiave pubblica, come spiegato nella guida alla chiave SSH. I dettagli sulla fatturazione, compresi il minimo e il traffico, sono nella pagina dei prezzi.