Как я тестирую локальные 3D-модели ИИ без мощного GPU (рабочий процесс с облачным GPU)

Инструменты из этой статьи

Каждые несколько недель выходит новая модель ИИ для 3D с открытым исходным кодом, и у половины из них один и тот же подвох — им требуется 24 GB VRAM или больше. У моей карты 14 GB. Но я всё равно хочу нормально протестировать эти модели, прежде чем писать о них или добавлять их в Arena. Поэтому я не жду квантованной сборки или готового демо на хостинге — я арендую облачный GPU на час, даю ИИ-агенту для написания кода установить всё с нуля и запускаю модель.

Ниже описан точный процесс, с помощью которого я запустил CubePart от Roblox, — все команды по порядку. Модель взята просто для примера; этот же рабочий процесс подойдёт для любого тяжёлого локального репозитория ИИ для 3D. Сам CubePart уже доступен на top3d.ai, если вы хотите просто посмотреть на результаты его работы, — это руководство о том, как его запустить.

Что вы получите в итоге

Проверенный способ, который можно повторить: арендуете GPU, подключаетесь по SSH из своего редактора, создаёте безопасную учётную запись, устанавливаете ИИ-агента для написания кода и поручаете ему клонировать, установить и запустить модель, а её интерфейс открываете в своём браузере. Выключаете инстанс — и перестаёте платить.

Практический пример, который лёг в основу руководства: тестирование CubePart от Roblox, который теперь доступен на top3d.ai.

Проблема: требуется 24 GB+ VRAM

В качестве примера я использую Roblox CubePart — новую локальную модель с открытым исходным кодом, хотя сама модель тут почти не имеет значения. Важны её требования: Roblox рекомендует 24 GB VRAM для обычного запуска, а у моей карты 14 GB. Вот в чём загвоздка, и с той же проблемой вы столкнётесь при запуске большинства тяжёлых локальных моделей ИИ для 3D. Выставите качество повыше — закончится даже 48 GB.

CubePart требует ~24 GB для обычного запуска. У моей карты 14 GB — вот в чём загвоздка.

Лицензия: только для исследований, проверьте перед коммерческим использованием

Roblox называет Cube/CubePart проектом с открытым исходным кодом, а код и веса находятся в открытом доступе, но лицензия — Research-Only RAIL-MS, то есть только для академического и исследовательского использования. Она отлично подходит для тестирования, демо и обучения, но не разрешает использование в коммерческих продуктах или SaaS без отдельного разрешения от Roblox.

Решение: арендовать облачный GPU на час

Вместо покупки железа я арендую GPU с доступом по SSH, устанавливаю всё с нуля, провожу тесты и выключаю сервер. Для этого я использовал RunPod с A40 (48 GB) — избыточно, но мне нужен был запас. Обошлось это примерно в $0.50 в час.

RunPod — это просто мой пример, а не спонсор

RunPod меня не спонсирует, и это не реклама. Просто это то, чем я пользуюсь. Любой облачный GPU с доступом по SSH работает точно так же — шаги ниже не зависят от конкретного провайдера. Вот несколько альтернатив:

Vast.ai — маркетплейс с самыми низкими ценами
Lambda Cloud — чистые инстансы под задачи ML
Paperspace (DigitalOcean) — простой доступ к GPU с почасовой оплатой
Modal / Replicate — code-first, бессерверные GPU

Недооценённое преимущество облачных GPU

Вы устанавливаете всё с нуля на чистой машине — нужные CUDA wheels и все зависимости, без конфликтов, оставшихся от локального окружения. Тяжёлые репозитории ИИ для 3D печально известны сложностями с настройкой окружения; чистый инстанс позволяет избежать большей части этих проблем.

Полный рабочий процесс, команда за командой

Запустите под с достаточным запасом места

На RunPod я выбрал A40 (48 GB) — для стандартных запусков CubePart хватит и 24 GB. Момент, о котором часто забывают, — это диск: такие проекты скачивают много весов, поэтому задайте контейнер на ~50 GB и до 100 GB постоянного хранилища.

A40 (48 GB) для запаса — хватит и 24 GB, к тому же можно найти вариант подешевле. ~$0.50/hr.

Добавьте SSH-ключ и проверьте подключение

SSH-ключ — это просто пара файлов: приватный остаётся на вашем компьютере, а публичный вы передаёте провайдеру, чтобы он пускал вас без пароля. Сгенерируйте его один раз с помощью ssh-keygen -t ed25519, вставьте содержимое id_ed25519.pub в RunPod в разделе Settings → SSH Public Keys, а затем проверьте подключение из Windows PowerShell (используйте хост и порт, которые показывает ваш под):

ssh root@<POD-IP> -p <PORT> -i ~/.ssh/id_ed25519

Если вы оказались в командной оболочке пода — всё работает.

Официальная пошаговая инструкция от RunPod (рекомендуется)

У RunPod есть понятное пошаговое руководство со скриншотами, где разобраны генерация SSH-ключа, добавление его в аккаунт и подключение IDE, — можете сразу открыть его: docs.runpod.io — Connect to your Pod from an IDE.

Сначала проверяю команду подключения к поду по SSH в PowerShell — соединение установлено.

Подключите Cursor / VS Code через Remote-SSH

В Cursor (или VS Code) нажмите Ctrl+Shift+P → Remote-SSH: Open SSH Configuration File и добавьте блок host (укажите HostName и Port вашего пода):

Host runpod-cubepart
    HostName <POD-IP>
    User root
    Port <PORT>
    IdentityFile ~/.ssh/id_ed25519

Затем нажмите Ctrl+Shift+P → Remote-SSH: Connect to Host → runpod-cubepart → выберите Linux и откройте папку /workspace. Всё, что вам нужно сохранить, должно находиться здесь — после выключения данные сохраняются только в постоянном хранилище.

Создайте безопасного пользователя без прав root

Вы подключаетесь как root. Прежде чем дать ИИ-агенту полную свободу действий, я создаю обычного пользователя, чтобы он не работал из-под root. В терминале Cursor, всё ещё под root:

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

Переключитесь на этого пользователя и установите Claude Code

Переключитесь на нового пользователя (переподключаться заново не нужно), а затем установите агента. С этого момента агент будет работать от имени stefan, а не из-под root:

su - stefan
cd /workspace/stefan

curl -fsSL https://claude.ai/install.sh | bash
source ~/.bashrc
claude --version

При первом запуске claude попросит войти в систему — откройте ссылку в браузере, затем вернитесь и вставьте код.

Подключение через Remote-SSH установлено, работа идёт от имени пользователя без прав root, агент установлен и вход выполнен.

Запустите агента в режиме bypass и передайте ему задачу

Запустите агента с пропуском запросов на подтверждение действий — здесь это безопасно, так как это изолированная одноразовая облачная машина (Anthropic рекомендует такой режим только внутри контейнеров или виртуальных машин, как в этом случае):

claude --dangerously-skip-permissions

Дальше я уже не ввожу команды установки сам. Я просто пишу Claude на обычном английском, что мне нужно: клонировать репозиторий CubePart, установить его со всеми зависимостями, скачать веса модели и запустить быстрый тест. Он сам подбирает нужные wheels для CUDA и команды именно под этот GPU и выполняет всё от и до. Единственное указание, которое я всегда прописываю явно: устанавливать в /workspace, так как всё за пределами постоянного хранилища удаляется при выключении пода.

Наберитесь терпения на этапе PyTorch + CUDA

Установка зависимостей может занять 10–15 минут. Может показаться, что агент бездействует, — это не так. Он сообщит вам, когда всё будет готово.

Зависимости установлены, веса скачаны, первый запуск успешен — всё это сделал агент на арендованном GPU.

Попросите запустить демо Gradio и откройте его в браузере

У CubePart есть приложение на Gradio (сборки для ComfyUI нет). Я просто прошу Claude запустить демо Gradio и открыть к нему публичный доступ по ссылке. Он запускает приложение и возвращает адрес https://….gradio.live — я открываю его на своём ноутбуке и получаю полноценный интерфейс, пока сама модель работает на облачном GPU. Дальше — привычный процесс в Gradio: закидываем GLB, вводим названия деталей, запускаем.

Ссылка gradio.live открыта в моём локальном браузере — модель при этом работает на облачном GPU.

Вот и всё: где посмотреть результат

Вот и весь метод: модель, которую я не могу запустить локально, прошла путь от ссылки на GitHub до работающего интерфейса в моём браузере примерно за один доллар. Эта же схема сработает и для следующей тяжёлой модели, и для той, что будет после неё.

Хотите посмотреть, что на самом деле выдаёт CubePart?

Не буду пересказывать результаты здесь — CubePart уже доступен на сайте, так что вы можете оценить всё сами, а не верить мне на слово. Откройте его в Segmentation Arena на top3d.ai.

Стоимость, очистка и когда это того стоит

~$0.50 / hr

A40 48 GB. Вся тестовая сессия обойдётся в доллар-два.

Используйте /workspace

Постоянное хранилище сохраняется при выключении; всё остальное — нет.

Ориентир — 24 GB

Хватит для стандартного CubePart; брать больше стоит только для повышения разрешения.

Выключайте под сразу же, как только закончите. Оплата почасовая, и деньги списываются, пока вы не остановите под. Если модель нужна вам лишь изредка, это куда выгоднее покупки GPU за $2,000+ — вы платите ровно за те минуты, которые использовали. Если же вы тестируете модели каждый день, расклад меняется, и локальное железо начинает иметь смысл.

Схема в одну строчку

Арендовать чистый сервер с GPU → подключиться по SSH из редактора → создать безопасного пользователя → установить ИИ-агента → дать ему склонировать + установить всё в постоянное хранилище → открыть интерфейс по публичной ссылке → протестировать → выключить. Работает для CubePart и практически любой тяжёлой локальной модели ИИ для 3D.

Вот так я и тестирую тяжёлые модели без мощного железа. Новые модели выходят постоянно — и как только появляется очередная, она сразу отправляется в Arena, чтобы вы могли сравнить её, вообще ничего не устанавливая.