付费
加载中…
编排全球闲置消费级 GPU 的分布式 GPU 云
月访问量
71.35万
月访问量
71.35万
月度环比增长
+6.75万
增长速度: +10.4%
直接流量占比
62%
直接流量占比不等于用户留存率。
主要市场
🇺🇸美国
份额: 40.9%
流量历史
网站月访问量估算
https://salad.com
打开实时网站 
编排全球闲置消费级 GPU 的分布式 GPU 云
网站月访问量估算
数据为该域名的 Similarweb 流量估算，不是活跃用户数。仅展示有数据的统计月份；采集时间与流量统计月份分别标注。
采集于 2026年11月11日
这是编辑给出的评估，满分 5 分，不是用户打分的平均值。 本页的各方观点由 AI 根据产品信息归纳，不是真实用户的评价。
根据 OpenAITools.app 于 2026-11-11 核对的流量数据，Salad（salad.com）是一个收录在 AI Developer Tools 下的 AI 平台，月访问量为 71.35万，月度环比流量变化为 +6.75万（+10.4%）。其主要地理市场为美国（40.9% 流量份额），采用免费试用，付费，定价请咨询定价模式。按月流量计算的主要竞争替代方案包括 RunPod（288.1万次访问/月），Vast.ai（125.76万次访问/月），Modal（119.6万次访问/月）。
跑大模型推理的价格简直杀疯了，太便宜了。
虽然是家用卡组网，但性价比直接拉满。
偶发性有节点掉线重连，调度需要调优。
省预算首选，适合搞批量推理和 embedding。
以下短评基于实时网页探查、定价机制与同类产品基准由 AI 综合模拟生成，旨在呈现不同使用场景下的常见槽点与亮点，非实名真实用户评价。
在数千个分布式 GPU 节点上调度、监控并重新分配 Docker/OCI 工作负载，节点消失时自动故障转移。
按需访问覆盖 190 多个国家的闲置消费级 GPU 分布式算力池，优先定价约从每小时 0.015 美元起。
面向开源权重模型的托管 token 端点，按 token 计费，你的数据不会被用于训练。
在组织内部运行同一套编排栈，把闲置工作站 GPU 汇聚成内部兼容 OpenAI 的服务。
托管服务包括 Transcription API，以及把 Kubernetes Pod 调度到网络上的 Virtual Kubelet 支持。
Salad 从另一个方向切入 GPU 算力成本问题。它不为新建数据中心融资，而是协调已经存在的供给：全球 PC 与工作站中闲置的消费级 GPU。自 2018 年以来，已有超过 45 万块 GPU 参与该网络，目前报告显示其每日活跃 GPU 超过 1.6 万块，覆盖 190 多个国家。价格从约每小时 0.015 美元起，官方将其定位为比超大规模云厂商低最多 90%。
编排层是核心产品。Salad Container Engine 能把 OCI/Docker 容器调度到从未见过的节点上，进行验证并通过 hypervisor 隔离，实时推流日志，并在节点掉线的瞬间重新分配任务——这一点至关重要，因为可中断的消费级硬件下线具有不可预测性。其专有的信任评分会为节点性能与可用性打分，优先定价机制则把低价的可中断供给匹配给能够承受中断的工作负载。同一套引擎可运行在 Community Cloud、预留的 Salad Dedicated 硬件（首批包括 RTX PRO 6000 Blackwell），以及部署在你自己组织内部的 Private Cloud 上——在公司自有设备内把闲置工作站 GPU 汇聚成兼容 OpenAI 的 token 服务，数据不出企业设备。
上层还有若干托管产品：面向开源权重模型的 OpenAI 兼容 AI Gateway、Transcription API，以及用于住宅 IP 隧道的 Gateway Service。官方公布了各工作负载的基准数据来支撑宣传——例如每美元可生成 5,243 张 Flux.1-Schnell 图像、在 CommonVoice 上达到 95.1% 准确率且每小时音频仅 0.16 美元，以及 LLM 推理按 GPU 小时计费或按每百万输入 token 0.06 美元起计价。生产环境用户包括 Civitai、Blend、Klyne.ai、Undetectable AI、Pareto 与 Datasembly。
在数千块消费级 GPU 上运行图像生成、LLM 推理或语音工作负载，成本仅为超大规模云的一小部分——正如 Civitai 与 Blend 在生产环境中的做法。
把大规模批处理、计算机视觉标注或 GROMACS 等分子动力学任务放到可中断算力上，节省可观成本。
把公司工作站与服务器中已有的闲置 GPU 汇聚为私有、兼容 OpenAI 的 token 服务，数据留在本地。
使用 Virtual Kubelet 把 Kubernetes Pod 调度到分布式 GPU 上，将现有集群扩展到整个网络。
同一分类下同类 AI 工具的流量并排对比
| 排名 | AI 工具 | 月访问量 | 月度环比增长 | 直接流量占比 | 定价 | 头对头 |
|---|---|---|---|---|---|---|
| ● | Salad | 71.35万 | +10.4% | 62% 直接流量 | 免费试用，付费，定价请咨询 | 当前产品 |
| 1 | RunPod 提供可靠的专用与无服务器 GPU 租赁，但缺乏 Salad 超低成本的点对点消费级硬件池。 | 288.1万 | +5.9% | 57% 直接流量 | 付费 | 对比 RunPod |
| 2 | Vast.ai 提供价格更低廉的广泛 P2P GPU 市场，但需要较多手动配置。 | 125.76万 | +2.8% | 75% 直接流量 | 付费 | 对比 Vast.ai |
| 3 | Modal 为 AI 流水线提供轻松的 Python 无服务器执行，但专注于 Function-as-a-Service 而非裸机虚拟机。 | 119.6万 | +30.2% | 71% 直接流量 | 免费增值，定价请咨询 | 对比 Modal |
| 4 | Nebius 提供企业级 NVIDIA GPU 集群与托管式 ML 工具，但专业价格定位较高。 | 114.57万 | +10.7% | 39% 直接流量 | 付费，定价请咨询 | 对比 Nebius |
| 5 | Cerebrium 针对实时模型推理优化了快速冷启动，但缺乏通用的容器编排功能。 | 2.7万 | -50.8% | 56% 直接流量 | 免费试用，付费 | 对比 Cerebrium |
| 6 | Together AI 专门提供开源模型的托管式无服务器推理 API，而非单纯租赁 GPU 基础设施。 | 164.59万 | +64.9% | 54% 直接流量 | 免费增值，付费 | 对比 Together AI |
提供价格更低廉的广泛 P2P GPU 市场，但需要较多手动配置。
专项更强为 AI 流水线提供轻松的 Python 无服务器执行，但专注于 Function-as-a-Service 而非裸机虚拟机。
专项更强为 AI 流水线提供轻松的 Python 无服务器执行，但专注于 Function-as-a-Service 而非裸机虚拟机。
提供企业级 NVIDIA GPU 集群与托管式 ML 工具，但专业价格定位较高。
专项更强专门提供开源模型的托管式无服务器推理 API，而非单纯租赁 GPU 基础设施。
专项更强Offers extremely cheap serverless model hosting via API, but does not provide raw containerized GPU instances.
Features second-billed persistent SSH GPU instances, but lacks a distributed consumer hardware backbone.
Features second-billed persistent SSH GPU instances, but lacks a distributed consumer hardware backbone.
Gives access to competitive cloud GPU virtual machines, but operates traditional data centers instead of P2P.
Gives access to competitive cloud GPU virtual machines, but operates traditional data centers instead of P2P.
Focuses on large-scale enterprise GPU clusters for training, rather than lightweight consumer container workloads.
Focuses on large-scale enterprise GPU clusters for training, rather than lightweight consumer container workloads.
Delivers high-performance bare metal servers and clusters, but lacks a consumer-grade low-cost tier.
Delivers high-performance bare metal servers and clusters, but lacks a consumer-grade low-cost tier.
专项更强Scales distributed Ray workloads effortlessly across clusters, but is tailored for heavy data engineering and training.
专项更强Scales distributed Ray workloads effortlessly across clusters, but is tailored for heavy data engineering and training.
