Las preguntas antes del primer ensayo.

Parte del modelo y de la cuestión que quieres resolver. Estima los pesos y luego añade la caché, las activaciones y los búferes de tu ejecución. Una primera prueba de 3 días puede servir para cargar el modelo, verificar las dependencias y medir el pico de memoria. Después compara las fichas con capacidad suficiente: una tarjeta más reciente no sustituye a un protocolo adaptado a tu carga.

Los alquileres duran 3, 7 o 30 días. En el checkout eliges de 1 a 10 lotes: un lote incluye una tarjeta, excepto la B200, que incluye dos. Tres días vienen bien para una validación puntual, siete días para una serie de variantes y treinta días para una campaña organizada. Prepara tus datos y un punto de reanudación antes de empezar los cálculos para dedicar la duración a tu objetivo.

El precio mostrado corresponde a un lote para la duración elegida, en USD. El total del pedido multiplica este forfait por el número de lotes. El stock indica las tarjetas disponibles, o los lotes de dos tarjetas para la B200. Por ejemplo, dos lotes B200 representan cuatro GPU: el precio del lote no debe multiplicarse una segunda vez por dos.

Elige la GPU, la duración, el número de lotes y tu preferencia de entorno: Ubuntu, PyTorch, Blender u otro. Después crea tu cuenta con tu nombre, tus apellidos, tu email y una contraseña, o elige «Ya tengo una cuenta» para iniciar sesión. Verifica los datos precargados si has iniciado sesión y luego el resumen. No se te pide ningún documento de identidad.

Cada tarjeta tiene su propia memoria. Un programa distribuido debe colocar explícitamente sus datos o sus cálculos en varios dispositivos; dos GPU no constituyen automáticamente una única GPU grande. La duplicación del modelo, el reparto de capas y el Particionado de los estados de entrenamiento responden a necesidades distintas. Elige tu estrategia antes de pedir varios lotes.

Define los experimentos imprescindibles, las variantes opcionales y tu criterio de parada. Haz funcionar un caso completo pequeño antes de lanzar los lotes largos. Conserva las revisiones del código, los parámetros, las mediciones y un checkpoint que hayas recargado realmente. Prevé también el tiempo para verificar y exportar los resultados, para no reservar todo el periodo solo al cálculo.

IteraGPU no solicita documento de identidad ni procedimiento de verificación de identidad KYC para el alquiler. Aun así, el checkout conserva tu nombre, tu apellido y tu email de contacto. Tú eliges un activo y su red, y luego realizas la transferencia desde tu cartera. Este recorrido sin control de identidad no significa que las transacciones de una blockchain pública se vuelvan anónimas.

Los métodos son BTC en Bitcoin, ETH en Ethereum, USDT y USDC en Ethereum, SOL en Solana, TRX y USDT en Tron, así como LTC en Litecoin. Elige el par activo/red que se muestra en el pedido. Para un token como USDT, el nombre por sí solo no basta para identificar el destino: las instrucciones distinguen entre Ethereum y Tron.

El pedido conserva su total en USD. Las instrucciones indican un importe cripto exacto, un tipo de cambio y una fecha límite. Utiliza la intención que siga vigente cuando prepares la transferencia. Si caduca antes de tu envío, solicita nuevas instrucciones desde este pedido; el nuevo importe corresponde al tipo de cambio obtenido en ese momento.

Después de tu transferencia, haz clic en el botón de la intención correspondiente. El mensaje «Pago notificado. Verificación pendiente.» indica que la notificación quedó registrada y permanece visible a tu regreso. El pago pasa después por su verificación. Si utilizaste una intención antigua, ábrela en el historial y usa su propio botón.

Una recarga cripto confirmada alimenta tu saldo en USD. Después abre el pedido de alquiler y elige el pago con el saldo cuando este cubra su importe. La recarga y el alquiler conservan cada uno su referencia, y el registro permite seguir el crédito y luego el débito. El simple registro de una recarga no añade fondos disponibles.

Encontrarás el expediente en «Mis alquileres», y luego en la lista de pedidos. Presenta el importe, el pago y la etapa de suministro por separado. «Pago notificado» corresponde a tu declaración; «Pagada» corresponde a un pago confirmado. Consulta después el estado de preparación y la información de acceso cuando se proporcionen.

Sí. Tú eliges tu código, tus modelos, tus dependencias y los procesamientos que ejecutas en la GPU alquilada. Prepara un entorno cuyas versiones y necesidades conozcas. Para cambiar de familia de hardware, verifica la compatibilidad de tus bibliotecas y extensiones antes de trasponer un protocolo completo.

El servicio no procede a una inspección del contenido de tus archivos, prompts o cálculos. Tú mantienes el control de tus procesamientos y de tus resultados. El seguimiento comercial utiliza la información de pedido y de pago; esta política no constituye una promesa de ausencia de cualquier dato técnico ni de anonimato absoluto.

El cuaderno reúne las hipótesis, versiones de entorno, parámetros y observaciones que tú registras en él. Usa una ficha por pregunta experimental: por ejemplo, comparar dos precisiones con batch constante o medir el efecto del contexto en la caché. Una nota clara asocia la configuración con la medición y la conclusión; no confunde una estimación con un resultado observado.

Inicia sesión en IteraGPU con el email y la contraseña de tu cuenta para recuperar tus pedidos, tu saldo y tu cuaderno. Cerrar sesión solo finaliza la sesión. Los datos de una antigua sesión de invitado pueden conservarse al registrarte de nuevo desde esa sesión, si sigue siendo válida y no está ya vinculada. Una dirección de email idéntica no basta para recuperar los expedientes de otro navegador. Descarga el resumen de tus pedidos para conservar las referencias útiles.

Mantén constantes el modelo, el conjunto de datos, las versiones, la longitud de las entradas y las reglas de medición. Cambia una variable a la vez. Distingue las primeras ejecuciones del estado estabilizado y mide también la calidad de salida, no solo la velocidad. Documenta los fallos: un pico de memoria superado es información útil para elegir la siguiente configuración.

Anota la referencia de pedido, el modelo de GPU, la versión de las bibliotecas y los pasos que reproducen el problema. Reduce si es posible el caso a una entrada representativa e indica lo que se esperaba. En tu solicitud privada, elimina los secretos y adjunta los mensajes útiles en forma de texto; mantén tus datos de negocio y los archivos completos bajo tu control.

No. Da una base para el almacenamiento de los parámetros. El trabajo añade otros objetos: activaciones y asignaciones temporales, gradientes y estados del optimizador durante el entrenamiento, caché eventual durante la generación. Prepara una estimación con las dimensiones de tu carga y luego mide un ensayo representativo.

Es una hipótesis calculada a partir de tus entradas y de los conceptos mostrados explícitamente. Ayuda a organizar una selección; no garantiza ni la carga de un modelo ni su velocidad. Las dimensiones, los formatos y los sobrecostes propios de tu software pueden modificar la necesidad. Conserva la estimación con su fecha y luego compárala con el pico medido.

Una precisión más baja modifica el compromiso entre memoria, cálculo y comportamiento numérico. Compárala sobre las mismas entradas con tus criterios de calidad. Conserva el formato de los pesos, el del cálculo y las versiones de biblioteca: su combinación permite reproducir la variante elegida.

El programa debe repartir el trabajo y, si es necesario, los estados del modelo entre los dispositivos. Varias tarjetas no se convierten automáticamente en un espacio de memoria único. Elige tu estrategia de paralelismo en función del modelo y, después, registra el pico en cada GPU. El lote B200 contiene dos GPU; la memoria sigue describiéndose por tarjeta.

Fija primero la pregunta, las métricas y el criterio de calidad. Conserva las entradas, las versiones, los parámetros, el método de medición y los resultados individuales. Explica qué cambia entre las variantes. Si varios elementos cambian a la vez, puedes comparar las configuraciones completas, pero no puedes atribuir la diferencia a uno solo de esos elementos.

Controla algunas fuentes de aleatoriedad, pero no todas las diferencias de ejecución. PyTorch no garantiza una reproducibilidad completa entre versiones, plataformas y dispositivos. Documenta las semillas, los ajustes deterministas y el entorno. Define también qué consideras reproducible: los mismos valores exactos o un resultado comparable según una tolerancia explicada.