Guías
Plataformas de alquiler de GPU en la nube: comparativa para ingenieros
Llevo años alquilando GPUs por horas para entrenar y hacer fine-tuning de modelos. He probado las principales plataformas de alquiler de GPU y te voy a contar cuál uso según el caso, sin humo. No hablo de precios exactos porque cambian cada semana, pero sí de rangos y de qué esperar de cada proveedor. Si estás empezando o quieres optimizar tu factura, esta comparativa de plataformas de GPU en la nube te ahorrará tiempo y dinero.
Criterios para elegir entre las mejores plataformas de alquiler de GPU
Antes de comparar, define qué necesitas. No es lo mismo hacer un fine-tuning de un LLM de 7B que entrenar desde cero un modelo grande. Yo siempre miro cuatro cosas: precio por hora, disponibilidad de GPUs (A100, H100, RTX 4090, L40S), almacenamiento y facilidad de uso. También el ancho de banda entre nodos si vas a hacer entrenamiento distribuido.
Para experimentos rápidos, una RTX 4090 a 0,30–0,50 $/hora es suficiente. Para entrenar un modelo de 13B en varias GPUs, necesitas A100 o H100 con NVLink. Las plataformas que te dan acceso a clústeres dedicados suelen tener precios más altos pero más estables. Las de mercado libre (tipo Vast.ai) son más baratas pero con más variabilidad.
RunPod: la opción equilibrada para fine-tuning
RunPod alquiler de GPU es mi recomendación para el 80% de los casos. Tiene dos modos: pods por horas (instancias efímeras) y serverless (por segundos). El pod estándar con una RTX 3090 o 4090 es perfecto para probar configuraciones. La interfaz es limpia, el arranque en menos de 2 minutos y el almacenamiento en red de 50 GB gratis (luego pagas).
Lo que más me gusta es el escalado a cero en serverless: pagas solo por el tiempo de cómputo, no por espera. Para un fine-tuning de un modelo pequeño, el coste se reduce a la mitad comparado con una instancia siempre activa. Eso sí, para entrenamientos largos con checkpointing constante, el modo pod es más fiable porque no hay riesgo de que la instancia se pause.
Vast.ai: el mercado libre para ahorrar
Vast.ai alquiler de GPU es el mercadillo de las GPUs. Aquí la gente alquila su hardware personal (mineros, aficionados, pequeños data centers). Los precios son los más bajos del mercado: he visto RTX 4090 a 0,25 $/hora y A100 a 1,20 $/hora. Pero hay letra pequeña: la disponibilidad varía, el rendimiento depende del host y el soporte es mínimo.
Si sabes lo que haces y no te importa configurar el entorno desde cero, Vast.ai es una mina. Yo lo uso para experimentos de una tarde donde no necesito garantías. Por ejemplo, probar un LoRA sobre un modelo de 7B. Elijo la GPU más barata con al menos 24 GB de VRAM y listo. Eso sí, evita alquilar por más de 24 horas: si el host se cae, pierdes el progreso.
Lambda Labs: calidad y soporte para producción
Lambda Labs alquiler de GPU es lo más parecido a tener tu propio clúster en la nube, pero con gestión profesional. Sus precios son más altos que Vast.ai pero más bajos que CoreWeave. Ofrecen instancias con A100, H100 y H200, con almacenamiento NVMe local y redes de alta velocidad. Ideal si entrenas modelos de forma continua y necesitas estabilidad.
He usado Lambda para un fine-tuning de un modelo de 30B en 8×A100. La configuración fue trivial: elegí el tipo de instancia, subí mi dataset y lancé el script. No tuve que pelear con controladores ni con CUDA. Eso se paga, claro, pero si tu tiempo vale dinero, Lambda es la mejor opción entre las mejores plataformas de alquiler de GPU para equipos pequeños.
Paperspace: integración con Gradient para ML
Paperspace alquiler de GPU (ahora parte de DigitalOcean) tiene su fuerte en Gradient, su plataforma de MLOps. Puedes lanzar notebooks con un clic, usar el CLI para entrenamientos y desplegar modelos. Los precios son competitivos, sobre todo para GPUs de gama media como RTX 4000 o A4000. Yo lo uso para proyectos con clientes porque el entorno colaborativo es sencillo: compartes un workspace y todo el mundo ve los mismos archivos.
La pega es que las GPUs de gama alta (H100) no están tan disponibles como en otras plataformas. Para un fine-tuning de LLM con A100 tienes que esperar a que haya stock. Aun así, para tareas de visión o NLP clásico, Paperspace es más que suficiente.
CoreWeave: potencia bruta para entrenamientos grandes
CoreWeave alquiler de GPU es la opción para quien necesita un clúster serio. No es para probar cosas: es para entrenar modelos de 70B o hacer RLHF. Ofrecen H100 y A100 en racks con InfiniBand, que es clave cuando la comunicación entre GPUs es el cuello de botella. Los precios son más altos que Lambda, pero el rendimiento escala mejor.
He visto benchmarks donde CoreWeave consigue un 90% de eficiencia de escalado con 64 GPUs, mientras que en otras plataformas te quedas en el 60%. Para un proyecto donde la factura mensual supera los 10.000 $, esa diferencia justifica el sobrecoste. Si solo necesitas 1 o 2 GPUs, no merece la pena: te costará lo mismo que Lambda pero con una interfaz menos amigable.
Comparativa rápida de plataformas de GPU en la nube
| Plataforma | Precio orientativo (A100/hora) | Disponibilidad | Mejor para |
|---|---|---|---|
| RunPod | 1,10–1,50 $ | Alta | Fine-tuning, serverless |
| Vast.ai | 0,80–1,20 $ | Variable | Experimentos baratos |
| Lambda Labs | 1,20–1,80 $ | Media | Producción estable |
| Paperspace | 1,00–1,40 $ | Media-baja | Proyectos con clientes |
| CoreWeave | 1,50–2,00 $ | Alta (clústeres) | Entrenamiento distribuido |
Estos precios son orientativos y pueden variar según la región y la demanda. Lo importante es que entiendas el trade-off entre precio y fiabilidad.
Mi flujo de trabajo semanal con estas plataformas
Cuando tengo un experimento nuevo, hago esto:
- Pruebo rápido en RunPod con una RTX 4090 (serverless) para validar el código.
- Entrenamiento corto (menos de 4 horas) en Vast.ai con la GPU más barata que tenga al menos 24 GB.
- Fine-tuning serio (más de 10 horas) en Lambda Labs con A100 y almacenamiento NVMe.
- Entrenamiento distribuido (más de 4 GPUs) en CoreWeave si el presupuesto lo permite.
Esta estrategia me permite reducir la factura un 40% comparado con usar una sola plataforma para todo. Y no, no tengo acciones en ninguna de ellas. Es pura experiencia.
Preguntas frecuentes
¿Qué plataforma de alquiler de GPU es la más barata?
Vast.ai suele tener los precios más bajos, pero a costa de menor fiabilidad. Para una sola GPU y experimentos cortos, puedes ahorrar hasta un 50% comparado con RunPod. Eso sí, revisa la reputación del host y los tiempos de actividad antes de lanzar un entrenamiento largo.
¿Cuál es la mejor plataforma para fine-tuning de LLM?
RunPod es la opción más equilibrada: ofrece GPUs modernas, buen almacenamiento y un sistema serverless que paga solo por el cómputo. Si necesitas estabilidad para entrenamientos de varios días, Lambda Labs es más fiable, aunque más caro.
¿Puedo usar estas plataformas con PyTorch o TensorFlow?
Sí, todas ofrecen imágenes Docker con CUDA y PyTorch preinstalado. En RunPod y Paperspace puedes lanzar un notebook con un clic. En Vast.ai tendrás que configurar el entorno tú mismo, pero hay plantillas comunitarias.
¿Qué GPU elegir para empezar?
Una RTX 4090 con 24 GB es suficiente para la mayoría de los fine-tunings de modelos pequeños (hasta 7B parámetros). Para modelos de 13B o más, necesitas A100 o H100. No pagues por una H100 si no la vas a usar al 80% de su capacidad.
¿Las plataformas ofrecen descuentos por reserva?
Sí, varias tienen instancias reservadas por 1, 3 o 12 meses con descuentos del 20–40%. CoreWeave y Lambda Labs suelen tener ofertas para contratos anuales. Si tienes una carga de trabajo predecible, merece la pena.
¿Qué pasa si la instancia se cae a mitad de un entrenamiento?
En Vast.ai es un riesgo real. En RunPod y Lambda, si usas almacenamiento persistente y haces checkpoints, puedes reanudar sin pérdida. CoreWeave tiene SLA de disponibilidad, pero a un precio mayor.