> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-es/primeros-pasos/gpu-comparison.md).

# Comparación de GPU

Guía completa de comparación de GPUs para cargas de trabajo de IA en Clore.ai

Comparación completa de las GPUs disponibles en CLORE.AI para cargas de trabajo de IA.

{% hint style="success" %}
Encuentra la GPU adecuada para tu tarea en [Marketplace de CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Recomendación rápida

| Tu tarea                        | Opción económica | Mejor relación calidad-precio | Máximo rendimiento |
| ------------------------------- | ---------------- | ----------------------------- | ------------------ |
| Chat con IA (7B)                | RTX 3060 12GB    | RTX 3090 24GB                 | RTX 5090 32GB      |
| Chat con IA (70B)               | RTX 3090 24GB    | RTX 5090 32GB                 | A100 80GB          |
| Generación de imágenes (SD 1.5) | RTX 3060 12GB    | RTX 3090 24GB                 | RTX 5090 32GB      |
| Generación de imágenes (SDXL)   | RTX 3090 24GB    | RTX 4090 24GB                 | RTX 5090 32GB      |
| Generación de imágenes (FLUX)   | RTX 3090 24GB    | RTX 5090 32GB                 | A100 80GB          |
| Generación de video             | RTX 4090 24GB    | RTX 5090 32GB                 | A100 80GB          |
| Entrenamiento de modelos        | A100 40GB        | A100 80GB                     | H100 80GB          |

## GPUs de consumo

### NVIDIA RTX 3060 12GB

**Mejor para:** IA económica, SD 1.5, LLMs pequeños

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 12 GB GDDR6    |
| Ancho de banda de memoria | 360 GB/s       |
| Rendimiento FP16          | 12.7 TFLOPS    |
| Núcleos Tensor            | 112 (3.ª gen.) |
| TDP                       | 170W           |
| \~Precio/hora             | $0.02-0.04     |

**Capacidades:**

* ✅ Ollama con modelos de 7B (Q4)
* ✅ Stable Diffusion 1.5 (512x512)
* ✅ SDXL (768x768, lento)
* ⚠️ FLUX schnell (con descarga a CPU)
* ❌ Modelos grandes (>13B)
* ❌ Generación de vídeo

***

### NVIDIA RTX 3070/3070 Ti 8GB

**Mejor para:** SD 1.5, tareas ligeras

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 8 GB GDDR6X    |
| Ancho de banda de memoria | 448-608 GB/s   |
| Rendimiento FP16          | 20.3 TFLOPS    |
| Núcleos Tensor            | 184 (3.ª gen.) |
| TDP                       | 220-290W       |
| \~Precio/hora             | $0.02-0.04     |

**Capacidades:**

* ✅ Ollama con modelos de 7B (Q4)
* ✅ Stable Diffusion 1.5 (512x512)
* ⚠️ SDXL (solo baja resolución)
* ❌ FLUX (VRAM insuficiente)
* ❌ Modelos >7B
* ❌ Generación de vídeo

***

### NVIDIA RTX 3080/3080 Ti 10-12GB

**Mejor para:** Tareas generales de IA, buen equilibrio

| Especificaciones          | Valor              |
| ------------------------- | ------------------ |
| VRAM                      | 10-12 GB GDDR6X    |
| Ancho de banda de memoria | 760-912 GB/s       |
| Rendimiento FP16          | 29.8-34.1 TFLOPS   |
| Núcleos Tensor            | 272-320 (3.ª gen.) |
| TDP                       | 320-350W           |
| \~Precio/hora             | $0.04-0.06         |

**Capacidades:**

* ✅ Ollama con modelos de 13B
* ✅ Stable Diffusion 1.5/2.1
* ✅ SDXL (1024x1024)
* ⚠️ FLUX schnell (con descarga)
* ❌ Modelos grandes (>13B)
* ❌ Generación de vídeo

***

### NVIDIA RTX 3090/3090 Ti 24GB

**Mejor para:** SDXL, LLMs de 13B-30B, ControlNet

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 24 GB GDDR6X   |
| Ancho de banda de memoria | 936 GB/s       |
| Rendimiento FP16          | 35.6 TFLOPS    |
| Núcleos Tensor            | 328 (3.ª gen.) |
| TDP                       | 350-450W       |
| \~Precio/hora             | $0.05-0.08     |

**Capacidades:**

* ✅ Ollama con modelos de 30B
* ✅ vLLM con modelos de 13B
* ✅ Todos los modelos de Stable Diffusion
* ✅ SDXL + ControlNet
* ✅ FLUX schnell (1024x1024)
* ⚠️ FLUX dev (con descarga)
* ⚠️ Vídeo (clips cortos)

***

### NVIDIA RTX 4070 Ti 12GB

**Mejor para:** SD 1.5 rápido, inferencia eficiente

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 12 GB GDDR6X   |
| Ancho de banda de memoria | 504 GB/s       |
| Rendimiento FP16          | 40.1 TFLOPS    |
| Núcleos Tensor            | 184 (4.ª gen.) |
| TDP                       | 285W           |
| \~Precio/hora             | $0.04-0.06     |

**Capacidades:**

* ✅ Ollama con modelos de 7B (rápido)
* ✅ Stable Diffusion 1.5 (muy rápido)
* ✅ SDXL (768x768)
* ⚠️ FLUX schnell (resolución limitada)
* ❌ Modelos grandes (>13B)
* ❌ Generación de vídeo

***

### NVIDIA RTX 4080 16GB

**Mejor para:** SDXL en producción, LLMs de 13B

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 16 GB GDDR6X   |
| Ancho de banda de memoria | 717 GB/s       |
| Rendimiento FP16          | 48.7 TFLOPS    |
| Núcleos Tensor            | 304 (4.ª gen.) |
| TDP                       | 320W           |
| \~Precio/hora             | $0.06-0.09     |

**Capacidades:**

* ✅ Ollama con modelos de 13B (rápido)
* ✅ vLLM con modelos de 7B
* ✅ Todos los modelos de Stable Diffusion
* ✅ SDXL + ControlNet
* ✅ FLUX schnell (1024x1024)
* ⚠️ FLUX dev (limitado)
* ⚠️ Clips cortos de vídeo

***

### NVIDIA RTX 4090 24GB

**Mejor para:** Rendimiento de gama alta para consumo, FLUX, vídeo

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 24 GB GDDR6X   |
| Ancho de banda de memoria | 1008 GB/s      |
| Rendimiento FP16          | 82.6 TFLOPS    |
| Núcleos Tensor            | 512 (4.ª gen.) |
| TDP                       | 450W           |
| \~Precio/hora             | $0.08-0.12     |

**Capacidades:**

* ✅ Ollama con modelos de 30B (rápido)
* ✅ vLLM con modelos de 13B
* ✅ Todos los modelos de generación de imágenes
* ✅ FLUX dev (1024x1024)
* ✅ Generación de vídeo (corto)
* ✅ AnimateDiff
* ⚠️ Modelos de 70B (solo Q4)

***

### NVIDIA RTX 5080 16GB *(Nuevo — feb 2025)*

**Mejor para:** SDXL/FLUX rápidos, LLMs de 13B-30B, gama media de alto rendimiento

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 16 GB GDDR7    |
| Ancho de banda de memoria | 960 GB/s       |
| Rendimiento FP16          | \~80 TFLOPS    |
| Núcleos Tensor            | 336 (5.ª gen.) |
| TDP                       | 360W           |
| \~Precio/hora de Clore.ai | $1.50-2.00     |

**Capacidades:**

* ✅ Ollama con modelos de 13B (rápido)
* ✅ vLLM con modelos de 13B
* ✅ Todos los modelos de Stable Diffusion
* ✅ SDXL + ControlNet (muy rápido)
* ✅ FLUX schnell/dev (1024x1024)
* ✅ Clips cortos de vídeo
* ⚠️ Modelos de 30B (solo Q4)
* ❌ Modelos de 70B

***

### NVIDIA RTX 5090 32GB *(Buque insignia — feb 2025)*

**Mejor para:** Máximo rendimiento para consumo, modelos de 70B, generación de vídeo en alta resolución

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 32 GB GDDR7    |
| Ancho de banda de memoria | 1792 GB/s      |
| Rendimiento FP16          | \~120 TFLOPS   |
| Núcleos Tensor            | 680 (5.ª gen.) |
| TDP                       | 575W           |
| \~Precio/hora de Clore.ai | $3.00-4.00     |

**Capacidades:**

* ✅ Ollama con modelos de 70B (Q4, rápido)
* ✅ vLLM con modelos de 30B
* ✅ Todos los modelos de generación de imágenes
* ✅ FLUX dev (1536x1536)
* ✅ Generación de vídeo (clips más largos)
* ✅ AnimateDiff + ControlNet
* ✅ Entrenamiento de modelos (LoRA, pequeños fine-tunes)
* ✅ DeepSeek-R1 32B distill (FP16)

## GPUs profesionales/de centro de datos

{% hint style="warning" %}
**Los equipos multinodo de clase 80GB no aparecen listados en el marketplace de Clore.ai.** Los equipos más grandes listados hoy son 4× RTX PRO 6000 Blackwell (96GB cada una, 380GB en total) y 8–11× RTX 5090 (32GB cada una). La capacidad A100 / H200 / B200 se vende como [bare metal](https://clore.ai/bare-metal) bajo pedido. Consulta [Precios y disponibilidad de GPU](/guides/guides_v2-es/primeros-pasos/pricing.md) antes de dimensionar un despliegue.
{% endhint %}

### NVIDIA A100 40GB

**Mejor para:** LLMs en producción, entrenamiento, modelos grandes

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 40 GB HBM2e    |
| Ancho de banda de memoria | 1555 GB/s      |
| Rendimiento FP16          | 77.97 TFLOPS   |
| Núcleos Tensor            | 432 (3.ª gen.) |
| TDP                       | 400W           |
| \~Precio/hora             | $0.15-0.20     |

**Capacidades:**

* ✅ Ollama con modelos de 70B (Q4)
* ✅ Servicio en producción con vLLM
* ✅ Todas las generaciones de imágenes
* ✅ FLUX dev (alta calidad)
* ✅ Generación de vídeo
* ✅ Ajuste fino de modelos
* ⚠️ 70B FP16 (ajustado)

***

### NVIDIA A100 80GB

**Mejor para:** Modelos de 70B+, vídeo, cargas de trabajo de producción

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 80 GB HBM2e    |
| Ancho de banda de memoria | 2039 GB/s      |
| Rendimiento FP16          | 77.97 TFLOPS   |
| Núcleos Tensor            | 432 (3.ª gen.) |
| TDP                       | 400W           |
| \~Precio/hora             | $0.20-0.30     |

**Capacidades:**

* ✅ Todos los LLMs hasta 70B (FP16)
* ✅ Servicio de alto rendimiento con vLLM
* ✅ Todas las generaciones de imágenes
* ✅ Generación de vídeo larga
* ✅ Entrenamiento de modelos
* ✅ DeepSeek-V3 (parcial)
* ⚠️ Modelos de 100B+

***

### NVIDIA H100 80GB

**Mejor para:** Máximo rendimiento, los modelos más grandes

| Especificaciones          | Valor          |
| ------------------------- | -------------- |
| VRAM                      | 80 GB HBM3     |
| Ancho de banda de memoria | 3350 GB/s      |
| Rendimiento FP16          | 267 TFLOPS     |
| Núcleos Tensor            | 528 (4.ª gen.) |
| TDP                       | 700W           |
| \~Precio/hora             | $0.40-0.60     |

**Capacidades:**

* ✅ Todos los modelos con la máxima velocidad
* ✅ Modelos con más de 100B parámetros
* ✅ Servicio multimodelo
* ✅ Entrenamiento a gran escala
* ✅ Generación de vídeo en tiempo real
* ✅ DeepSeek-V3 (671B)

## Comparaciones de rendimiento

### Inferencia de LLM (tokens por segundo)

| GPU           | Llama 3 8B | Llama 3 70B | Mixtral 8x7B | Clore.ai $/h |
| ------------- | ---------- | ----------- | ------------ | ------------ |
| RTX 3060 12GB | 25         | -           | -            | $0.02-0.04   |
| RTX 3090 24GB | 45         | 8\*         | 20\*         | $0.15-0.25   |
| RTX 4090 24GB | 80         | 15\*        | 35\*         | $0.35-0.55   |
| RTX 5080 16GB | 95         | -           | 40\*         | $1.50-2.00   |
| RTX 5090 32GB | 150        | 30\*        | 65\*         | $3.00-4.00   |
| A100 40GB     | 100        | 25          | 45           | $0.80-1.20   |
| A100 80GB     | 110        | 40          | 55           | $1.20-1.80   |
| H100 80GB     | 180        | 70          | 90           | $2.50-3.50   |

\*Con cuantización (Q4/Q8)

### Velocidad de generación de imágenes

| GPU           | SD 1.5 (512) | SDXL (1024) | FLUX schnell | Clore.ai $/h |
| ------------- | ------------ | ----------- | ------------ | ------------ |
| RTX 3060 12GB | 4 sec        | 15 sec      | 25 s\*       | $0.02-0.04   |
| RTX 3090 24GB | 2 sec        | 7 sec       | 12 s         | $0.15-0.25   |
| RTX 4090 24GB | 1 sec        | 3 sec       | 5 sec        | $0.35-0.55   |
| RTX 5080 16GB | 0,8 s        | 2,5 s       | 4 sec        | $1.50-2.00   |
| RTX 5090 32GB | 0,6 s        | 1,8 s       | 3 sec        | $3.00-4.00   |
| A100 40GB     | 1,5 s        | 4 sec       | 6 s          | $0.80-1.20   |
| A100 80GB     | 1,5 s        | 4 sec       | 5 sec        | $1.20-1.80   |

\*Con descarga a CPU, menor resolución

### Generación de vídeo (clip de 5 s)

| GPU           | SVD     | Wan2.1  | Hunyuan |
| ------------- | ------- | ------- | ------- |
| RTX 3090 24GB | 3 min   | 5 min\* | -       |
| RTX 4090 24GB | 1.5 min | 3 min   | 8 min\* |
| RTX 5090 32GB | 1 min   | 2 min   | 5 min   |
| A100 40GB     | 1 min   | 2 min   | 5 min   |
| A100 80GB     | 45 s    | 1.5 min | 3 min   |

\*Resolución limitada

## Relación precio/rendimiento

### Mejor valor por tarea

**Chat/LLM (modelos de 7B-13B):**

1. 🥇 RTX 3090 24GB - Mejor relación precio/rendimiento
2. 🥈 RTX 3060 12GB - Menor coste
3. 🥉 RTX 4090 24GB - La más rápida

**Generación de imágenes (SDXL/FLUX):**

1. 🥇 RTX 3090 24GB - Gran equilibrio
2. 🥈 RTX 4090 24GB - 2x más rápida
3. 🥉 A100 40GB - Estabilidad para producción

**Modelos grandes (70B+):**

1. 🥇 A100 40GB - Mejor valor para 70B
2. 🥈 A100 80GB - Precisión completa
3. 🥉 RTX 4090 24GB - Opción económica (solo Q4)

**Generación de vídeo:**

1. 🥇 A100 40GB - Buen equilibrio
2. 🥈 RTX 4090 24GB - Opción de consumo
3. 🥉 A100 80GB - Clips más largos

**Entrenamiento de modelos:**

1. 🥇 A100 40GB - Opción estándar
2. 🥈 A100 80GB - Modelos grandes
3. 🥉 RTX 4090 24GB - Modelos pequeños/LoRA

## Configuraciones multi-GPU

Algunas tareas se benefician de varias GPUs:

| Configuración | Caso de uso                    | VRAM total |
| ------------- | ------------------------------ | ---------- |
| 2x RTX 3090   | Inferencia de 70B              | 48GB       |
| 2x RTX 4090   | 70B rápido, entrenamiento      | 48GB       |
| 2x RTX 5090   | 70B FP16, entrenamiento rápido | 64GB       |
| 4x RTX 5090   | Modelos de 100B+               | 128 GB     |
| 4x A100 40GB  | Modelos de 100B+               | 160 GB     |
| 8x A100 80GB  | DeepSeek-V3, Llama 405B        | 640 GB     |

## Cómo elegir tu GPU

### Diagrama de decisión

```
¿Cuál es tu tarea principal?
│
├─ Chat/LLM
│  ├─ ¿Tamaño del modelo?
│  │  ├─ ≤7B → RTX 3060 ($0.03–0.07/h)
│  │  ├─ 7B-30B → RTX 3090 ($0.07–0.21/h)
│  │  ├─ 30B-70B → RTX 5090 32GB o 2× RTX 4090
│  │  └─ 70B+ → RTX PRO 6000 96GB o 2× RTX 5090
│
├─ Generación de imágenes
│  ├─ ¿Modelo?
│  │  ├─ SD 1.5 → RTX 3060 ($0.03–0.07/h)
│  │  ├─ SDXL → RTX 3090 ($0.07–0.21/h)
│  │  └─ FLUX → RTX 4090 ($0.14–0.42/h)
│
├─ Generación de vídeo
│  ├─ ¿Duración?
│  │  ├─ Corto (2-5 s) → RTX 4090 ($0.14–0.42/h)
│  │  └─ Más largo → 2× RTX 4090 o RTX PRO 6000
│
└─ Entrenamiento
   ├─ LoRA/pequeño → RTX 4090 ($0.14–0.42/h)
   └─ Ajuste fino completo → 2× RTX 4090 o RTX PRO 6000
```

## Consejos para ahorrar dinero

1. **Usa órdenes spot** - alrededor de un tercio más barato que el precio bajo demanda; descuento mediano de \~13%
2. **Empieza en pequeño** - Prueba primero en GPUs más baratas
3. **Cuantifica los modelos** - Q4/Q8 permite alojar modelos más grandes en menos VRAM
4. **Procesamiento por lotes** - Procesa varias solicitudes a la vez
5. **Horas valle** - Mejor disponibilidad y, a veces, precios más bajos

> 📚 Ver también: [Las 10 GPUs más baratas para entrenamiento de IA en 2025](https://blog.clore.ai/top-10-cheapest-gpus-for-ai-training/) | [La mejor GPU para entrenamiento de IA — Guía detallada](https://blog.clore.ai/best-gpu-for-ai-training/)

## Siguientes pasos

* [Matriz de compatibilidad de modelos](/guides/guides_v2-es/primeros-pasos/model-compatibility.md) - Qué modelos funcionan en qué GPUs
* [Catálogo de imágenes Docker](/guides/guides_v2-es/primeros-pasos/docker-images.md) - Imágenes listas para usar
* [Guía de inicio rápido](/guides/guides_v2-es/quickstart.md) - Empieza en 5 minutos


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-es/primeros-pasos/gpu-comparison.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.