programa
Profesional de AWS Cloud (CLF-C02)
10 h
Los data scientists, los ingenieros de ML y los ingenieros de LLM son perfiles muy distintos, pero casi todos queremos lo mismo de la infraestructura: la menor posible. No queremos pasar horas configurando entornos en la nube ni peleándonos con servicios complejos de AWS. Queremos hacer un par de clics, abrir un terminal o un Jupyter Notebook, elegir una plantilla y ponernos a entrenar, ajustar o servir un modelo.
Los proveedores de esta guía se han seleccionado con esa idea. Ofrecen paneles fáciles de usar, entornos preconfigurados, notebooks, terminales, plantillas de contenedores y guías de configuración claras; donde Jupyter no viene por defecto, la mayoría te permite instalarlo en cuestión de minutos.
Aun así, no todos están pensados para el mismo usuario. Algunos son marketplaces centrados en el precio y la elección de hardware; otros ofrecen máquinas virtuales predecibles, ejecución de GPU serverless, inferencia gestionada o clústeres a escala empresarial para entrenamiento distribuido. Comparamos diez de ellos en cuatro categorías: marketplaces de GPU y redes de capacidad flexible, nubes de GPU de autoservicio, nubes de IA a escala empresarial y plataformas pensadas para desarrolladores con soporte de notebooks.
Marketplaces de GPU y redes de capacidad flexible
Los marketplaces de GPU están diseñados para ofrecer acceso flexible a capacidad de GPU distribuida. Son útiles para experimentos, trabajos por lotes, ajustes breves y cuando la elección de hardware y el coste son lo más importante.
1. Vast.ai
Vast.ai es la plataforma que más suelo usar para encontrar una GPU asequible para servir modelos y hacer fine-tuning de LLMs.
Su marketplace ofrece una amplia selección de máquinas con GPU que puedes comparar por hardware, VRAM, fiabilidad, ubicación y precio. Cada anuncio desglosa claramente los costes de cómputo y almacenamiento, así sabes exactamente qué estás pagando.
Las instancias admiten Jupyter Notebook, terminales en el navegador, SSH y conexiones con VS Code. Para pruebas rápidas, suelo gastar solo unos céntimos antes de apagar la instancia. Sin embargo, la disponibilidad y la fiabilidad pueden variar porque el hardware procede de distintos anfitriones del marketplace.
Ideal para: experimentación asequible, serving de modelos, fine-tuning con LoRA y inferencia por lotes.
2. RunPod
RunPod es mi plataforma de GPU favorita, y me he gastado cientos de dólares usándola para fine-tuning e inferencia de LLMs.
Es más rápida y fácil de usar que Vast.ai, aunque las buenas máquinas pueden salir caras cuando sumas cómputo y almacenamiento. RunPod funciona casi perfecto desde el primer momento, con plantillas listas, JupyterLab, terminal web, SSH e integración con VS Code.
Mi único problema reciente ha sido la disponibilidad de GPU. A veces no hay máquinas populares, y me toca esperar o elegir una opción más cara. Aun así, RunPod sigue siendo de las mejores plataformas para data scientists que quieren entrenar o servir modelos sin tener que aprender infraestructura cloud compleja.
He usado RunPod en dos de nuestros tutoriales recientes, fine-tuning de DiffusionGemma para QA biomédico y fine-tuning de Gemma 4, ambos de principio a fin en un único pod de GPU de RunPod.
Ideal para: principiantes, data scientists, fine-tuning de LLMs, serving de modelos y cualquiera que quiera un entorno GPU que simplemente funcione.
3. Spheron Network
Spheron es una buena opción para acceder a GPUs de gama alta a buen precio sin lidiar con AWS ni contratos a largo plazo.
Reúne capacidad de GPU de varios proveedores de centros de datos en un único panel, con máquinas VM y bare-metal, acceso root por SSH, precios transparentes y facturación por minuto.
Ofrece desde máquinas con RTX 4090 y A100 hasta GPUs H100, H200 y B200. Para cargas mayores, también puedes desplegar clústeres multi-GPU y multinodo con redes NVLink, InfiniBand o RoCE. Es un poco más orientado a infraestructura que RunPod, pero da a equipos serios de LLM mucha más flexibilidad para entrenamiento distribuido.
Ideal para: GPUs de gama alta asequibles, entrenamiento LLM multi-GPU, cargas distribuidas y equipos que necesitan acceso a VM o bare-metal.
4. TensorDock
TensorDock es un marketplace de GPU asequible para lanzar máquinas virtuales completas.
Seleccionas la GPU, CPU, RAM, almacenamiento, ubicación y sistema operativo, y te entrega una máquina con acceso root. Ofrece una gran variedad de hardware, desde GPUs de consumo más baratas hasta potentes A100 y H100.
No está tan listo para usar como RunPod. Normalmente te conectas por SSH y configuras tu propio entorno, aunque Docker viene incluido en sus plantillas de VM, y puedes habilitar Jupyter a través de los puertos disponibles. Esto te da más control, pero debes sentirte cómodo instalando y gestionando tus propias herramientas.
Ideal para: máquinas virtuales de GPU asequibles, entrenamiento PyTorch a medida y despliegues autogestionados de vLLM o TGI.
Nubes de GPU de autoservicio
Estas plataformas se parecen menos a un marketplace abierto y más a alquilar una máquina cloud en condiciones. Seleccionas la GPU, lanzas una VM, te conectas por SSH o VS Code y creas tu propio entorno para entrenar, ajustar o servir modelos.
5. Hyperstack
Hyperstack te da infraestructura de GPU predecible sin obligarte a usar AWS, Azure ni contratos empresariales complejos.
Eliges la configuración de GPU, región, imagen del sistema operativo y clave SSH, y en minutos tienes una máquina virtual completa. Ofrece capacidad on-demand, spot y reservada en varias regiones de centros de datos.
Es una buena opción cuando quieres una máquina fiable para un entrenamiento largo o para un despliegue de inferencia autogestionado. Aún tendrás que configurar tu entorno, pero la experiencia es mucho más directa que montarlo todo en un hyperscaler tradicional.
Ideal para: VMs de GPU predecibles, trabajos de entrenamiento de larga duración, entornos a medida e inferencia autogestionada.
6. Hyperbolic
Me he gastado cientos de dólares en Hyperbolic, y me sigue encantando. Para mí, a menudo ha sido de las formas más rápidas y baratas de acceder a GPUs de gama alta. Las máquinas son fiables, se lanzan rápido y puedo conectarme directamente desde VS Code, lo que hace que todo se sienta casi como trabajar en local.
Hyperbolic ofrece instancias de GPU on-demand, clústeres reservados, infraestructura de nube privada y una API de inferencia compatible con OpenAI. Esto significa que puedes usarlo para un experimento rápido de fine-tuning y luego pasar a capacidad dedicada o inferencia gestionada sin cambiar de plataforma.
Mi mayor problema es la disponibilidad. Antes era mucho más fácil encontrar máquinas H100 o A100 individuales asequibles. Últimamente, esas opciones baratas suelen no estar cuando las necesito. Puedo encontrar alguna H200 suelta, pero muchas configuraciones disponibles son clústeres de 4 o 8 GPUs, demasiado caros y potentes para mi carga habitual.
Ideal para: cómputo de GPU de gama alta asequible, fine-tuning de LLMs, usuarios de VS Code, inferencia gestionada y equipos que quizá más adelante necesiten clústeres reservados.
Nubes de IA a escala empresarial
Estos proveedores son para cargas de trabajo serias de IA. Hablamos de clústeres de GPU dedicados, redes de alta velocidad, almacenamiento escalable, capacidad reservada e infraestructura que puede funcionar con fiabilidad durante meses, no solo unas horas.
7. Nebius
Me encanta Nebius. He usado sobre todo su Token Factory para inferencia, y es rápido, fiable y muy fácil de usar mediante su API compatible con OpenAI. Te da acceso a más de 60 modelos open source sin tener que gestionar la infraestructura subyacente.
Hace poco empecé a explorar su parte de GPU cloud y es igual de impresionante. Puedes lanzar máquinas GPU individuales o montar clústeres de larga duración con Kubernetes gestionado, almacenamiento y redes de alta velocidad. Nebius también ofrece descuentos por reservar clústeres grandes durante varios meses.
No es solo una plataforma para pequeños experimentos. Grandes empresas ya la usan para cargas serias. Por ejemplo, Revolut ejecuta entrenamiento e inferencia con más de 200 NVIDIA H100 en Nebius, y Recraft entrenó su modelo de 20.000 millones de parámetros en la plataforma.
Ideal para: inferencia fiable, clústeres de GPU de larga duración, entrenamiento distribuido, Kubernetes gestionado y cargas de IA a escala de producción.
8. Together AI
Together AI es mucho más que una API de inferencia. Ofrece inferencia gestionada, fine-tuning, endpoints dedicados y clústeres de GPU de autoservicio en una sola plataforma. Puedes entrenar, personalizar y desplegar modelos de pesos abiertos sin moverte entre varios proveedores.
Sus clústeres de GPU incluyen hardware de gama alta como H100, H200, B200 y GB200, con redes InfiniBand, almacenamiento persistente y soporte para Kubernetes y Slurm. Los clústeres pueden lanzarse bajo demanda o reservarse para cargas más largas.
Probablemente sea demasiado para quien solo necesita una GPU barata para un experimento rápido. Sin embargo, tiene mucho sentido para empresas que quieren infraestructura fiable para entrenar, ajustar y servir modelos a escala.
Ideal para: clústeres de GPU empresariales, entrenamiento de modelos a gran escala, fine-tuning gestionado, inferencia dedicada y compañías que construyen sistemas de IA de producción.
Plataformas pensadas para desarrolladores y compatibles con notebooks
Estas plataformas están hechas para desarrolladores que quieren centrarse en su código en lugar de pasar horas gestionando infraestructura cloud. Ofrecen herramientas familiares como notebooks y VS Code, mientras se encargan de gran parte del aprovisionamiento de GPU en segundo plano.
9. Modal
Modal es completamente diferente a alquilar una GPU normal. Escribes código en Python, eliges la GPU que necesitas y Modal lo ejecuta dentro de un contenedor serverless. Puede escalar automáticamente de cero a varias GPUs y te cobra según el tiempo real de uso de los recursos.
Es ideal para desplegar APIs de inferencia, ejecutar pipelines de evaluación, hacer fine-tuning de modelos y gestionar cargas que de repente necesitan más GPUs. Modal también ofrece notebooks con GPU que arrancan en segundos, admiten entornos personalizados y pueden usar hasta ocho A100 o H100.
Lo único que debes tener en cuenta es que Modal exige un cambio de chip. No es abrir una VM y usarla como un ordenador remoto. Defines tu infraestructura en Python, lo que al principio puede resultar raro, pero se vuelve extremadamente potente una vez lo interiorizas.
Ideal para: inferencia serverless, evaluación de modelos, pipelines automatizados, fine-tuning y cargas que deben escalar automática y elásticamente.
10. Thunder Compute
Thunder Compute es prácticamente lo que muchos data scientists buscan en una nube de GPU. Lanzas una máquina y te conectas directamente desde VS Code, Cursor, Windsurf, la línea de comandos o Jupyter Notebook. JupyterLab ya viene instalado, así que puedes empezar a experimentar sin perder horas configurando el entorno.
Me gusta especialmente su extensión para VS Code. En lugar de saltar constantemente entre el panel en la nube, el terminal SSH y el editor local, puedes crear y abrir la instancia GPU como un espacio de trabajo remoto directamente en tu editor. La sensación se acerca mucho a trabajar en tu propio equipo, con la diferencia de que ahora tienes una potente GPU en la nube.
Thunder Compute ofrece modos separados de prototipado y producción. Puedes empezar con una máquina sencilla para experimentar y pasar después a configuraciones de producción con almacenamiento persistente y soporte para múltiples GPUs.
Ideal para: investigación con Jupyter, usuarios de VS Code, experimentación con modelos, trabajo interactivo de data science y quienes buscan una alternativa más potente a Google Colab.
Cómo elegir el proveedor de GPU adecuado
No hay un único mejor proveedor de GPU. La elección correcta depende de la disponibilidad de GPUs, el precio, la facilidad de uso, los costes de almacenamiento y de si necesitas un notebook, una VM, inferencia serverless o un clúster completo de GPU:
- Elige Vast.ai, RunPod, Spheron o TensorDock cuando busques flexibilidad, amplia selección de GPU y precios competitivos.
- Elige Hyperbolic o Hyperstack cuando quieras una VM en la nube más fiable para entrenar, notebooks o inferencia autogestionada.
- Elige Nebius o Together AI cuando necesites clústeres dedicados, entrenamiento distribuido, capacidad reservada o infraestructura a escala de producción.
- Elige Modal o Thunder Compute cuando prime la facilidad de uso. Modal es ideal para cargas serverless, mientras que Thunder Compute encaja mejor con flujos de trabajo conocidos de VS Code y Jupyter.
Reflexiones finales
Yo suelo usar sobre todo Vast.ai, RunPod, Hyperbolic y Modal porque son fáciles de usar, flexibles y relativamente asequibles. Vast.ai suele ser mi primera opción para encontrar la máquina más barata. RunPod es la plataforma más sencilla, Hyperbolic es rápida y fiable cuando hay GPUs disponibles, y Modal es excelente para inferencia serverless y cargas automatizadas.
Para experimentos muy pequeños, sigo usando Google Colab o un Jupyter Notebook local. Sin embargo, Colab es limitado, a menudo lento, y no lo recomendaría para fine-tuning serio de LLMs, serving de modelos o entrenamientos de larga duración.
La mejor plataforma, al final, es la que te permite ponerte a trabajar rápido sin obligarte a convertirte en ingeniero de infraestructura cloud. Si aun así quieres serlo (o entender qué pasa entre bambalinas), te recomendamos empezar con nuestro curso Understanding Cloud Computing.