Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Requisitos de GPU de Qwen2.5 VL 3B Instruct: VRAM y GPU más barata

Qwen2.5 VL 3B Instruct tiene 3754,6 M parámetros, publicados en BF16. Admite hasta 125K tokens de contexto. Con esa longitud, solo la caché KV ocupa unos 4,7 GB por petición, así que los prompts largos pueden cambiar la GPU que necesitas.

Parámetros
3754,6 M
Mínimo de memoria (INT4)
unos 3,5 GB
GPU más barata por hora (FP16)
0,16 US$
Tipo
Visión
  • Parámetros 3754,6 M
  • Tipo Visión
  • Tarea image-text-to-text
  • Contexto máximo 125K
  • Descargas 1,9 M
  • Me gusta 755

Cálculo para Qwen2.5 VL 3B Instruct

Precisión
Uso
Más ajustes
Motor de inferencia
Peticiones simultáneas

Qwen2.5 VL 3B Instruct necesita unos 9,6 GB de memoria de GPU

Inferencia (vLLM), FP16 / BF16, contexto de 8K tokens, una petición a la vez.

En qué se va la memoria

  • Pesos 7,5 GB
  • Caché KV 0,3 GB
  • Sobrecarga del motor 1,8 GB
  • Total 9,6 GB

El número de GPU deja libre un 10 % de cada tarjeta para picos. Prevé más si esperas prompts largos o muchos usuarios a la vez.

GPU que caben, de la más barata a la más caraCada tipo de GPU que seguimos capaz de alojar esta configuración en un nodo, ordenado por coste total por hora
PuestoConfiguraciónPor GPU / hGPU necesariasTotal / hTotal / mes (24/7)Proveedor
11 × RTX 3090 24GBMás barataAmpere · GDDR6X0,16 US$10,16 US$117 US$Lium (se abre en una pestaña nueva)1x RTX 3090 Ti
21 × RTX 4090 24GBAda Lovelace · GDDR6X0,30 US$10,30 US$219 US$Lium (se abre en una pestaña nueva)1x RTX 4090
31 × RTX 5090 32GBBlackwell · GDDR70,40 US$10,40 US$292 US$Lium (se abre en una pestaña nueva)1x RTX 5090
41 × RTX A6000 48GBAmpere · GDDR60,42 US$10,42 US$307 US$Lium (se abre en una pestaña nueva)1x RTX A6000
51 × L4 24GBAda Lovelace · GDDR60,45 US$10,45 US$326 US$Vast.ai (se abre en una pestaña nueva)1x L4 (median of 3 offers)
61 × RTX PRO 6000 96GBBlackwell · GDDR70,50 US$10,50 US$365 US$RunPod (se abre en una pestaña nueva)1x RTX PRO 6000 MaxQ
71 × A40 48GBAmpere · GDDR60,52 US$10,52 US$381 US$Vast.ai (se abre en una pestaña nueva)1x A40 (median of 5 offers)
81 × T4 16GBTuring · GDDR60,53 US$10,53 US$384 US$AWS (se abre en una pestaña nueva)g4dn.xlarge
91 × RTX 6000 Ada 48GBAda Lovelace · GDDR60,75 US$10,75 US$548 US$Lium (se abre en una pestaña nueva)1x RTX 6000 Ada Generation
101 × L40S 48GBAda Lovelace · GDDR60,80 US$10,80 US$585 US$Vast.ai (se abre en una pestaña nueva)1x L40S (median of 7 offers)
111 × A100 40GBAmpere · HBM20,80 US$10,80 US$586 US$Vast.ai (se abre en una pestaña nueva)1x A100 SXM4 (median of 15 offers)
121 × A10 24GBAmpere · GDDR61,01 US$11,01 US$734 US$AWS (se abre en una pestaña nueva)g5.xlarge
131 × A100 80GBAmpere · HBM2e1,12 US$11,12 US$820 US$Vast.ai (se abre en una pestaña nueva)1x A100 SXM4 (median of 16 offers)
141 × H100 80GBHopper · HBM31,39 US$11,39 US$1015 US$Lium (se abre en una pestaña nueva)1x H100 80GB HBM3
151 × GH200 96GBHopper · HBM31,99 US$11,99 US$1453 US$Vultr (se abre en una pestaña nueva)vbm-72c-480gb-gh200-gpu (bare metal)
161 × MI300X 192GBCDNA 3 · HBM32,39 US$12,39 US$1745 US$RunPod (se abre en una pestaña nueva)1x MI300X
171 × H200 141GBHopper · HBM3e2,90 US$12,90 US$2117 US$Lium (se abre en una pestaña nueva)1x H200 NVL
181 × V100 16GBVolta · HBM23,06 US$13,06 US$2234 US$AWS (se abre en una pestaña nueva)p3.2xlarge
191 × H100 NVL 94GBHopper · HBM33,19 US$13,19 US$2329 US$RunPod (se abre en una pestaña nueva)1x H100 NVL
201 × B200 180GBBlackwell · HBM3e5,60 US$15,60 US$4088 US$Lium (se abre en una pestaña nueva)1x B200
211 × B300 288GBBlackwell Ultra · HBM3e8,00 US$18,00 US$5840 US$Lium (se abre en una pestaña nueva)1x B300 SXM6
221 × GB200 186GBBlackwell · HBM3e10,50 US$1se vende con 4 GPU; necesitas 142,00 US$30.660 US$CoreWeave (se abre en una pestaña nueva)GB200 NVL72
Coste por nubeOferta más barata que cabe, por proveedor. Aproximado, precios recogidos el 16 nov 2026.
ProveedorInstanciaPor GPU / hGPU necesariasTotal / hTotal / mes (24/7)
Lium (se abre en una pestaña nueva)Más barata1x RTX 3090 Timercado mundial0,16 US$1 × RTX 3090 24GB unos 0,16 US$unos 117 US$
Vast.ai (se abre en una pestaña nueva)1x RTX 3090 (median of 32 offers)mercado mundial0,26 US$1 × RTX 3090 24GB unos 0,26 US$unos 186 US$
RunPod (se abre en una pestaña nueva)1x RTX 3090 Tius0,46 US$1 × RTX 3090 24GB unos 0,46 US$unos 336 US$
AWS (se abre en una pestaña nueva)g4dn.xlargeus-east-10,53 US$1 × T4 16GB unos 0,53 US$unos 384 US$
Azure (se abre en una pestaña nueva)NC4as_T4_v3eastus0,53 US$1 × T4 16GB unos 0,53 US$unos 384 US$
Google Cloud (se abre en una pestaña nueva)g2-standard-4us-central10,71 US$1 × L4 24GB unos 0,71 US$unos 516 US$
Lambda (se abre en una pestaña nueva)1x A6000us1,09 US$1 × RTX A6000 48GB unos 1,09 US$unos 796 US$
Nebius (se abre en una pestaña nueva)1x L40S 48GBeu/us1,55 US$1 × L40S 48GB unos 1,55 US$unos 1132 US$
Vultr (se abre en una pestaña nueva)vcg-l40s-16c-180g-48vramus1,67 US$1 × L40S 48GB unos 1,67 US$unos 1220 US$
CoreWeave (se abre en una pestaña nueva)GH200us6,50 US$1 × GH200 96GB unos 6,50 US$unos 4745 US$

Precios recogidos el 16 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai y Lium son mundiales).

Memoria por precisión y uso

Con un contexto de 8K tokens y una petición a la vez. LoRA y el ajuste completo parten de pesos de 16 bits y QLoRA de 4 bits, así que las demás celdas quedan vacías.
PrecisiónInferenciaAjuste LoRAAjuste QLoRAAjuste completo
FP16 / BF169,6 GB13 GB–69 GB
INT85,7 GB–––
INT43,5 GB–6,4 GB–

La GPU más barata por precisión

Inferencia con contexto de 8K y una petición a la vez.

FP16 / BF16

unos 9,6 GB · 8K tokens

Los pesos tal como se publican. Sin pérdidas, pero ocupa más.

1 × RTX 3090 24GB

Lium (se abre en una pestaña nueva) · 1x RTX 3090 Ti

Por GPU / h
0,16 US$
GPU necesarias
1
Total / h
unos 0,16 US$
al mes, 24/7, aprox.
117 US$

INT8

unos 5,7 GB · 8K tokens

Pesos a la mitad de tamaño. En chat y RAG apenas se nota.

1 × RTX 3090 24GB

Lium (se abre en una pestaña nueva) · 1x RTX 3090 Ti

Por GPU / h
0,16 US$
GPU necesarias
1
Total / h
unos 0,16 US$
al mes, 24/7, aprox.
117 US$

INT4

unos 3,5 GB · 8K tokens

Pesos a una cuarta parte. Las pequeñas pérdidas aparecen antes en matemáticas y código.

1 × RTX 3090 24GB

Lium (se abre en una pestaña nueva) · 1x RTX 3090 Ti

Por GPU / h
0,16 US$
GPU necesarias
1
Total / h
unos 0,16 US$
al mes, 24/7, aprox.
117 US$

Inferencia frente a ajuste fino

  • Inferencia (FP16)

    1×

    de la memoria que pide la inferencia

    9,6 GB

    1 × RTX 3090 24GB · unos 0,16 US$

  • Ajuste LoRA

    1,3×

    de la memoria que pide la inferencia

    13 GB

    1 × RTX 3090 24GB · unos 0,16 US$

  • Ajuste QLoRA

    0,7×

    de la memoria que pide la inferencia

    6,4 GB

    1 × RTX 3090 24GB · unos 0,16 US$

  • Ajuste completo

    7,2×

    de la memoria que pide la inferencia

    69 GB

    1 × RTX PRO 6000 96GB · unos 0,50 US$

Para servirlo en FP16 basta con 1 × RTX 3090 24GB (Lium). LoRA necesita 1 × RTX 3090 24GB (Lium), QLoRA 1 × RTX 3090 24GB (Lium) y un ajuste completo 1 × RTX PRO 6000 96GB (RunPod). Entrenar guarda en memoria las activaciones y el estado del optimizador además de los pesos; por eso suele pedir más GPU que servir el mismo modelo.

¿Funciona en un Mac o en una sola RTX 4090?

RTX 4090 (24 GB)

Sí, en FP16 / BF16 con contexto de 8K: unos 9,6 GB caben en los 24 GB de la tarjeta.

Mac con Apple silicon

Sí, con memoria suficiente. En INT4 necesita unos 3,5 GB, así que un Mac con 16 GB o más de memoria unificada (macOS deja a la GPU usar unas tres cuartas partes). La generación será más lenta que en una GPU de centro de datos.

Modelos parecidos

Modelos abiertos de tamaño parecido.

Calcular otro modelo

Qwen2.5 VL 3B Instruct: preguntas frecuentes

¿Cuánta VRAM necesita Qwen2.5 VL 3B Instruct?

Unos 9,6 GB en FP16, 5,7 GB en INT8 y 3,5 GB en INT4, con contexto de 8K y una petición a la vez. Los contextos más largos y más peticiones en paralelo añaden caché KV.

¿Cuál es la GPU más barata para ejecutar Qwen2.5 VL 3B Instruct?

1 × RTX 3090 24GB (unos 0,16 US$ por GPU / hora) en Lium, por unos 0,16 US$ la hora para inferencia en FP16 / BF16 con contexto de 8K. Precios recogidos el 16 nov 2026; cambian a menudo.

¿Puedo hacer ajuste fino de Qwen2.5 VL 3B Instruct en una sola GPU?

Sí, con QLoRA: necesita unos 6,4 GB, que caben en una GPU de 80 GB. LoRA necesita unos 13 GB y un ajuste completo unos 69 GB.

¿Cómo se calculan estas cifras?

Los pesos son los parámetros por los bytes por parámetro (2 en FP16, 1 en INT8, 0,5 en INT4). La caché KV sale de las capas, las cabezas KV, el tamaño de cabeza y la longitud de contexto del modelo. Añadimos un 10 % más 1 GB para el motor y llenamos cada GPU hasta el 90 %. Los precios son de lista bajo demanda en regiones de EE. UU., tomados de la página pública de cada proveedor.

¿Funciona Qwen2.5 VL 3B Instruct en una GPU de consumo como la RTX 4090?

Sí, en FP16 / BF16 con contexto de 8K: unos 9,6 GB caben en los 24 GB de la tarjeta.

¿Cabe Qwen2.5 VL 3B Instruct en una sola H100 de 80 GB?

Sí, en FP16 / BF16, INT8, INT4 con contexto de 8K.

¿Cuántas GPU necesito para Qwen2.5 VL 3B Instruct?

En FP16 con contexto de 8K: 1 × 80 GB, 1 × 48 GB o 1 × 24 GB. En INT4 los pesos ocupan más o menos la cuarta parte.

¿Cuánta VRAM necesita Qwen2.5 VL 3B Instruct en INT8?

Unos 5,7 GB: 3,9 GB para los pesos, 0,3 GB para una caché KV de 8K y 1,4 GB de sobrecarga del motor.

¿Cuánto cuesta tener Qwen2.5 VL 3B Instruct funcionando 24/7 durante un mes?

Unos 117 US$ con la configuración más barata que encontramos (1 × RTX 3090 24GB (unos 0,16 US$ por GPU / hora), 0,16 US$ la hora durante 730 horas). Lo más barato en AWS, Google Cloud o Azure ronda los 384 US$ al mes.

FP16, INT8 o INT4: ¿cuál uso?

FP16 conserva toda la calidad y necesita más memoria (unos 9,6 GB aquí). INT8 reduce los pesos a la mitad con poca pérdida para la mayoría de usos de chat. INT4 (AWQ, GPTQ o GGUF Q4) los deja en una cuarta parte, unos 3,5 GB en total, con una pequeña pérdida de calidad que se nota sobre todo en matemáticas y código.

¿Funciona Qwen2.5 VL 3B Instruct en un Mac?

Sí, con memoria suficiente. En INT4 necesita unos 3,5 GB, así que un Mac con 16 GB o más de memoria unificada (macOS deja a la GPU usar unas tres cuartas partes). La generación será más lenta que en una GPU de centro de datos.

¿vLLM o llama.cpp?

vLLM está pensado para servir muchas peticiones a la vez en GPU de NVIDIA y AMD y reserva casi toda la memoria de la GPU para la caché KV. llama.cpp ejecuta archivos GGUF casi en cualquier equipo, incluidos Mac y CPU, y va bien para una persona o un equipo pequeño. Con la misma precisión, la memoria necesaria es parecida.

Precios recogidos el 16 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai y Lium son mundiales).

Cómo calculamos

  • Pesos. Parámetros por bytes por parámetro: 2 en FP16, 1 en INT8, 0,5 en INT4, más un 5 % aproximado para las escalas de cuantización en INT8 e INT4.
  • Caché KV. 2 × capas × cabezas KV × tamaño de cabeza × contexto × peticiones × 2 bytes, según el config.json del modelo. Si falta un dato, lo estimamos y lo indicamos.
  • Sobrecarga. Alrededor de un 10 % más 1 GB para el motor, en línea con lo que reserva vLLM.
  • Ajuste fino. LoRA mantiene los pesos en 16 bits y añade un adaptador pequeño, su optimizador y las activaciones. QLoRA hace lo mismo sobre pesos de 4 bits. Un ajuste completo necesita unos 16 bytes por parámetro con Adam en precisión mixta (pesos, gradientes y estados del optimizador), más las activaciones.
  • GPU. Llenamos cada GPU hasta el 90 % de su memoria y paramos en 8 por nodo. Los costes son precios de lista bajo demanda en regiones de EE. UU.; en las nubes tipo mercado mostramos la oferta mediana.