RunPod para Iniciantes: Guia Passo a Passo

Introducao

RunPod e uma das plataformas de GPU cloud mais populares de 2026, conhecida pela facilidade de uso e bom custo-beneficio. Se voce nunca usou GPU cloud antes, este guia vai te levar do zero ao seu primeiro treinamento de IA.

Por Que RunPod?

Passo 1: Criar Conta e Adicionar Credito

1. Acesse [runpod.io](https://runpod.io/?ref=t24bnbpm)

2. Clique em "Sign Up" e crie sua conta

3. Va em "Billing" no menu lateral

4. Adicione credito: minimo $10 (cartao de credito ou cripto)

5. Ative alertas de gastos em "Settings" > "Spending Alerts"

Passo 2: Entender os Tipos de Instancia

Pods (GPU dedicada)

Serverless (Pay-per-request)

Secure Cloud vs Community Cloud

Passo 3: Criar Seu Primeiro Pod

Exemplo: Pod para Fine-Tuning

1. Va em "Pods" no menu lateral

2. Clique em "Deploy"

3. Selecione a GPU:

- **RTX 4090** ($0.44/hr) -- para modelos ate 13B

- **A100 80GB** ($1.89/hr) -- para modelos ate 70B

4. Escolha o template:

- **RunPod PyTorch** -- para treinamento geral

- **RunPod Transformers** -- para Hugging Face

5. Configure o armazenamento:

- **Container Disk:** 20GB (temporario)

- **Volume:** 50GB+ (persistente, $0.10/GB/mes)

6. Clique em "Deploy"

Acessar o Pod

Apos deploy (1-2 minutos), voce tem 3 opcoes:

Passo 4: Configurar Ambiente

Via JupyterLab (mais facil)

Abra um terminal no JupyterLab e instale suas dependencias:

```bash

Verificar GPU

nvidia-smi

Instalar bibliotecas

pip install transformers peft bitsandbytes accelerate datasets

Verificar PyTorch + CUDA

python -c "import torch; print(torch.cuda.is_available())"

```

Passo 5: Rodar um Treinamento

Exemplo Pratico: Fine-Tuning LLaMA 3 8B com QLoRA

```python

from transformers import (

AutoModelForCausalLM, AutoTokenizer,

TrainingArguments, Trainer, BitsAndBytesConfig

)

from peft import LoraConfig, get_peft_model

from datasets import load_dataset

Configurar quantizacao 4-bit

bnb_config = BitsAndBytesConfig(

load_in_4bit=True,

bnb_4bit_compute_dtype="bfloat16",

bnb_4bit_quant_type="nf4",

)

Carregar modelo e tokenizer

model = AutoModelForCausalLM.from_pretrained(

"meta-llama/Llama-3-8B",

quantization_config=bnb_config,

)

tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-3-8B")

Configurar LoRA

lora_config = LoraConfig(r=16, lora_alpha=32, target_modules=["q_proj", "v_proj"])

model = get_peft_model(model, lora_config)

Carregar dataset

dataset = load_dataset("seu_dataset")

Treinar

training_args = TrainingArguments(

output_dir="/workspace/volume/checkpoints", # Salvar no volume persistente!

num_train_epochs=3,

per_device_train_batch_size=4,

save_strategy="steps",

save_steps=500,

bf16=True,

)

trainer = Trainer(model=model, args=training_args, train_dataset=dataset["train"])

trainer.train()

```

Passo 6: Usar Network Volumes

Network Volumes sao armazenamento persistente que sobrevive quando voce desliga o pod.

Criar Volume

1. Va em "Storage" > "Network Volumes"

2. Clique em "Create Volume"

3. Escolha regiao (mesma do pod!) e tamanho

4. Custo: $0.10/GB/mes

Montar no Pod

Ao criar o pod, selecione seu volume. Ele aparece em `/workspace/volume/`.

**DICA IMPORTANTE:** Sempre salve checkpoints e resultados no volume, nao no container disk. O container disk e apagado quando o pod e destruido.

Passo 7: Parar e Gerenciar Custos

Parar vs Destruir

Dicas de Economia

Pare pods quando nao estiver usando: -- nao pague GPU ociosa

Use Community Cloud: -- 20-40% mais barato que Secure Cloud

Spots:: Selecione "Spot" ao criar pod para precos menores

Serverless para inferencia: -- escala a zero quando sem requests

Monitore gastos: -- ative alertas em Settings

Passo 8: RunPod Serverless (Bonus)

Para APIs de inferencia, Serverless e ideal:

1. Va em "Serverless" > "Endpoints"

2. Selecione template (ex: vLLM, Stable Diffusion)

3. Configure GPU e scaling (min 0, max N workers)

4. Obtenha URL da API

5. Faca requests:

```bash

curl -X POST https://api.runpod.ai/v2/YOUR_ENDPOINT/run \

-H "Authorization: Bearer YOUR_API_KEY" \

-H "Content-Type: application/json" \

-d '{"input": {"prompt": "Hello, how are you?"}}'

```

Problemas Comuns

Pod nao inicia

Dados perdidos apos reiniciar

GPU nao detectada

Conclusao

RunPod e a plataforma ideal para quem esta comecando com GPU cloud. A interface e simples, os templates economizam tempo, e os precos sao justos. Comece com um pod RTX 4090, siga este tutorial, e voce estara treinando modelos de IA em minutos.

Comparar RunPod com outros provedores --> →