Colab vs. Fal.ai: Compute Units sind nicht die Kennzahl

Was 1.000 CU tatsächlich bringen

Ich würde 1.000 Compute Units nicht als Vorrat von 1.000 GPU-Stunden bezeichnen. Sie sind ein Ressourcenbudget mit variablem Verbrauch. Zum Zeitpunkt dieses Vergleichs im November 2026 kostete der betrachtete Google-Colab-Tarif 100 US-Dollar pro Monat und enthielt 1.000 CU, doch die Abbuchungsrate hing von der zugewiesenen GPU, dem Speicher und der Umgebungskonfiguration ab.

Laut der Tarifbeschreibung von Google Colab erhalten Nutzer eine interaktive Rechenumgebung und keine garantierte Leistung einer bestimmten Grafikkarte. Daher können zwei identische Generierungen sehr unterschiedliche effektive Kosten haben: In einem Fall passt das Modell in den VRAM, im anderen ist CPU-Offload nötig.

Fal.ai verkauft etwas anderes: verwaltete Inferenz, die nach den Regeln des jeweiligen Endpoints abgerechnet wird. In der Flux-Preisdokumentation von Fal.ai wurde Flux 2 Klein Base mit etwa 0,009 US-Dollar pro Megapixel angegeben, die vierstufige Distilled-Variante mit etwa 0,014 US-Dollar. Diese Werte galten zum Vergleichszeitpunkt und konnten je nach Endpoint abweichen.

Bei 3D gibt es noch weniger eine einheitliche Kennzahl. Die Trellis-Dokumentation von Fal.ai nannte etwa 0,02 US-Dollar pro Generierung, während Tripo H3.1 Image-to-3D mit ungefähr 0,01 US-Dollar pro Krediteinheit abgerechnet wurde. Diese Zahlen ohne Messung der vollständigen Pipeline direkt mit CU zu vergleichen, ist nicht sinnvoll.

In Colab bezahlen Sie außerdem für die Installation von Abhängigkeiten, das Laden von Gewichten, Leerlaufzeit, Neustarts und fehlgeschlagene Läufe. Dafür können Sie Modelle von Hugging Face verwenden, die Pipeline verändern, LoRAs anbinden und mehrere Verarbeitungsschritte in einem Notebook kombinieren.

Wo sich die Wirtschaftlichkeit verändert

Die Schlussfolgerung ist einfach: Colab gewinnt bei hoher GPU-Auslastung und individuellem Code, Fal.ai bei unregelmäßigen Anfragen und dem Bedarf an einer stabilen API. Es geht nicht um eine günstige gegen eine teure Plattform, sondern um die Wahl zwischen Umgebungskontrolle und der Zahlung für ein fertiges Ergebnis.

Für Flux Klein würde ich zuerst die Kosten pro erfolgreichem Bild berechnen, einschließlich Start der Umgebung und Fehlern. Bei Image-to-3D kämen Vorverarbeitung, Rekonstruktion, Mesh-Extraktion, Texturierung und Nachbearbeitung hinzu. Genau dort zerfällt ein sauberer Tarifvergleich meist.

Das ist eine echte Sparmöglichkeit, aber keine kostenlose Rechenleistung. Die größte Unsicherheit ist nicht der GPU-Preis, sondern der Anteil der CU, der in erfolgreiche Assets statt in Downloads, Neustarts und Offload fließt.

Wir haben zuvor erläutert, wie vertrauliche Computing-Infrastruktur die Kosten für KI-Inferenz und die Abwägungen bei der Bereitstellung verändern kann. Diese Kostenperspektive hilft auch bei der Wahl zwischen Google Colab und Fal.ai für Flux-Klein- und Image-to-3D-Modelle.