Tutoriales de VPS
Recomendaciones de GPU VPS 2026: cómo elegir GPU y configuración para Ollama, ComfyUI y AI Agents
Guía de compra y configuración de GPU VPS: compara GPU cloud, GPU VPS y servidores dedicados, elige VRAM, CPU, RAM, disco y facturación para Ollama, ComfyUI, ajuste fino LoRA y AI Agents, con estimaciones de precio, lista de seguridad y solución de problemas.
Si quieres ejecutar Ollama, ComfyUI, Stable Diffusion o un AI Agent en un VPS, la verdadera dificultad no es escribir un comando Docker, sino comprar primero la GPU correcta. Muchas personas solo miran el "modelo de GPU" y el "precio por hora", pero ignoran la VRAM, la velocidad de lectura/escritura del disco, los controladores, si la instancia será recuperada y si los datos siguen ahí después de apagarla.
Este artículo está escrito en torno a la decisión de compra: primero determina qué tipo de GPU necesitas, luego ofrece puntos de partida de configuración para Ollama, ComfyUI, entrenamiento y AI Agents, y finalmente compara instancias GPU cloud, GPU VPS y servidores GPU dedicados. Los precios cambian con el inventario y la región; las cifras de este artículo solo sirven para establecer un presupuesto y no deben tomarse como cotizaciones a largo plazo.
Si tu objetivo es "ejecutar modelos locales ocasionalmente, generar imágenes, probar flujos de trabajo", prioriza instancias GPU cloud facturadas por hora en lugar de firmar directamente un GPU VPS de un año. Así puedes detenerlas al terminar y primero verificar el modelo, los controladores y los requisitos reales de VRAM.
- Ollama con modelos cuantizados 7B/8B: 24GB de VRAM es un punto de partida cómodo; RTX 3090, RTX 4090, L4 o GPUs equivalentes son opciones a considerar.
- Ollama con modelos cuantizados 14B/32B: prioriza 48GB de VRAM; si el modelo necesita un contexto mayor o más concurrencia, considera 80GB o más, o configuraciones multi-GPU.
- Generación de imágenes con ComfyUI: SDXL suele partir de 16GB–24GB de VRAM; con flujos de trabajo complejos, upscaling o generación por lotes, 24GB es más estable.
- Ajuste fino LoRA y entrenamiento a pequeña escala: 24GB sirve para experimentos iniciales; 32GB–48GB es mejor para reducir las complicaciones de batch size y optimización de VRAM.
- AI Agents, APIs o servicios de equipo en línea a largo plazo: no puedes mirar solo la GPU; como mínimo considera también 8 vCPU, 32GB de RAM, NVMe, IP pública fija, disco persistente y estrategia de copias de seguridad.
Un principio práctico: compra primero por VRAM y luego optimiza por capacidad de cómputo de la GPU. Por muy potente que sea la GPU, si el modelo no cabe en la VRAM, al final no se ejecutará.
"GPU VPS" puede significar productos completamente distintos según el proveedor. Antes de hacer el pedido, confirma el método de virtualización y el método de facturación.
| Tipo | Facturación | Escenarios adecuados | Riesgos principales |
|---|---|---|---|
| Instancia GPU cloud | Por segundo, por hora o por mes | Pruebas de modelos, tareas cortas, inferencia elástica | Si el disco y la IP pública se siguen facturando tras apagar |
| GPU VPS | Mensual o por consumo, normalmente con entorno de sistema fijo | Ollama, ComfyUI, API personal en ejecución prolongada | Si la GPU es exclusiva, si hay sobreventa, si se pueden cambiar los controladores |
| Servidor GPU dedicado | Mensual, alquiler o colocation | Alta concurrencia estable, entrenamiento, uso compartido en equipo | Plazo mínimo de alquiler largo, altos costes de máquina y ancho de banda |
| Mercado de GPU bajo demanda | Ofertas de proveedores, por segundo o por hora | Procesamiento por lotes de bajo coste, tareas tolerantes a fallos | Apropiación, calidad del nodo, grandes diferencias de red y persistencia de datos |
Tomando como ejemplo el mercado de GPU bajo demanda, Vast.ai indica oficialmente que sus precios se determinan por la oferta y la demanda, y distingue On-Demand, Interruptible y Reserved: Interruptible puede ser recuperada, mientras que Reserved es adecuada para tareas estables. RunPod también factura por separado Pods, Serverless y Clusters, correspondientes a instancias de larga duración, cargas de inferencia y escenarios multinodo. No compares directamente el precio por inferencia de Serverless con la cuota mensual de un VPS en ejecución continua.
Las configuraciones siguientes son puntos de partida de compra, no una lista de planes de proveedores. El mismo modelo en distintas plataformas cloud puede tener VRAM, generación PCIe, cuota de CPU, disco y red completamente diferentes.
| Objetivo | VRAM recomendada | Punto de partida CPU / RAM | Disco recomendado | Instancias adecuadas |
|---|---|---|---|---|
| Ollama 7B/8B cuantizado | 16GB–24GB | 4 vCPU / 16GB | 80GB NVMe | RTX 4000, L4, 3090, 4090 |
| Ollama 14B/32B cuantizado | 24GB–48GB | 8 vCPU / 32GB | 120GB NVMe | 4090, A6000, A40, L40S |
| ComfyUI / SDXL | 16GB–24GB | 8 vCPU / 16GB | 100GB NVMe | 3090, 4090, L4, A5000 |
| Ajuste fino LoRA | 24GB–48GB | 8–16 vCPU / 32–64GB | 200GB NVMe | 4090, A6000, A40, L40S |
| API de inferencia multiusuario | 48GB–80GB | 16 vCPU / 64GB | 200GB+ NVMe | L40S, A100, H100 |
| Entrenamiento multi-GPU | 80GB+ | 32 vCPU / 128GB+ | 500GB+ NVMe | A100, H100, B200, etc. |
8GB de VRAM puede ejecutar modelos pequeños, imágenes de baja resolución y parte de la inferencia cuantizada, pero el margen es muy pequeño. Al aumentar la longitud de contexto, cargar ControlNet, activar el upscaling de imagen o las solicitudes concurrentes, el resultado habitual es CUDA out of memory. A menos que ya hayas confirmado que el flujo de trabajo es fijo y las tareas son muy ligeras, 16GB es un mínimo más razonable y 24GB es el punto óptimo para la mayoría de usuarios individuales.
El tamaño del modelo de Ollama no es la única métrica; también hay que considerar el formato de cuantización, la longitud de contexto, la concurrencia y la KV cache. Un modelo 8B Q4 puede caber en 8GB de VRAM, pero eso no significa que pueda ejecutar de forma estable contextos largos, llamadas a herramientas y múltiples sesiones en la misma máquina.
Para un solo usuario con baja concurrencia se puede empezar con 24GB de VRAM y reservar 80GB–120GB para el disco del sistema. Los archivos de modelo, las imágenes Docker y los registros ocuparán espacio continuamente, y un disco demasiado pequeño suele convertirse en problema antes que la VRAM. Al ejecutar la API, haz que Ollama escuche solo en la red interna o en localhost, y que Caddy, Nginx o una pasarela de aplicación proporcionen HTTPS, autenticación y limitación de tasa.
Si quieres ejecutar de forma estable modelos cuantizados de 14B o 32B, 48GB de VRAM es más tranquilo. 24GB también puede ejecutarlos mediante CPU offload o cuantización más agresiva, pero la velocidad y la concurrencia se verán claramente afectadas. Antes de comprar, confirma si la plataforma ofrece controladores NVIDIA completos, si la versión de CUDA es compatible con los contenedores y si se permiten imágenes Docker personalizadas.
Los AI Agents normalmente no solo ocupan la GPU: las bases de datos vectoriales, los navegadores, los sandboxes de código, las colas, los registros y las subidas de archivos consumen CPU, RAM y disco. Para un único GPU VPS se recomienda al menos 8 vCPU y 32GB de RAM; si además ejecutas PostgreSQL, Redis, SearXNG o varios Workers, se recomiendan 64GB de RAM, o separar la base de datos y el almacenamiento de objetos.
El consumo de VRAM de ComfyUI depende del modelo base, la resolución, el sampler, ControlNet, LoRA, VAE y los nodos de upscaling. No juzgues si la configuración es suficiente solo por "puede arrancar".
- Solo SD 1.5, imágenes de tamaño pequeño: se puede probar con 12GB–16GB;
- SDXL, 1024×1024 habitual: 16GB–24GB es más adecuado;
- Varios ControlNet, high-res fix, upscaling y colas por lotes: 24GB–48GB;
- Generación de vídeo, modelos grandes Flux o grafos de nodos complejos: evalúa primero con 48GB de VRAM y usa GPUs de la clase 80GB cuando sea necesario.
El directorio de modelos de ComfyUI debe estar en un disco persistente o en un Volume independiente. Después de que se recupere una instancia temporal, el contenedor puede seguir existiendo, pero los modelos, las imágenes de salida y los nodos personalizados puede que no. Al comprar, confirma: si el disco del sistema y el disco de datos están separados, si el Volume se conserva entre instancias, si las instantáneas se facturan y si la IP pública se libera tras eliminar la instancia.
No te limites a multiplicar "precio por hora × 30 días". El coste completo incluye al menos la GPU, CPU/RAM, disco del sistema, Volume persistente, IPv4 pública, tráfico de salida, instantáneas y tarifas de instancia inactiva.
Por ejemplo, según los precios de ejemplo de la página pública actual de RunPod, la RTX 3090 cuesta unos $0.50/hora, la RTX 4090 unos $0.69/hora, la A40 unos $0.44/hora y la L40S unos $0.99/hora; si se ejecutan todo el día, los costes mensuales de cómputo GPU serían aproximadamente $360, $497, $317 y $713 respectivamente, y los precios reales varían con la región, el inventario y el tipo de instancia. Las instancias por hora son adecuadas para uso intermitente; antes de ejecutar 24×7 a largo plazo, conviene comparar con servidores dedicados mensuales o precios Reserved.
Puedes estimar con esta fórmula:
月成本 = GPU小时价 × 实际运行小时 + 磁盘/月 + Volume/月 + IP/月 + 出站流量 + 快照
Si solo lo usas por la noche, 4 horas al día, unas 120 horas al mes, las GPUs por hora suelen ser más rentables que alquilar todo el día. A la inversa, si la API de inferencia necesita estar en línea todo el día, el precio y la estabilidad de una GPU exclusiva mensual suelen ser más fáciles de controlar.
- ¿La GPU es exclusiva, particionada o compartida?
- ¿La capacidad de VRAM y el modelo de GPU están claramente indicados en la página del pedido?
- ¿La instancia puede ser apropiada o recuperada? ¿Hay notificación antes de la recuperación?
- Tras apagar, ¿se siguen facturando la GPU, el disco, la IP y el Volume?
- ¿Se pueden usar los controladores oficiales de NVIDIA y Docker, y qué versión de CUDA hay?
- ¿Se permiten kernels, contenedores y puertos personalizados?
- ¿La IPv4 pública es fija y cambia tras reinstalar el sistema?
- ¿El disco de datos es independiente de la instancia de cómputo y se puede conservar tras eliminar la instancia?
- ¿Cómo se facturan respectivamente las instantáneas, las copias de seguridad y la replicación entre regiones?
- ¿Hay límite de tráfico de salida y cómo se factura o limita tras superarlo?
- ¿Existe política de reembolso, migración, cambio de GPU y compensación por fallos?
- ¿El proveedor ofrece consola, VNC o modo de rescate, y puedes recuperarte tú mismo si el controlador de la GPU se rompe?
Si el servicio de atención al cliente no puede responder claramente a "si la GPU es exclusiva" y "si los datos se conservan tras eliminar la instancia", no hagas el pedido solo porque sea barato. Una diferencia de unos dólares en el precio de la GPU es mucho menor que el coste de una pérdida de datos y una reinstalación del entorno.
Los servidores GPU suelen exponer Jupyter, ComfyUI, Open WebUI o puertos de API, y exponer directamente las interfaces de administración a Internet es peligroso.
- Permite solo el inicio de sesión SSH con clave, desactiva el inicio de sesión con contraseña y restringe las IP de administración;
- Usa Caddy o Nginx para HTTPS y no expongas bases de datos, Redis ni el Docker Socket a Internet;
- Añade autenticación a ComfyUI, Jupyter, Open WebUI y la API de Ollama, o colócalos detrás de una VPN;
- Haz copias de seguridad por separado de los archivos de modelo y de los archivos subidos por los usuarios; no hagas copia solo del contenedor;
- Configura alertas para GPU, disco, VRAM, temperatura, reinicios de contenedor y errores de API;
- Configura alertas de presupuesto, saldo y uso anómalo para cuentas de pago por uso;
- Fija las versiones de las imágenes y crea instantáneas antes de actualizar CUDA, los controladores y PyTorch;
- Las tareas de entrenamiento y por lotes deben guardar checkpoints periódicamente para evitar empezar de cero tras la recuperación de una instancia apropiada.
Primero confirma que la instancia realmente tiene asignada una GPU, luego revisa el controlador del host, el runtime del contenedor y NVIDIA Container Toolkit. No reinstales PyTorch de inmediato; si falta el controlador del host, instalar más paquetes CUDA dentro del contenedor no servirá de nada.
Reduce en orden el batch size, la resolución y la longitud de contexto, desactiva ControlNet o la concurrencia innecesarios y luego confirma si otros procesos ocupan VRAM. Para uso a largo plazo, ampliar la VRAM suele ahorrar más tiempo que cambiar parámetros repetidamente.
Comprueba si la GPU es compartida, si la potencia está limitada, si el enlace PCIe está degradado y si la CPU se ha convertido en cuello de botella para el preprocesamiento de datos. Para AI Agents, revisa también la latencia de la API del modelo, la recuperación vectorial y las herramientas de navegador, no solo la utilización de la GPU.
Normalmente es porque los modelos se escribieron en una capa de contenedor temporal o en un disco temporal. Asigna el directorio de modelos a un Volume persistente, guarda el archivo Compose, las variables de entorno, la lista de plugins y los scripts de inicio, y haz copias de seguridad externas periódicamente.
Si es la primera vez que ejecutas IA local, se recomienda empezar con una instancia GPU por hora de 24GB de VRAM, 8 vCPU, 32GB de RAM, 120GB NVMe, y primero verificar el flujo de trabajo real con Ollama o ComfyUI. Si solo la usas unas horas al día, inicia y detén bajo demanda; si necesitas un servicio de API todo el día, compara entonces GPU VPS mensual, instancias Reserved y servidores dedicados.
Con presupuesto limitado, prioriza la VRAM y el disco persistente, y no sacrifiques la seguridad de los datos por un modelo superior. Para modelos grandes, multiusuario y tareas de entrenamiento, elige directamente soluciones de 48GB, 80GB o incluso multi-GPU, e incluye bases de datos, almacenamiento de objetos y copias de seguridad en el coste total.
Como siguiente paso, enumera tus modelos, la concurrencia objetivo, las horas de funcionamiento diarias y si necesitas una API pública, y luego filtra los GPU VPS con estos cuatro puntos. Así es menos probable equivocarte que mirando primero un "ranking de precios de GPU".