# Salad vs supermemory

Salad verzeichnet 713.519 monatliche Besuche mit +10,4 % Wachstum gegenüber dem Vormonat und einem Preismodell „Kostenlose Testversion, Kostenpflichtig, Preise auf Anfrage“. supermemory verzeichnet 156.579 monatliche Besuche mit -7,7 % Wachstum und einem Preismodell „Preise auf Anfrage“.

| Kennzahl | [Salad](https://openaitools.app/de/tool/salad-gpu-cloud) | [supermemory](https://openaitools.app/de/tool/supermemory-1) |
| :--- | :--- | :--- |
| Website-URL | https://salad.com | https://supermemory.ai |
| Kategorien | KI-Entwicklertools, AI API, KI-Transkription, Large Language Models (LLMs) | AI API, Large Language Models (LLMs), KI-Entwicklertools, AI Agent |
| Preismodell | Kostenlose Testversion, Kostenpflichtig, Preise auf Anfrage | Preise auf Anfrage |
| Monatliche Besuche | 713.519 | 156.579 |
| MoM-Wachstumsrate | +10,4 % | -7,7 % |
| Primärmarkt | Vereinigte Staaten | Vereinigte Staaten |
| Direkte Besuche | 440.915 | 71.163 |
| Bewertungsergebnis | 4,3 | 4,5 |
| Anzahl gespeicherter Einträge | 1 | 0 |
| Unterstützte Plattformen | Website | Website |

## 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)

## supermemory

Die meisten LLM-Anwendungen behandeln Memory als Nebensache: Der Chatverlauf wird in den Prompt gestopft, bis das Kontextfenster voll ist, und in der nächsten Sitzung oder nach einem Modellwechsel ist alles verloren. supermemory geht das Problem als Infrastruktur an. Das Modell learner-1 liest eingehende Materialien – Gespräche, Dateien, URLs, Rohdaten – und führt Update-, Merge-, Inferenz- und Forget-Operationen auf einer Vektor-Graph-Datenbank aus, sodass Gelerntes dicht, vernetzt und zeitbewusst bleibt, statt sich als immer längeres Transkript anzuhäufen.

Zum Zeitpunkt der Anfrage werden die relevanten Erinnerungen als Tokens direkt in den Kontext des Agenten injiziert, wodurch der Ansatz modell- und harness-unabhängig bleibt. Da Lernen und Memory außerhalb der Modellanbieter liegen, wandert das angesammelte Verständnis mit der Anwendung, egal ob sie auf Claude, Modellen der GPT-Familie, Gemini oder Open-Weight-Modellen läuft und ob sie über SDK, Plugin oder MCP gesteuert wird.

Das Unternehmen sieht darin den schwierigen Teil der Agenten-Infrastruktur und untermauert das mit veröffentlichten Zahlen: Recall unter einer Sekunde im Produktionsverkehr, rund eine Billion verarbeitete Tokens pro Monat, Benchmarks auf LongMemEval, LoCoMo und ConvoMem sowie Kostenvergleiche gegenüber Markdown-Datei-Memory bei großen Korpora. Auf Unternehmensseite kommen SOC 2 Type II, eine HIPAA-BAA in höheren Tarifen, DSGVO-Konformität und Bereitstellungen von der Cloud bis zu eigener VPC, eigenem Rechenzentrum und air-gapped Umgebungen hinzu.

**Preise und Tarife:** Die Preisgestaltung teilt sich in Self-Service-Tarife und Enterprise-Verträge, weshalb die Seite ein Preismodell auf Anfrage ausweist. Free, Pro und Max decken die Standard-PDF-Extraktion und die persönliche Nutzung ab, während Scale und Enterprise erweiterte Dokumentenextraktion mit OCR sowie Beschreibungen von Abbildungen und Diagrammen, höhere Limits, Sicherheitszusagen wie SOC 2 Type II und HIPAA-BAA sowie Bereitstellung in Ihrer VPC, Ihrem Rechenzentrum oder air-gapped ergänzen. Genaue Preise sollten auf der Preisseite geprüft werden.

- **Memory-Modell learner-1:** Ein dediziertes Modell extrahiert, verschmilzt, schließt und vergisst über den gespeicherten Kontext, sodass der Memory-Graph sich laufend verbessert statt nur anzuwachsen.
- **Vektor-Graph-Speicher:** Jede Erkenntnis verlinkt auf die umliegenden Entitäten, Quellen und Zeitpunkte und speichert damit nicht nur Inhalte, sondern eine zeitbewusste Landkarte.
- **Modell-, Harness- und MCP-unabhängig:** Memory liegt außerhalb der Modellanbieter und wird über API, SDKs, Plugins und MCP genutzt, sodass Kontext über Modelle und Werkzeuge hinweg mitwandert.
- **Kontext-Injektion in Echtzeit:** Relevante Erinnerungen werden zur Anfragezeit als Tokens in den Prompt injiziert und liefern passenden Kontext ohne unbegrenzte Transkripte.
- **Enterprise-Bereitstellung und Compliance:** SOC 2 Type II, HIPAA-BAA in höheren Tarifen, DSGVO-Konformität sowie Bereitstellung in der Cloud, Ihrer VPC, Ihrem Rechenzentrum oder air-gapped.

**Stärken:** Memory ist von den Modellanbietern entkoppelt, sodass sich angesammelter Kontext über Modellwechsel hinweg hält; Umfangreiche technische Belege mit veröffentlichten Benchmarks, Latenzwerten und Kostenvergleichen; Mehrere Integrationswege: REST-API, SDKs, Plugins und MCP; Starke Enterprise-Positionierung mit SOC 2 Type II, HIPAA-BAA, DSGVO und air-gapped Bereitstellung

**Einschränkungen:** Die Self-Service-Preisangaben auf der öffentlichen Website sind dünn, exakte Tarifkosten erfordern möglicherweise ein Verkaufsgespräch; Es ist Infrastruktur und keine Endnutzer-App, es braucht also echte Integrationsarbeit bis zum Nutzen; Benchmarks und Adoptionszahlen stammen vom Anbieter und sollten an der eigenen Arbeitslast geprüft werden

[Profile (Markdown)](https://openaitools.app/de/tool/supermemory-1.md)

## Häufig gestellte Fragen

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

Salad hat 713.519 monatliche Besuche, während supermemory 156.579 verzeichnet. Traffic-Schätzungen beschreiben die Publikumsgröße, nicht die Produktqualität.

### Wie vergleichen sich ihre Wachstumsraten?

Salad verzeichnet eine Wachstumsrate von +10,4 % gegenüber dem Vormonat; supermemory verzeichnet -7,7 %.

### Wie vergleichen sich die Preise?

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. supermemory: Preise auf Anfrage. Die Preisgestaltung teilt sich in Self-Service-Tarife und Enterprise-Verträge, weshalb die Seite ein Preismodell auf Anfrage ausweist. Free, Pro und Max decken die Standard-PDF-Extraktion und die persönliche Nutzung ab, während Scale und Enterprise erweiterte Dokumentenextraktion mit OCR sowie Beschreibungen von Abbildungen und Diagrammen, höhere Limits, Sicherheitszusagen wie SOC 2 Type II und HIPAA-BAA sowie Bereitstellung in Ihrer VPC, Ihrem Rechenzentrum oder air-gapped ergänzen. Genaue Preise sollten auf der Preisseite geprüft werden.

## 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 | [Composio](https://openaitools.app/de/tool/composio) | 2.782.603 | +22,8 % | Freemium, Preise auf Anfrage | Focuses on tool integrations and authentication for agents, complementing memory engines rather than storing cross-session context. | [.md](https://openaitools.app/de/tool/composio.md) |
| 3 | [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) |
| 4 | [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) |
| 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 | [LiteLLM](https://openaitools.app/de/tool/litellm) | 576.967 | +7,9 % | Freemium, Preise auf Anfrage | Ein Open-Source-KI-Gateway für über 100 LLM-Anbieter | [.md](https://openaitools.app/de/tool/litellm.md) |
| 8 | [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) |
| 9 | [Merge](https://openaitools.app/de/tool/merge-dev) | 313.201 | +1,7 % | Freemium, Preise auf Anfrage | Die universelle Kontext-Engine, die Agenten mit Daten, Tools und Modellen verbindet | [.md](https://openaitools.app/de/tool/merge-dev.md) |
| 10 | [Pinecone](https://openaitools.app/de/tool/pinecone) | 286.732 | -31 % | Freemium, Kostenpflichtig, Preise auf Anfrage | Bietet skalierbare Vektorsuche und RAG-Speicherung auf Unternehmensebene, entbehrt jedoch der automatisierten Agenten-Speichergraphen-Abstraktionen von supermemory. | [.md](https://openaitools.app/de/tool/pinecone.md) |

---
Quelle: https://openaitools.app/de/compare/salad-gpu-cloud-vs-supermemory-1

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)