Requisitos de GPU de Qwen3.8-27B: VRAM y GPU más barata
Qwen3.8-27B tiene 27,8 mil M parámetros, publicados en BF16. Admite hasta 256K tokens de contexto. Con esa longitud, solo la caché KV ocupa unos 17 GB por petición, así que los prompts largos pueden cambiar la GPU que necesitas. Se publica con licencia apache-2.0, que permite el uso comercial.
- Parámetros
- 27,8 mil M
- Mínimo de memoria (INT4)
- unos 18 GB
- GPU más barata por hora (FP16)
- 0,50 US$
- Tipo
- Visión
- Parámetros 27,8 mil M
- Tipo Visión
- Tarea image-text-to-text
- Contexto máximo 256K
- Licencia apache-2.0
- Descargas 7 M
- Me gusta 19,8 mil
Cálculo para Qwen3.8-27B
Más ajustes
Qwen3.8-27B necesita unos 63 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 56 GB
- Caché KV 0,54 GB
- Sobrecarga del motor 6,6 GB
- Total 63 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.
| Puesto | Configuración | Por GPU / h | GPU necesarias | Total / h | Total / mes (24/7) | Proveedor |
|---|---|---|---|---|---|---|
| 1 | 1 × RTX PRO 6000 96GBMás barataBlackwell · GDDR7 | 0,50 US$ | 1 | 0,50 US$ | 365 US$ | RunPod (se abre en una pestaña nueva)1x RTX PRO 6000 MaxQ |
| 2 | 3 × RTX 3090 24GBAmpere · GDDR6X | 0,26 US$ | 3se vende con 4 GPU; necesitas 3 | 1,06 US$ | 772 US$ | Vast.ai (se abre en una pestaña nueva)4x RTX 3090 (median of 5 offers) |
| 3 | 2 × A40 48GBAmpere · GDDR6 | 0,59 US$ | 2 | 1,18 US$ | 861 US$ | RunPod (se abre en una pestaña nueva)2x A40 |
| 4 | 1 × A100 80GBAmpere · HBM2e | 1,21 US$ | 1 | 1,21 US$ | 884 US$ | Vast.ai (se abre en una pestaña nueva)1x A100 SXM4 (median of 8 offers) |
| 5 | 2 × A100 40GBAmpere · HBM2 | 0,62 US$ | 2 | 1,24 US$ | 903 US$ | Vast.ai (se abre en una pestaña nueva)2x A100 SXM4 (median of 3 offers) |
| 6 | 2 × RTX A6000 48GBAmpere · GDDR6 | 0,69 US$ | 2 | 1,38 US$ | 1007 US$ | RunPod (se abre en una pestaña nueva)2x RTX A6000 |
| 7 | 2 × L40S 48GBAda Lovelace · GDDR6 | 0,79 US$ | 2 | 1,57 US$ | 1150 US$ | Vast.ai (se abre en una pestaña nueva)2x L40S (median of 4 offers) |
| 8 | 1 × GH200 96GBHopper · HBM3 | 1,99 US$ | 1 | 1,99 US$ | 1453 US$ | Vultr (se abre en una pestaña nueva)vbm-72c-480gb-gh200-gpu (bare metal) |
| 9 | 3 × RTX 4090 24GBAda Lovelace · GDDR6X | 0,53 US$ | 3se vende con 4 GPU; necesitas 3 | 2,14 US$ | 1561 US$ | Vast.ai (se abre en una pestaña nueva)4x RTX 4090 (median of 14 offers) |
| 10 | 2 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | 1,09 US$ | 2 | 2,18 US$ | 1591 US$ | RunPod (se abre en una pestaña nueva)2x RTX 6000 Ada |
| 11 | 1 × MI300X 192GBCDNA 3 · HBM3 | 2,39 US$ | 1 | 2,39 US$ | 1745 US$ | RunPod (se abre en una pestaña nueva)1x MI300X |
| 12 | 3 × L4 24GBAda Lovelace · GDDR6 | 0,69 US$ | 3se vende con 4 GPU; necesitas 3 | 2,76 US$ | 2015 US$ | RunPod (se abre en una pestaña nueva)4x L4 |
| 13 | 1 × H100 80GBHopper · HBM3 | 2,89 US$ | 1 | 2,89 US$ | 2110 US$ | RunPod (se abre en una pestaña nueva)1x H100 PCIe |
| 14 | 3 × RTX 5090 32GBBlackwell · GDDR7 | 0,73 US$ | 3se vende con 4 GPU; necesitas 3 | 2,94 US$ | 2143 US$ | Vast.ai (se abre en una pestaña nueva)4x RTX 5090 (median of 35 offers) |
| 15 | 1 × H100 NVL 94GBHopper · HBM3 | 3,19 US$ | 1 | 3,19 US$ | 2329 US$ | RunPod (se abre en una pestaña nueva)1x H100 NVL |
| 16 | 1 × H200 141GBHopper · HBM3e | 3,79 US$ | 1 | 3,79 US$ | 2767 US$ | RunPod (se abre en una pestaña nueva)1x H200 NVL |
| 17 | 3 × A10 24GBAmpere · GDDR6 | 1,42 US$ | 3se vende con 4 GPU; necesitas 3 | 5,67 US$ | 4141 US$ | AWS (se abre en una pestaña nueva)g5.12xlarge |
| 18 | 5 × V100 16GBVolta · HBM2 | 0,79 US$ | 5se vende con 8 GPU; necesitas 5 | 6,32 US$ | 4614 US$ | Lambda (se abre en una pestaña nueva)8x Tesla V100 |
| 19 | 5 × T4 16GBTuring · GDDR6 | 0,98 US$ | 5se vende con 8 GPU; necesitas 5 | 7,82 US$ | 5712 US$ | AWS (se abre en una pestaña nueva)g4dn.metal |
| 20 | 1 × B200 180GBBlackwell · HBM3e | 7,99 US$ | 1 | 7,99 US$ | 5833 US$ | RunPod (se abre en una pestaña nueva)1x B200 |
| 21 | 1 × B300 288GBBlackwell Ultra · HBM3e | 8,99 US$ | 1 | 8,99 US$ | 6563 US$ | RunPod (se abre en una pestaña nueva)1x B300 |
| 22 | 1 × GB200 186GBBlackwell · HBM3e | 10,50 US$ | 1se vende con 4 GPU; necesitas 1 | 42,00 US$ | 30.660 US$ | CoreWeave (se abre en una pestaña nueva)GB200 NVL72 |
| Proveedor | Instancia | Por GPU / h | GPU necesarias | Total / h | Total / mes (24/7) |
|---|---|---|---|---|---|
| RunPod (se abre en una pestaña nueva)Más barata | 1x RTX PRO 6000 MaxQus | 0,50 US$ | 1 × RTX PRO 6000 96GB | unos 0,50 US$ | unos 365 US$ |
| Vast.ai (se abre en una pestaña nueva) | 4x RTX 3090 (median of 5 offers)mercado mundial | 0,26 US$ | 3 × RTX 3090 24GB se vende con 4 GPU; necesitas 3 | unos 1,06 US$ | unos 772 US$ |
| Nebius (se abre en una pestaña nueva) | 1x RTX PRO 6000 96GBeu/us | 1,80 US$ | 1 × RTX PRO 6000 96GB | unos 1,80 US$ | unos 1314 US$ |
| Vultr (se abre en una pestaña nueva) | vbm-72c-480gb-gh200-gpu (bare metal)us | 1,99 US$ | 1 × GH200 96GB | unos 1,99 US$ | unos 1453 US$ |
| Lambda (se abre en una pestaña nueva) | 2x A6000us | 1,09 US$ | 2 × RTX A6000 48GB | unos 2,18 US$ | unos 1591 US$ |
| AWS (se abre en una pestaña nueva) | g7e.2xlargeus-east-1 | 3,36 US$ | 1 × RTX PRO 6000 96GB | unos 3,36 US$ | unos 2455 US$ |
| Azure (se abre en una pestaña nueva) | NC24ads_A100_v4eastus | 3,67 US$ | 1 × A100 80GB | unos 3,67 US$ | unos 2681 US$ |
| Google Cloud (se abre en una pestaña nueva) | g2-standard-48us-central1 | 1,00 US$ | 3 × L4 24GB se vende con 4 GPU; necesitas 3 | unos 4,00 US$ | unos 2921 US$ |
| CoreWeave (se abre en una pestaña nueva) | GH200us | 6,50 US$ | 1 × GH200 96GB | unos 6,50 US$ | unos 4745 US$ |
Precios recogidos el 13 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai son mundiales).
Memoria por precisión y uso
| Precisión | Inferencia | Ajuste LoRA | Ajuste QLoRA | Ajuste completo |
|---|---|---|---|---|
| FP16 / BF16 | 63 GB | 79 GB | – | 497 GB |
| INT8 | 34 GB | – | – | – |
| INT4 | 18 GB | – | 34 GB | – |
La GPU más barata por precisión
Inferencia con contexto de 8K y una petición a la vez.
FP16 / BF16
unos 63 GB · 8K tokens
Los pesos tal como se publican. Sin pérdidas, pero ocupa más.
1 × RTX PRO 6000 96GB
RunPod (se abre en una pestaña nueva) · 1x RTX PRO 6000 MaxQ
- Por GPU / h
- 0,50 US$
- GPU necesarias
- 1
- Total / h
- unos 0,50 US$
- al mes, 24/7, aprox.
- 365 US$
INT8
unos 34 GB · 8K tokens
Pesos a la mitad de tamaño. En chat y RAG apenas se nota.
1 × RTX PRO 6000 96GB
RunPod (se abre en una pestaña nueva) · 1x RTX PRO 6000 MaxQ
- Por GPU / h
- 0,50 US$
- GPU necesarias
- 1
- Total / h
- unos 0,50 US$
- al mes, 24/7, aprox.
- 365 US$
INT4
unos 18 GB · 8K tokens
Pesos a una cuarta parte. Las pequeñas pérdidas aparecen antes en matemáticas y código.
1 × RTX 3090 24GB
Vast.ai (se abre en una pestaña nueva) · 1x RTX 3090 (median of 29 offers)
- Por GPU / h
- 0,25 US$
- GPU necesarias
- 1
- Total / h
- unos 0,25 US$
- al mes, 24/7, aprox.
- 183 US$
Inferencia frente a ajuste fino
Inferencia (FP16)
1×
de la memoria que pide la inferencia
63 GB
1 × RTX PRO 6000 96GB · unos 0,50 US$
Ajuste LoRA
1,3×
de la memoria que pide la inferencia
79 GB
1 × RTX PRO 6000 96GB · unos 0,50 US$
Ajuste QLoRA
0,5×
de la memoria que pide la inferencia
34 GB
1 × RTX PRO 6000 96GB · unos 0,50 US$
Ajuste completo
7,9×
de la memoria que pide la inferencia
497 GB
3 × MI300X 192GB · unos 9,56 US$
Para servirlo en FP16 basta con 1 × RTX PRO 6000 96GB (RunPod). LoRA necesita 1 × RTX PRO 6000 96GB (RunPod), QLoRA 1 × RTX PRO 6000 96GB (RunPod) y un ajuste completo 3 × MI300X 192GB (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 INT4 con contexto de 8K: unos 18 GB caben en los 24 GB de la tarjeta.
Mac con Apple silicon
Sí, con memoria suficiente. En INT4 necesita unos 18 GB, así que un Mac con 24 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.
¿Ejecutarlo tú o pagar por token?
Ejecutarlo tú
La configuración más barata que encontramos en FP16 es 1 × RTX PRO 6000 96GB en RunPod, unos 365 US$ al mes si funciona sin parar. Compensa con tráfico constante o si los datos deben quedarse en tus máquinas.
Usar una API alojada
Nuestra reseña de Qwen3.8-27B explica dónde usarlo mediante una API y cuánto cuesta. Pagar por token suele salir más barato con tráfico ligero o irregular.
Lee nuestra reseñaModelos parecidos
Modelos abiertos de tamaño parecido.
- Qwen3.6 27BVisión27,8 mil M · unos 63 GB FP16 · 2,4 M ↓Necesidades de GPU
- Qwen3.5 27BVisión27,8 mil M · unos 63 GB FP16 · 1,7 M ↓Necesidades de GPU
- AutoTrust Decider Pro Vision 27BVisión27,8 mil M · unos 63 GB FP16 · 1,5 M ↓Necesidades de GPU
- ClefVisión27,4 mil M · unos 62 GB FP16 · 73,5 mil ↓Necesidades de GPU
- Qwen3.8 27B Coder390 EfficientThink Opus5.5 GPT6Astra Grok4.7 DSV4Pro K3 SFT RLOO MTP DFlash2Visión27,3 mil M · unos 63 GB FP16 · 915,7 mil ↓Necesidades de GPU
- Muse GlimmerVisión29,8 mil M · unos 67 GB FP16 · 159,2 mil ↓Necesidades de GPU
Qwen3.8-27B: preguntas frecuentes
¿Cuánta VRAM necesita Qwen3.8-27B?
Unos 63 GB en FP16, 34 GB en INT8 y 18 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 Qwen3.8-27B?
1 × RTX PRO 6000 96GB (unos 0,50 US$ por GPU / hora) en RunPod, por unos 0,50 US$ la hora para inferencia en FP16 / BF16 con contexto de 8K. Precios recogidos el 13 nov 2026; cambian a menudo.
¿Puedo hacer ajuste fino de Qwen3.8-27B en una sola GPU?
Sí, con QLoRA: necesita unos 34 GB, que caben en una GPU de 80 GB. LoRA necesita unos 79 GB y un ajuste completo unos 497 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 Qwen3.8-27B en una GPU de consumo como la RTX 4090?
Sí, en INT4 con contexto de 8K: unos 18 GB caben en los 24 GB de la tarjeta.
¿Cabe Qwen3.8-27B en una sola H100 de 80 GB?
Sí, en FP16 / BF16, INT8, INT4 con contexto de 8K.
¿Cuántas GPU necesito para Qwen3.8-27B?
En FP16 con contexto de 8K: 1 × 80 GB, 2 × 48 GB o 3 × 24 GB. En INT4 los pesos ocupan más o menos la cuarta parte.
¿Cuánta VRAM necesita Qwen3.8-27B en INT8?
Unos 34 GB: 29 GB para los pesos, 0,54 GB para una caché KV de 8K y 4 GB de sobrecarga del motor.
¿Cuánto cuesta tener Qwen3.8-27B funcionando 24/7 durante un mes?
Unos 365 US$ con la configuración más barata que encontramos (1 × RTX PRO 6000 96GB (unos 0,50 US$ por GPU / hora), 0,50 US$ la hora durante 730 horas). Lo más barato en AWS, Google Cloud o Azure ronda los 2455 US$ al mes.
FP16, INT8 o INT4: ¿cuál uso?
FP16 conserva toda la calidad y necesita más memoria (unos 63 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 18 GB en total, con una pequeña pérdida de calidad que se nota sobre todo en matemáticas y código.
¿Funciona Qwen3.8-27B en un Mac?
Sí, con memoria suficiente. En INT4 necesita unos 18 GB, así que un Mac con 24 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 13 nov 2026. Todos los costes son aproximados: bajo demanda, en dólares, sobre todo regiones de EE. UU. (los mercados como Vast.ai 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.