research.compute.shop

research.compute.shop

GPU 調達 (compute procurement) のためのカタログ駆動推奨 skill。 価格は静的 catalog ベース、API 連携なし、最新は各 provider の pricing_url で確認する前提。

入力

field	必須	例	説明
gpu_type	yes	A100-80GB-SXM	GPU 種別。aliases (A100, H100) 解決
gpu_count	yes	1	per-job の GPU 数
duration_h	yes	24	所要時間 (時)
max_usd_per_hour	no	5.0	単価上限 (filter)
prefer_spot	no (default false)	true	中断可なら spot 価格優先
region_preference	no	["us", "jp"]	region match を加点
include_free	no (default true)	true	free tier も提示
include_academic	no (default false)	true	academic grant も提示 (要 eligibility)
slug	no	attention-sink	指定時 .research/<slug>/COMPUTE_PROCUREMENT.md を生成

出力

stdout: markdown 表形式の ranked list (commercial top N + free / academic 別枠)。 ファイル: slug 指定時は .research/<slug>/COMPUTE_PROCUREMENT.md に保存。

ワークフロー

1. 入力解析と alias 解決

gpu_type_normalized = catalog["aliases"].get(gpu_type, gpu_type)

gpu_type が catalog の aliases や providers[*].gpus に存在しない場合は warning + fuzzy 候補提示 (例: A100 → A100-80GB-SXM)。

2. 候補絞り込み

各 provider について:

• gpus[gpu_type_normalized] が存在する provider のみ採用
• prefer_spot=true なら spot != null のものを優先 (未提供は on_demand を使う)
• max_usd_per_hour 指定時、超過する provider は除外 (リストに warning として残す)
• include_free=false なら tier=free を除外
• include_academic=false なら tier=academic を除外

3. 単価決定とコスト計算

unit = (provider["gpus"][gpu_type]["spot"] if prefer_spot and provider["gpus"][gpu_type]["spot"] else
        provider["gpus"][gpu_type]["on_demand"])
total_usd = unit * gpu_count * duration_h

4. ランキング

詳細仕様: references/recommendation_logic.md

ソートキー (asc total_usd) → tiebreak (tier_order 逆順、enterprise > cloud > marketplace > consumer > free > academic)。

free / academic は別 section で表示 (要件マッチするもののみ)。

5. 出力フォーマット

# Compute Procurement Recommendation

Generated: 2026-05-10T...
Workload: 1× A100-80GB-SXM, 24 hours
Filters: max_usd_per_hour=5, prefer_spot=true

## Top 5 (commercial, sorted by total estimated USD)

| # | Provider | Tier | usd/h | total USD | reliability | notes |
|---|----------|------|-------|-----------|-------------|-------|
| 1 | DataCrunch | cloud | 1.65 | $39.60 | high | EU 拠点 / 低 carbon |
| 2 | RunPod (Community) | marketplace | 1.69 | $40.56 | medium | host availability fluctuates |
| 3 | RunPod (Secure) | cloud | 1.89 | $45.36 | high | reliable on-demand |
| 4 | Lambda Labs | cloud | 1.99 | $47.76 | high | weekly reservation cheaper |
| 5 | TensorDock (spot) | marketplace | 0.95 | $22.80 | medium | ⚠ spot 中断リスク |

## Free options matching this workload (best effort)

- ⚪ HF Spaces ZeroGPU: A100-40GB burst (1-2 min/call) — 24h 連続 training には不向き
- ⚪ Colab Pro+ Compute Units: A100-40GB は ~$50/月で ~6-8 GPU-h 換算

(該当なし: A100-80GB-SXM の free tier はなし。L4 等への変更を検討すれば Colab Pro / Kaggle が候補)

## Academic options (要 eligibility)

- ⚪ NSF ACCESS (Discover allocation): US academic researcher 向け、application ~1-2 週間
- ⚪ National HPC centers: 所在国の academic 研究者は確認の価値あり (PRACE/EuroHPC, Cyfronet, Jülich, Riken, JADE2, AIST ABCI など)

## Caveats

- 価格は `gpu_providers.json` の reference 値、最新は公式 pricing page で確認
- Marketplace / spot は事前 reservation 不可、interrupted のリスクあり
- 24h 連続 training なら spot より on-demand 推奨
- Vast.ai / Salad は host 個別の reliability に大きな差 → 事前 DLPerf 確認推奨

## Next steps

- 推奨 1 を採用するなら: <pricing_url>
- 試算を反映: `.research/<slug>/cost_overrides.json` に契約価格を記入し
  `research.cost.estimate` を再実行
- 公平な比較を保つため複数 provider で同じ workload を回す場合、
  `research.cross.compare` で結果統合

6. next-step trailer 必須

─────────────────────────────────────
[Phase 4/8] ●●●●○○○○  G3 ✓  📊 Procurement ready

→ 推奨: DataCrunch (A100-80GB) ~$39.60 for 24h job
  catalog: skills/research.compute.shop/references/gpu_providers.json

  代替:
   ・ /auto-research:research-experiment <slug>   実行に進む
   ・ research.cost.estimate skill   実費試算 (実行後)
─────────────────────────────────────

失敗モード

failure	検出	回復
gpu_type が catalog に存在しない	aliases lookup 失敗	fuzzy 候補 3 つを提示 + 公式 pricing_url 一覧
全 provider が予算超過	max_usd_per_hour でフィルタ後 0 件	top 5 を warning 付きで表示 + smaller GPU 提案
catalog が古い (>180 日)	updated_at 比較	warning 出力 + 公式 pricing 確認を強く促す
gpu_providers.json が読めない	jq fail	エラー終了、catalog 修復を案内

Phase 連携

• Phase 4 (Experiment Design): experiment-designer agent が compute 見積を出した直後、 本 skill を続けて invoke して provider 候補を表示。auto-research SKILL.md の Phase 4 ガイドに記載
• Phase 6 連携: research.cost.estimate で cost_overrides.json を介して 実契約価格を反映。事前 procurement 推奨と実費の乖離を可視化

倫理 / 開示

• No affiliation: 本 skill は紹介手数料 / アフィリエイト関係なし
• 公平性: 商用 / marketplace / free / academic を等しく扱う
• academic eligibility: NSF ACCESS / GCP TRC 等は要件あり、出力で「⚪ 要確認」マーク + application URL を必ず併記
• contract pricing 秘匿: ユーザーの実契約 (cost_overrides.json) は git ignore 推奨を README で明記済み

参照実装

• references/gpu_providers.json — catalog SoT (18 providers, A100/H100/H200/L4/L40S/RTX-4090/3090/T4/P100/TPU 系)
• references/recommendation_logic.md — ranking / filter / fallback の詳細
• references/compute_shop.py.txt — Python 参照実装 (uv で実行可能)
• scripts/find_cheap_gpu.sh — CLI shortcut (skill を経由しないクイック比較)