Stefan Vaskevich
数週間おきに新しいオープンソースの 3D AI モデルが登場しますが、その半分には同じ落とし穴があります - 24 GB 以上の VRAM を要求するのです。私のカードは 14 GB。それでも、記事を書いたりアリーナに追加したりする前に、こうしたモデルをきちんとテストしたい。だから量子化ビルドやホスティング済みデモを待つことはしません - クラウド GPU を 1 時間借りて、AI コーディングエージェントにゼロからインストールさせ、実行します。
以下は、Roblox の CubePart を動かすために私が使ったそのままの手順です - すべてのコマンドを順番どおりに。モデルはあくまで例で、この同じフローはどんな重いローカル 3D AI リポジトリにも使えます。出力を見るだけでよければ、CubePart はすでに top3d.ai で公開中です - このガイドのテーマは、それを自分で動かすことです。
問題：24 GB 以上の VRAM を要求してくる
この記事を通しての例は Roblox CubePart、新しいオープンソースのローカルモデルです - が、ここではモデル自体はほとんど重要ではありません。重要なのは要件のほうです：Roblox は通常実行に 24 GB の VRAM を推奨していて、私のカードは 14 GB。これが壁であり、重いローカル 3D AI モデルの多くが目の前に置いてくるのと同じ壁です。品質を上げていけば 48 GB ですら足りなくなります。
解決策：クラウド GPU を 1 時間借りる
ハードウェアを買う代わりに、SSH アクセス付きの GPU を借りて、すべてをゼロからインストールし、テストを回して、シャットダウンします。今回は RunPod で A40（48 GB） を使いました - オーバースペックですが、余裕が欲しかったので。費用は 1 時間あたり約 $0.50 でした。
- Vast.ai - マーケットプレイス方式で最安クラスの価格
- Lambda Cloud - ML に特化したクリーンなインスタンス
- Paperspace (DigitalOcean) - シンプルな時間課金 GPU
- Modal / Replicate - コードファーストなサーバーレス GPU
完全なワークフロー、コマンド単位で
十分な余裕を持たせて Pod を起動する
RunPod では A40（48 GB）を選びました - 標準的な CubePart の実行なら 24 GB で足ります。見落としがちなのはストレージです：この手のプロジェクトは大量のウェイトをダウンロードするので、約 50 GB のコンテナと 最大 100 GB の永続ストレージを設定してください。
SSH キーを追加して接続をテストする
SSH キーはただのファイルのペアです - 自分のマシンに置いたままにする秘密鍵と、プロバイダーに渡す公開鍵 - これでパスワードなしにログインできるようになります。 ssh-keygen -t ed25519 で一度だけ生成し、id_ed25519.pub の中身を RunPod の Settings → SSH Public Keys に貼り付けてから、Windows PowerShell で接続をテストします（ホスト / ポートは自分の Pod に表示されるものを使ってください）：
ssh root@<POD-IP> -p <PORT> -i ~/.ssh/id_ed25519Pod のシェルの中に入れたら、成功です。
Remote-SSH で Cursor / VS Code を接続する
Cursor（または VS Code）で Ctrl+Shift+P → Remote-SSH: Open SSH Configuration File を実行し、ホストブロックを追加します（HostName と Port には自分の Pod のものを記入）：
Host runpod-cubepart
HostName <POD-IP>
User root
Port <PORT>
IdentityFile ~/.ssh/id_ed25519続いて Ctrl+Shift+P → Remote-SSH: Connect to Host → runpod-cubepart → Linux を選び、 /workspace フォルダーを開きます。残しておきたいものはすべてここに置く必要があります - シャットダウン後に残るのは永続ストレージだけです。
安全な非 root ユーザーを作成する
接続時は root です。AI エージェントを自由に走らせる前に、root として動作させないための普通のユーザーを作っておきます。Cursor のターミナルで、root のまま：
apt update && apt install -y curl git sudo
useradd -m -s /bin/bash stefan
mkdir -p /workspace/stefan
chmod -R a+rwX /workspace/stefan
ls -ld /workspace/stefanそのユーザーに切り替えて Claude Code をインストールする
新しいユーザーに切り替え（再接続は不要）、エージェントをインストールします。ここから先、エージェントは root ではなく stefan として動きます：
su - stefan
cd /workspace/stefan
curl -fsSL https://claude.ai/install.sh | bash
source ~/.bashrc
claude --version初回起動時に claude がログインを求めてきます - リンクをブラウザで開き、コードを貼り付けて戻ってください。
エージェントをバイパスモードで起動して仕事を任せる
許可プロンプトをスキップした状態でエージェントを起動します - 隔離された使い捨てのクラウドマシンなので、ここでは安全です（Anthropic がこのモードを推奨するのはコンテナ / VM の中だけで、まさに今回がそれです）：
claude --dangerously-skip-permissionsここから先、インストールコマンドを自分で打つことはありません。やりたいことを普通の日本語で Claude に伝えるだけです：CubePart のリポジトリをクローンし、依存関係ごとインストールし、モデルのウェイトをダウンロードして、簡単なテストを実行して、と。Claude はこの GPU にちょうど合う CUDA ホイールとコマンドを自分で割り出し、全部やってくれます。私が必ず明示する指示は 1 つだけ：/workspace にインストールすること。永続ストレージの外にあるものは、Pod のシャットダウン時にすべて消えるからです。
Gradio デモを頼んで自分のブラウザで開く
CubePart には Gradio アプリが付属しています（ComfyUI ビルドはありません）。Claude に、Gradio デモを起動して公開共有リンクで外に出すよう頼むだけです。アプリが起動し、 https://….gradio.live の URL が返ってきます - それを自分のラップトップで開けばフル UI が使え、モデルはクラウド GPU 上で動き続けます。そこから先はいつもの Gradio の流れです：GLB を放り込み、部位名を入力して、実行。
これで終わり - 出力はどこで見られるか
方法はこれで全部です：ローカルでは動かせないモデルが、GitHub のリンクから自分のブラウザで動く UI まで、約 1 ドルでたどり着きました。同じフローは次の重いモデルにも、その次のモデルにも使えます。
コスト、後片付け、そしてこれが割に合うのはいつか
終わったらその瞬間に Pod をシャットダウンしてください。課金は時間単位で、止めるまで動き続けます。モデルをたまにしか使わないなら、この方法は $2,000 超の GPU を買うより圧倒的に有利です - 実際に使った分の時間にだけ支払えばいい。毎日欠かさずモデルをテストするなら、その計算は逆転して、ローカルのハードウェアが意味を持ち始めます。
これが、ハードウェアなしで重いモデルをテストする私のやり方です。新しいモデルは絶えず登場します - 登場するたびに、そのまま アリーナ に入るので、あなたは何もインストールせずに比較できます。
