Los datos del servicio
IteraGPU es el nombre del servicio presentado en este sitio. Los puntos de referencia a continuación describen nuestra oferta y las herramientas disponibles. Los precios detallados y el stock de cada configuración se consultan en el catálogo; la capacidad de una tarjeta no describe por sí sola el servidor ni el resultado de tu software.
| Referencia | Valor o funcionamiento | Condición de lectura |
|---|---|---|
| Público | Investigación e ingeniería ML | Entrenamiento, inferencia y fine-tuning según tu protocolo |
| Catálogo | 15 configuraciones NVIDIA y AMD | Elegir según software compatible, memoria y carga medida |
| Memoria | 24 a 192 GB nominales por GPU | Los GB corresponden a los GB del fabricante; no son los GiB libres ni la RAM del servidor |
| Composición | 1 GPU por lote; 2 GPU para B200 | El precio del lote incluye sus tarjetas; su memoria no se agrupa automáticamente |
| Location | 3, 7 o 30 días; 1 a 10 lotes | Importe completo en USD por lote, multiplicado por la cantidad |
| Disponibilidad | Stock mostrado en cada ficha | La confirmación del pago y la preparación del acceso son dos pasos distintos |
| Preparación de software | Entorno deseado al hacer el pedido | Una preferencia no equivale a prueba de instalación o de compatibilidad de tu modelo |
| Seguimiento | Cuenta, pedidos y cuaderno ML | Las notas introducidas no sustituyen tus archivos, copias de seguridad o mediciones externas |
Fuentes técnicas: Catálogo y características de las ofertas · Tarifas de los presupuestos · Condiciones de pedido
La GPU es una decisión de protocolo
La memoria debe admitir el trabajo previsto, el entorno debe convenir al modelo y el calendario debe incluir preparación, mediciones, reanudaciones y exportación. En inferencia, fija las longitudes de entrada y salida, así como el número de solicitudes simultáneas. En entrenamiento, examina el paso completo y los estados necesarios para la reanudación.
El dimensionador calcula una envolvente a partir de los parámetros, el formato de los pesos y tu reserva de ejecución. Esta reserva es una hipótesis explícita; no es una capacidad garantizada. Para decidir entre dos configuraciones, mantén un conjunto de entradas y una regla de calidad comunes, y luego mide los casos que importan para tu proyecto.
Fuentes técnicas: Dimensionador e hipótesis · Preparar las solicitudes de inferencia
Recursos originales, con un alcance explícito
IteraGPU Lab v1 reúne un notebook de cálculo y medición de memoria, dos scripts de Python, un protocolo de calidad, los precios de los forfaits y una tabla en bruto en blanco. El código y la documentación originales se distribuyen bajo licencia MIT. Las instrucciones indican los requisitos previos y los errores explícitos cuando falta PyTorch o la GPU.
El script de medición se probó en una RTX 5070 fuera de catálogo con una red de 8.320 parámetros. Esta prueba verifica la instrumentación; no mide ni un modelo grande ni el rendimiento de las ofertas alquiladas. El expediente de memoria precisa las condiciones y los resultados.
El método de memoria explica los contadores; el método de benchmarks compara resultados con la calidad fijada y el costo del forfait comprometido. Los recursos distribuidos no contienen salidas de notebook ni resultados de GPU precargados. Mide tu carga antes de extraer una recomendación.
- Descargar IteraGPU Lab v1
Archivo versionado: protocolo, notebook, scripts, tablas, instrucciones, inventario y licencia.
- Leer los requisitos y el alcance de validación
Requisitos previos, parámetros probados y límites de la prueba.
Fuentes técnicas: Estimación y pico de memoria · Comparación y costo por corpus validado
La autonomía en tus procesamientos
Tú eliges tus programas, tus modelos y la organización de tus cálculos. IteraGPU no inspecciona el contenido de tus archivos, prompts o procesamientos. Esta política se refiere al contenido de los trabajos; no elimina la información necesaria para la cuenta, el pedido y el seguimiento del pago.
Prepara las dependencias y las versiones, verifica los derechos de uso y organiza tus copias de seguridad. El entorno seleccionado al hacer el pedido expresa tu necesidad de preparación. Su compatibilidad con tus bibliotecas, extensiones y modelos debe comprobarse antes de lanzar la campaña completa.
Fuentes técnicas: Datos y privacidad
Un cuaderno para guardar la razón de la elección
El cuaderno ML conserva los objetivos, parámetros y observaciones que tú introduces. Vincula tu hipótesis a una versión de código, a un conjunto de entradas y a una referencia de pedido. Conserva también las variantes descartadas: desbordamiento de memoria, calidad insuficiente o resultado incompleto explican la decisión siguiente.
El cuaderno no ejecuta tu código, no recoge automáticamente la telemetría de la GPU ni sube tus conjuntos de datos. Conserva los archivos en bruto, las salidas y los checkpoints en tus propias copias de seguridad. Una nota debe permitir encontrar la prueba, sin sustituirla.
Del forfait al seguimiento del alquiler
Elige el modelo, la duración y el número de lotes, y luego verifica el total en USD. El precio corresponde al forfait completo; no es un contador por hora. El pago en cripto se realiza sin KYC ni solicitud de documento de identidad. El nombre, el apellido y el email sirven para el seguimiento del pedido.
Tras una transferencia, «He pagado» registra tu aviso para verificación. El pago confirmado y la entrega del acceso a la GPU se siguen por separado. Tu cuenta reúne los pedidos, los documentos y las solicitudes de asistencia; consulta el estado de preparación antes de iniciar tus procesamientos.
Fuentes técnicas: Recorrido de pago en cripto
Preguntas prácticas
¿IteraGPU ofrece una recomendación universal de GPU?
IteraGPU ofrece criterios y herramientas para preparar tu elección, sin designar una GPU ganadora para todas las cargas. La memoria, el entorno, el contexto, la concurrencia y la calidad deben verificarse en conjunto. El presupuesto se compara después entre las opciones que cumplen estos requisitos.
¿Dos GPU B200 constituyen una sola memoria?
Un lote B200 incluye dos GPU, cada una con su memoria. Tu programa debe repartir explícitamente los datos o los cálculos para usarlas juntas. La composición del lote no demuestra una memoria unificada, una topología particular ni una aceleración determinada.
¿Elegir PyTorch al hacer el pedido garantiza que mi modelo funcionará?
Elegir un entorno expresa una preferencia de preparación, no una validación de tu modelo. Verifica el controlador, las bibliotecas, las extensiones y las versiones necesarias, y luego ejecuta un caso pequeño representativo antes de tu campaña.