کدت را روی GPU اجرا کن؛ فقط به‌اندازه مصرفت پرداخت کن.شروع با هلرا
helra.

GPU قدرتمند، محیط آماده و پرداخت بر اساس مصرف.

راهنمای شروعثبت درخواست

استارتاپت GPU نمی‌خواد بخره!

روی ایده‌ات تمرکز کن، نه زیرساخت.
فقط به‌اندازه مصرفت پول بده، نه اجاره ماهانه سرور.

برای ایده‌هایی به بزرگی اکوسیستم فناوری ایران

محصول

GPU فقط وقتی درخواست داری روشن می‌شه.

استنتاج

از اولین درخواست تا اجرای مدل

مدل‌های متن، تصویر و صدا را با کد پایتون اجرا کن؛ زیرساخت، هم‌قدم نیازت رشد می‌کند.

مدل دلخواهت

محیط‌های آماده برای کتابخانه‌ها و مدل‌های متن‌باز.

اجرای متناسب با ترافیک

منابع در زمان درخواست روشن می‌شوند.

استک خودت را بیاور

Python، PyTorch و Transformers، در کنار کد خودت.

بیشتر بدان
helra | inference
model.generate(prompt)
استنتاج مدل
آموزش

پژوهش و آموزش، در مقیاس ایده‌ات

از فاین‌تیون یک مدل تا پردازش موازی داده‌ها؛ تمرکزت روی آزمایش باشد، نه مدیریت سرور.

چارچوب‌های آشنا

CUDA و PyTorch در محیط‌های آماده.

قدرت متناسب با مدل

انتخاب GPU برای حافظه و توان موردنیاز.

اجرای موازی

تقسیم کار بین پردازنده‌ها؛ بدون رزرو دائمی.

بیشتر بدان
DATA
TRAINING
EVALUATION
آموزش مدل
مقیاس‌پذیری

از صفر تا هزار درخواست. و دوباره صفر.

GPU فقط وقتی درخواست داری روشن می‌شه. رابطه ترافیک و منابع را با کنترل تعاملی ببین.

متناسب با تقاضا

منابع همراه با حجم درخواست افزایش می‌یابند.

بازگشت به صفر

بدون درخواست، GPU بیکار رزرو نمی‌ماند.

پرداخت بر اساس مصرف

هزینه پردازش واقعی؛ نه اجاره ماهانه سرور.

بیشتر بدان
مقیاس‌پذیری خودکار60 REQUESTS / S
بدون درخواستافزایش ترافیک

منابع با ترافیک رشد می‌کنند و با پایان درخواست‌ها به صفر می‌رسند.

توابع

پایتون بنویس. زیرساخت نه.

از یک تابع تا هزاران اجرای موازی؛ کد باید درباره ایده‌ات باشد، نه تنظیمات سرور.

پردازش موازی

کارهای مستقل را در کنار هم اجرا کن.

پردازش دسته‌ای

برای متن، تصویر، صدا و داده‌های پژوهشی.

وب‌سرویس هوشمند

با SDK هلرا، تابع پایتون را به یک وب‌سرویس تبدیل کن.

بیشتر بدان
inference.py
import helrafrom transformers import pipeline app = helra.App("my-first-model")image = helra.Image.debian_slim().pip_install(    "torch", "transformers", "accelerate") @app.function(gpu="H100", image=image)def generate(prompt: str):    model = pipeline("text-generation",        model="Qwen/Qwen2.5-7B-Instruct",        device="cuda")    return model(prompt, max_new_tokens=256) @app.local_entrypoint()def main():    print(generate.remote("Hello, Helra!"))
TERMINALنمونه خروجی
$ helra run inference.py
کد پایتون، اجرای بدون‌سرور با SDK هلرا.
پلتفرم هلرا

زیرساختی برای
آنچه می‌خواهی بسازی.

بیشتر بدان
1

از یک تابع تا یک سیستم کامل

اجرای بدون‌سرور برای استنتاج، آموزش و پردازش موازی؛ منابع متناسب با نیاز کد شما.

2

محیط آماده برای مدل و داده

Python، CUDA، PyTorch و Transformers؛ کتابخانه‌های آشنا، بدون درگیری با نصب درایور.

3

پردازش آماده، هم‌قدم درخواست

مقیاس‌پذیری خودکار و بازگشت به صفر؛ GPU فقط وقتی درخواست داری روشن می‌شه.

ایده‌های ایرانی، قدرت جهانی

ظرفیتی که با
بلندپروازی تو رشد می‌کند.

بیشتر بدان

پرداخت به تومان

برآورد قابل‌فهم هزینه، بدون اجاره ماهانه GPU.

مقیاس‌پذیری خودکار

از یک درخواست تا پردازش موازی، متناسب با ترافیک.

تجربه فارسی

مسیر روشن از نوشتن کد تا اجرای مدل‌های هوش مصنوعی.

برای پژوهش و ساختن

GPU قدرتمند برای دانشجویان و پژوهشگران ایرانی، بدون معطلی.

از هر جای ایران، کدت را روی زیرساخت هلرا اجرا کن.

از ایده تا محصول

تمرکزت روی ساختن.
زیرساختش با هلرا.

مدل‌هایت را اجرا کن، مصرف منابع را ببین و هزینه‌ها را مدیریت کن؛ هلرا زیرساخت را هم‌قدم محصولت رشد می‌دهد.

منابع متناسب با اجرای تو

پردازنده را برای مدل و زمان اجرای خود انتخاب کن.

فقط هزینه مصرف واقعی

هزینه GPU را پیش از اجرا به تومان برآورد کن.

از درخواست تا بازگشت به صفر

مقیاس‌پذیری خودکار و خاموش‌شدن منابع بیکار.

برای سازندگان آینده

«GPU قدرتمند برای دانشجویان و پژوهشگران ایرانی، بدون معطلی.»

از اولین پروژه دانشگاهی تا آموزش مدل‌های بزرگ، با محیط‌های آماده و GPU متناسب با پژوهشت پیش برو.

هلرا برای دانشجویان
PythonPyTorchCUDATransformers
از ایده تا اجرا، فاصله کمتر

تو بساز.
زیرساختش با هلرا.

از ایده تا اجرای مدل، با GPU متناسب با نیازت پیش برو.

شروع با هلرا