# Cognitora vs Salad

Cognitora verzeichnet 0 monatliche Besuche mit — Wachstum gegenüber dem Vormonat und einem Preismodell „Open Source“. Salad verzeichnet 713.519 monatliche Besuche mit +10,4 % Wachstum und einem Preismodell „Kostenlose Testversion, Kostenpflichtig, Preise auf Anfrage“.

| Kennzahl | [Cognitora](https://openaitools.app/de/tool/cognitora) | [Salad](https://openaitools.app/de/tool/salad-gpu-cloud) |
| :--- | :--- | :--- |
| Website-URL | https://cognitora.dev | https://salad.com |
| Kategorien | AI Agent, AI API, KI-Entwicklertools | KI-Entwicklertools, AI API, KI-Transkription, Large Language Models (LLMs) |
| Preismodell | Open Source | Kostenlose Testversion, Kostenpflichtig, Preise auf Anfrage |
| Monatliche Besuche | 0 | 713.519 |
| MoM-Wachstumsrate | — | +10,4 % |
| Primärmarkt | Global | Vereinigte Staaten |
| Direkte Besuche | 0 | 440.915 |
| Bewertungsergebnis | 4,6 | 4,3 |
| Anzahl gespeicherter Einträge | 0 | 1 |
| Unterstützte Plattformen | Website | Website |

## Cognitora

Cognitora ist eine Open-Source-Orchestrierungsschicht für verteilte Inferenz großer Sprachmodelle, geschrieben in Rust. Statt eine einzelne Inferenz-Engine bereitzustellen, fasst sie die Engines, die Sie bereits betreiben — vLLM, SGLang, llama.cpp, Apple MLX, einen Spawn-Treiber für TRT-LLM und die eigene Preview-Engine cgn-infer — zu einem Cluster hinter einem einzigen OpenAI-kompatiblen Gateway zusammen. Sie kann anstelle eines Orchestrators wie NVIDIA Dynamo eingesetzt werden; das Projekt positioniert sich mit Unterstützung für mehr Engines, Bare-Metal-Betrieb ohne Kubernetes, der Einbeziehung des Stromverbrauchs in die Planung und dem Verzicht auf eine Python-Kontrollschicht.

Die zentrale Innovation ist das KV-bewusste Routing. Der Router bewertet Knoten nach der längsten Präfixüberlappung verketteter BLAKE3-Digests und nutzt dabei Cache-Ansprüche, die Agents in Heartbeats melden. In realen llama.cpp-Läufen fügte der Router laut Angaben 0,9–2,0 ms bei p50 hinzu. Über das Routing hinaus trennt die Plattform Prefill und Decode auf separate Replikat-Pools (KV-Übergabe über NixlConnector), unterhält einen mehrstufigen RAM-/SSD-KV-Cache mit knotenübergreifendem QUIC-Abruf und bietet austauschbare Offload-Backends wie nixl, lmcache, hicache und kvbm.

Der Stack ist modular: cgn-router für das Routing, cgn-agent zur Überwachung der Engines auf jedem Knoten, cgn-kvcached für den gestuften Cache, cgn-metrics für Prometheus- und Redfish/NVML-Leistungstelemetrie, cgn-ctl als Admin-CLI, ein optionaler Kubernetes-Operator und eine native Preview-Engine. Energiebewusste Planung entleert heiße Knoten, ein geschlossener Autoscaler reagiert auf Leistungswerte, und Gossip-basierte Erkennung macht etcd überflüssig. Zur Sicherheit gehören optionales mTLS, Releases mit SHA-256-Prüfsummen sowie OIDC- oder bereichsbezogene API-Key-Authentifizierung. Das Projekt liefert sechs statische Binärdateien für systemd-Installationen, Helm-Charts für Kubernetes und ein Cluster-Dashboard als einzelne HTML-Datei, das Durchsatz, Latenz-Perzentile, KV-Auslastung und Joule pro Token ohne Grafana darstellt.

**Preise und Tarife:** Cognitora ist Open Source und wird aus seinem Repository installiert; es gibt keinen veröffentlichten Preis pro Arbeitsplatz oder Token. Die Bereitstellungskosten sind Ihre eigene Hardware, sodass die Gesamtausgaben von den betriebenen GPUs und Knoten abhängen.

- **KV-bewusstes Request-Routing:** Leitet jede Anfrage an den Knoten, dessen Cache das längste passende Prompt-Präfix hält, und nutzt die Präfixüberlappung von BLAKE3-Sequenz-Digests, um wiederholte Prefill-Arbeit zu vermeiden.
- **Engine-agnostisches Gateway:** Eine einzige OpenAI-kompatible API vor vLLM, SGLang, llama.cpp, Apple MLX und einem TRT-LLM-Spawn-Treiber, sodass Sie Engines in einem Cluster mischen können.
- **Prefill/Decode-Trennung:** Führt Prefill und Decode in getrennten Replikat-Pools mit KV-Übergabe über NixlConnector aus, sodass jede Phase die passende Hardware nutzen kann.
- **Energiebewusste Planung:** Bezieht Redfish- und NVML-Leistungswerte in die Routing-Bewertung ein, setzt weiche Watt-Obergrenzen pro Knoten und entleert heiße Knoten automatisch, um Energie pro Token zu senken.
- **Von Bare Metal bis Kubernetes:** Wird als sechs statische Binärdateien unter systemd ohne Kubernetes bereitgestellt oder optional mit einem kube-rs-Operator, der die CRDs InferenceCluster, ModelPool und RoutingPolicy bereitstellt.

**Stärken:** Open Source und selbst hostbar, ohne Lizenzkosten pro Token oder Arbeitsplatz; KV-bewusstes Routing reduziert doppelte Prefill-Arbeit in der Flotte deutlich; Unterstützt viele Engines und bindet Sie nicht an die Runtime eines Anbieters; Läuft ohne Kubernetes auf Bare Metal und hält die Betriebsfläche klein

**Einschränkungen:** Die Bewertung erfordert solides LLM-Infrastrukturwissen und eigene GPU-Hardware; Mehrere Hauptfunktionen liegen im main-Branch, aber noch nicht in einem getaggten Release; TRT-LLM-Unterstützung ist nur ein Spawn-Treiber, ohne Standardrezept und ohne GPU-Test in CI

[Profile (Markdown)](https://openaitools.app/de/tool/cognitora.md)

## Salad

Salad geht die Kosten von GPU-Compute von einer anderen Seite an. Statt neue Rechenzentrumskapazität zu finanzieren, koordiniert sie die bereits vorhandene Versorgung: Consumer-GPUs, die in PCs und Workstations weltweit ungenutzt sind. Seit 2018 haben über 450.000 GPUs zum Netzwerk beigetragen, und aktuell meldet es über 16.000 täglich aktive GPUs in mehr als 190 Ländern. Die Preise beginnen bei rund 0,015 USD pro GPU-Stunde, was das Unternehmen als bis zu 90 % unter Hyperscaler-Tarifen positioniert.

Die Orchestrierungsschicht ist das Kernprodukt. Salad Container Engine plant OCI/Docker-Container auf Knoten, die sie nie zuvor gesehen hat, verifiziert sie, isoliert sie hinter einem Hypervisor, streamt Logs und verlagert Arbeit in dem Moment, in dem ein Knoten verschwindet – entscheidend, weil unterbrechbare Consumer-Hardware unvorhersehbar ausfällt. Ein proprietäres Trust-Rating bewertet Leistung und Verfügbarkeit der Knoten, und die Priority-Preise bringen günstige unterbrechbare Kapazität mit Workloads zusammen, die damit umgehen können. Dieselbe Engine läuft auf der Community Cloud, auf reservierter Salad-Dedicated-Hardware (RTX PRO 6000 Blackwell unter den ersten) und in einer Private Cloud innerhalb der eigenen Organisation, wo ungenutzte Workstation-GPUs zu einem OpenAI-kompatiblen Token-Dienst gebündelt werden, ohne dass Unternehmensdaten die Firmengeräte verlassen.

Darauf setzen mehrere Managed-Produkte auf: ein OpenAI-kompatibles AI Gateway für Open-Weight-Modelle, eine Transcription API und der Gateway Service für Residential-IP-Tunnel. Veröffentlichte Benchmarks pro Workload untermauern das Versprechen – etwa 5.243 Flux.1-Schnell-Bilder pro Dollar, 95,1 % CommonVoice-Genauigkeit ab 0,16 USD pro Audio-Stunde und Pauschal-GPU-Stundensätze oder Token-Preise ab 0,06 USD pro Million Input-Tokens für LLM-Inferenz. Zu den Produktionsnutzern zählen Civitai, Blend, Klyne.ai, Undetectable AI, Pareto und Datasembly.

**Preise und Tarife:** Pay-as-you-go ohne Verträge oder Mindestmengen auf SaladCloud: sekundengenaue Abrechnung für Container und Token-Preise im AI Gateway, mit GPU-Sätzen ab rund 0,015 USD pro GPU-Stunde und gestaffelten Mengenrabatten. Reservierte Kapazität und Enterprise-Verträge sind über Salad Dedicated und Private Cloud verfügbar, Angebot auf Anfrage.

- **Salad Container Engine:** Plant, überwacht und verlagert Docker-/OCI-Workloads über Tausende verteilte GPU-Knoten, mit Failover, wenn Knoten verschwinden.
- **Community-Cloud-GPU-Pool:** On-Demand-Zugriff auf einen verteilten Pool ungenutzter Consumer-GPUs in über 190 Ländern, Priority-Preise ab rund 0,015 USD pro GPU-Stunde.
- **OpenAI-kompatibles AI Gateway:** Ein Managed-Token-Endpunkt für Open-Weight-Modelle mit Token-Abrechnung, wobei deine Daten nie zum Training genutzt werden.
- **Private Cloud auf eigener Hardware:** Betreibe denselben Orchestrierungs-Stack in deiner Organisation und bündle ungenutzte Workstation-GPUs zu einem internen OpenAI-kompatiblen Dienst.
- **Workload-optimierte APIs:** Managed Services wie die Transcription API und Virtual-Kubelet-Unterstützung, um Kubernetes-Pods im Netzwerk zu planen.

**Stärken:** Strukturell niedrige Preise – GPU-Sätze ab rund 0,015 USD pro Stunde; Eine Orchestrierungsschicht deckt On-Demand-, reservierte und private Infrastruktur ab; Behandelt Unterbrechungen nativ, was bei Consumer-Hardware zählt; OpenAI-kompatible Endpunkte erleichtern die Migration von anderen Anbietern

**Einschränkungen:** Unterbrechbare Consumer-Knoten eignen sich nicht ohne Weiteres für latenzkritische oder dauerhaft laufende Workloads; Verteilte Hardware schwankt stärker in der Leistung als einheitliche Rechenzentrumsracks; Kein klassischer Gratis-Tarif – die Kosten steigen direkt mit der Nutzung

[Profile (Markdown)](https://openaitools.app/de/tool/salad-gpu-cloud.md)

## Häufig gestellte Fragen

### Wie vergleichen sich Cognitora und Salad beim monatlichen Traffic?

Cognitora hat 0 monatliche Besuche, während Salad 713.519 verzeichnet. Traffic-Schätzungen beschreiben die Publikumsgröße, nicht die Produktqualität.

### Wie vergleichen sich ihre Wachstumsraten?

Cognitora verzeichnet eine Wachstumsrate von — gegenüber dem Vormonat; Salad verzeichnet +10,4 %.

### Wie vergleichen sich die Preise?

Cognitora: Open Source. Cognitora ist Open Source und wird aus seinem Repository installiert; es gibt keinen veröffentlichten Preis pro Arbeitsplatz oder Token. Die Bereitstellungskosten sind Ihre eigene Hardware, sodass die Gesamtausgaben von den betriebenen GPUs und Knoten abhängen. Salad: Kostenlose Testversion, Kostenpflichtig, Preise auf Anfrage. Pay-as-you-go ohne Verträge oder Mindestmengen auf SaladCloud: sekundengenaue Abrechnung für Container und Token-Preise im AI Gateway, mit GPU-Sätzen ab rund 0,015 USD pro GPU-Stunde und gestaffelten Mengenrabatten. Reservierte Kapazität und Enterprise-Verträge sind über Salad Dedicated und Private Cloud verfügbar, Angebot auf Anfrage.

## Alternativen

| # | Tool-Name | Monatliche Besuche | MoM-Wachstumsrate | Preismodell | Summary | Profile (Markdown) |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| 1 | [RunPod](https://openaitools.app/de/tool/runpod) | 2.881.043 | +5,9 % | Kostenpflichtig | Bietet zuverlässige dedizierte und serverlose GPU-Vermietung, verfügt jedoch nicht über Salads extrem kostengünstigen Peer-to-Peer-Consumer-Hardware-Pool. | [.md](https://openaitools.app/de/tool/runpod.md) |
| 2 | [Together AI](https://openaitools.app/de/tool/together-ai) | 1.645.930 | +64,9 % | Freemium, Kostenpflichtig | Spezialisiert sich auf verwaltete Serverless-Inferenzen-APIs für Open-Source-Modelle statt auf die Vermietung von reiner GPU-Infrastruktur. | [.md](https://openaitools.app/de/tool/together-ai.md) |
| 3 | [Vast.ai](https://openaitools.app/de/tool/vast-ai) | 1.257.554 | +2,8 % | Kostenpflichtig | Bietet einen umfangreichen Peer-to-Peer-GPU-Marktplatz zu günstigeren Preisen, erfordert jedoch mehr manuelle Konfiguration. | [.md](https://openaitools.app/de/tool/vast-ai.md) |
| 4 | [Browser Use](https://openaitools.app/de/tool/browser-use) | 1.206.376 | +41,1 % | Freemium, Kostenpflichtig, Preise auf Anfrage | Browser-Agenten und getarnte Cloud-Browser für echte Webaufgaben | [.md](https://openaitools.app/de/tool/browser-use.md) |
| 5 | [Modal](https://openaitools.app/de/tool/modal-com) | 1.196.021 | +30,2 % | Freemium, Preise auf Anfrage | Bietet mühelose Python-Serverless-Ausführung für KI-Pipelines, konzentriert sich jedoch auf Function-as-a-Service statt auf reine VMs. | [.md](https://openaitools.app/de/tool/modal-com.md) |
| 6 | [Nebius](https://openaitools.app/de/tool/nebius) | 1.145.711 | +10,7 % | Kostenpflichtig, Preise auf Anfrage | Liefert NVIDIA-GPU-Cluster der Enterprise-Klasse und verwaltete ML-Tools, allerdings zu einem höheren professionellen Preis. | [.md](https://openaitools.app/de/tool/nebius.md) |
| 7 | [DeepInfra](https://openaitools.app/de/tool/deep-infra) | 457.810 | -8,9 % | Kostenpflichtig | Offers extremely cheap serverless model hosting via API, but does not provide raw containerized GPU instances. | [.md](https://openaitools.app/de/tool/deep-infra.md) |
| 8 | [FluidStack](https://openaitools.app/de/tool/fluidstack) | 154.620 | +7,3 % | Kostenpflichtig, Preise auf Anfrage | Focuses on large-scale enterprise GPU clusters for training, rather than lightweight consumer container workloads. | [.md](https://openaitools.app/de/tool/fluidstack.md) |
| 9 | [Coder](https://openaitools.app/de/tool/coder) | 149.417 | -12,8 % | Kostenlose Testversion, Preise auf Anfrage, Kostenlos | Selbst gehostete Cloud-Entwicklungsumgebungen und KI-Coding-Agenten für Unternehmensteams | [.md](https://openaitools.app/de/tool/coder.md) |
| 10 | [Thunder Compute](https://openaitools.app/de/tool/thunder-compute) | 102.147 | -29 % | Paid (per-minute instances, per-second sandboxes) | Features second-billed persistent SSH GPU instances, but lacks a distributed consumer hardware backbone. | [.md](https://openaitools.app/de/tool/thunder-compute.md) |

---
Quelle: https://openaitools.app/de/compare/cognitora-vs-salad-gpu-cloud

More Markdown: [Kategorien](https://openaitools.app/de/categories.md) · [Traffic-Rankings](https://openaitools.app/de/rankings.md) · [llms.txt](https://openaitools.app/de/llms.txt)
