Requisitos de GPU de Qwen3 Embedding 4B: VRAM y GPU más barata
Qwen3 Embedding 4B tiene 4021,8 M parámetros, publicados en BF16. Se publica con licencia apache-2.0, que permite el uso comercial.
- Parámetros
- 4021,8 M
- Mínimo de memoria (INT4)
- unos 3,3 GB
- GPU más barata por hora (FP16)
- 0,25 US$
- Tipo
- Embeddings
Qwen/Qwen3-Embedding-4B
- Parámetros 4021,8 M
- Tipo Embeddings
- Tarea feature-extraction
- Contexto máximo 40K
- Licencia apache-2.0
- Descargas 2,4 M
- Me gusta 352
Cálculo para Qwen3 Embedding 4B
Más ajustes
Qwen3 Embedding 4B necesita unos 9,8 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 8 GB
- Sobrecarga del motor 1,8 GB
- Total 9,8 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 3090 24GBMás barataAmpere · GDDR6X | 0,25 US$ | 1 | 0,25 US$ | 183 US$ | Vast.ai (se abre en una pestaña nueva)1x RTX 3090 (median of 29 offers) |
| 2 | 1 × V100 16GBVolta · HBM2 | 0,15 US$ | 1se vende con 2 GPU; necesitas 1 | 0,30 US$ | 220 US$ | Vast.ai (se abre en una pestaña nueva)2x Tesla V100 (median of 4 offers) |
| 3 | 1 × RTX 4090 24GBAda Lovelace · GDDR6X | 0,48 US$ | 1 | 0,48 US$ | 354 US$ | Vast.ai (se abre en una pestaña nueva)1x RTX 4090 (median of 34 offers) |
| 4 | 1 × RTX PRO 6000 96GBBlackwell · GDDR7 | 0,50 US$ | 1 | 0,50 US$ | 365 US$ | RunPod (se abre en una pestaña nueva)1x RTX PRO 6000 MaxQ |
| 5 | 1 × T4 16GBTuring · GDDR6 | 0,53 US$ | 1 | 0,53 US$ | 384 US$ | AWS (se abre en una pestaña nueva)g4dn.xlarge |
| 6 | 1 × A40 48GBAmpere · GDDR6 | 0,59 US$ | 1 | 0,59 US$ | 431 US$ | RunPod (se abre en una pestaña nueva)1x A40 |
| 7 | 1 × RTX 6000 Ada 48GBAda Lovelace · GDDR6 | 0,67 US$ | 1 | 0,67 US$ | 488 US$ | Vast.ai (se abre en una pestaña nueva)1x RTX 6000Ada (median of 8 offers) |
| 8 | 1 × A100 40GBAmpere · HBM2 | 0,68 US$ | 1 | 0,68 US$ | 497 US$ | Vast.ai (se abre en una pestaña nueva)1x A100 SXM4 (median of 8 offers) |
| 9 | 1 × RTX A6000 48GBAmpere · GDDR6 | 0,69 US$ | 1 | 0,69 US$ | 504 US$ | RunPod (se abre en una pestaña nueva)1x RTX A6000 |
| 10 | 1 × L4 24GBAda Lovelace · GDDR6 | 0,69 US$ | 1 | 0,69 US$ | 504 US$ | RunPod (se abre en una pestaña nueva)1x L4 |
| 11 | 1 × L40S 48GBAda Lovelace · GDDR6 | 0,78 US$ | 1 | 0,78 US$ | 571 US$ | Vast.ai (se abre en una pestaña nueva)1x L40S (median of 6 offers) |
| 12 | 1 × RTX 5090 32GBBlackwell · GDDR7 | 0,87 US$ | 1 | 0,87 US$ | 634 US$ | Vast.ai (se abre en una pestaña nueva)1x RTX 5090 (median of 55 offers) |
| 13 | 1 × A10 24GBAmpere · GDDR6 | 1,01 US$ | 1 | 1,01 US$ | 734 US$ | AWS (se abre en una pestaña nueva)g5.xlarge |
| 14 | 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) |
| 15 | 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) |
| 16 | 1 × MI300X 192GBCDNA 3 · HBM3 | 2,39 US$ | 1 | 2,39 US$ | 1745 US$ | RunPod (se abre en una pestaña nueva)1x MI300X |
| 17 | 1 × H100 80GBHopper · HBM3 | 2,89 US$ | 1 | 2,89 US$ | 2110 US$ | RunPod (se abre en una pestaña nueva)1x H100 PCIe |
| 18 | 1 × H100 NVL 94GBHopper · HBM3 | 3,19 US$ | 1 | 3,19 US$ | 2329 US$ | RunPod (se abre en una pestaña nueva)1x H100 NVL |
| 19 | 1 × H200 141GBHopper · HBM3e | 3,79 US$ | 1 | 3,79 US$ | 2767 US$ | RunPod (se abre en una pestaña nueva)1x H200 NVL |
| 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) |
|---|---|---|---|---|---|
| Vast.ai (se abre en una pestaña nueva)Más barata | 1x RTX 3090 (median of 29 offers)mercado mundial | 0,25 US$ | 1 × RTX 3090 24GB | unos 0,25 US$ | unos 183 US$ |
| RunPod (se abre en una pestaña nueva) | 1x RTX 3090 Tius | 0,46 US$ | 1 × RTX 3090 24GB | unos 0,46 US$ | unos 336 US$ |
| AWS (se abre en una pestaña nueva) | g4dn.xlargeus-east-1 | 0,53 US$ | 1 × T4 16GB | unos 0,53 US$ | unos 384 US$ |
| Azure (se abre en una pestaña nueva) | NC4as_T4_v3eastus | 0,53 US$ | 1 × T4 16GB | unos 0,53 US$ | unos 384 US$ |
| Google Cloud (se abre en una pestaña nueva) | g2-standard-4us-central1 | 0,71 US$ | 1 × L4 24GB | unos 0,71 US$ | unos 516 US$ |
| Lambda (se abre en una pestaña nueva) | 1x A6000us | 1,09 US$ | 1 × RTX A6000 48GB | unos 1,09 US$ | unos 796 US$ |
| Nebius (se abre en una pestaña nueva) | 1x L40S 48GBeu/us | 1,55 US$ | 1 × L40S 48GB | unos 1,55 US$ | unos 1132 US$ |
| Vultr (se abre en una pestaña nueva) | vcg-l40s-16c-180g-48vramus | 1,67 US$ | 1 × L40S 48GB | unos 1,67 US$ | unos 1220 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 | 9,8 GB | 14 GB | – | 74 GB |
| INT8 | 5,6 GB | – | – | – |
| INT4 | 3,3 GB | – | 7,2 GB | – |
La GPU más barata por precisión
Inferencia con contexto de 8K y una petición a la vez.
FP16 / BF16
unos 9,8 GB · 8K tokens
Los pesos tal como se publican. Sin pérdidas, pero ocupa más.
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$
INT8
unos 5,6 GB · 8K tokens
Pesos a la mitad de tamaño. En chat y RAG apenas se nota.
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$
INT4
unos 3,3 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
9,8 GB
1 × RTX 3090 24GB · unos 0,25 US$
Ajuste LoRA
1,4×
de la memoria que pide la inferencia
14 GB
1 × RTX 3090 24GB · unos 0,25 US$
Ajuste QLoRA
0,7×
de la memoria que pide la inferencia
7,2 GB
1 × RTX 3090 24GB · unos 0,25 US$
Ajuste completo
7,5×
de la memoria que pide la inferencia
74 GB
1 × RTX PRO 6000 96GB · unos 0,50 US$
Para servirlo en FP16 basta con 1 × RTX 3090 24GB (Vast.ai). LoRA necesita 1 × RTX 3090 24GB (Vast.ai), QLoRA 1 × RTX 3090 24GB (Vast.ai) 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 9,8 GB caben en los 24 GB de la tarjeta.
Mac con Apple silicon
Sí, con memoria suficiente. En INT4 necesita unos 3,3 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.
- zerank-2Embeddings4022,5 M · unos 9,8 GB FP16 · 68,2 mil ↓Necesidades de GPU
- Qwen3-Embedding and Qwen3-RerankerEmbeddings7567,3 M · unos 18 GB FP16 · 2,3 M ↓Necesidades de GPU
- Qwen3 VL Embedding 2BEmbeddings2127,5 M · unos 5,7 GB FP16 · 480,3 mil ↓Necesidades de GPU
- Qwen3-VL-EmbeddingEmbeddings8144,8 M · unos 19 GB FP16 · 582,7 mil ↓Necesidades de GPU
- Nemotron 3.5 Rerank 8BEmbeddings8381,2 M · unos 19 GB FP16 · 8,2 mil ↓Necesidades de GPU
- Nemotron ColEmbed V2Embeddings8767,1 M · unos 20 GB FP16 · 1,3 mil ↓Necesidades de GPU
Qwen3 Embedding 4B: preguntas frecuentes
¿Cuánta VRAM necesita Qwen3 Embedding 4B?
Unos 9,8 GB en FP16, 5,6 GB en INT8 y 3,3 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 Embedding 4B?
1 × RTX 3090 24GB (unos 0,25 US$ por GPU / hora) en Vast.ai, por unos 0,25 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 Embedding 4B en una sola GPU?
Sí, con QLoRA: necesita unos 7,2 GB, que caben en una GPU de 80 GB. LoRA necesita unos 14 GB y un ajuste completo unos 74 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 Embedding 4B en una GPU de consumo como la RTX 4090?
Sí, en FP16 / BF16 con contexto de 8K: unos 9,8 GB caben en los 24 GB de la tarjeta.
¿Cabe Qwen3 Embedding 4B en una sola H100 de 80 GB?
Sí, en FP16 / BF16, INT8, INT4 con contexto de 8K.
¿Cuántas GPU necesito para Qwen3 Embedding 4B?
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 Qwen3 Embedding 4B en INT8?
Unos 5,6 GB, solo pesos y sobrecarga del motor: este modelo procesa la entrada de una vez, así que no guarda caché KV.
¿Cuánto cuesta tener Qwen3 Embedding 4B funcionando 24/7 durante un mes?
Unos 183 US$ con la configuración más barata que encontramos (1 × RTX 3090 24GB (unos 0,25 US$ por GPU / hora), 0,25 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 9,8 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 3,3 GB en total, con una pequeña pérdida de calidad que se nota sobre todo en matemáticas y código.
¿Funciona Qwen3 Embedding 4B en un Mac?
Sí, con memoria suficiente. En INT4 necesita unos 3,3 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 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.