11 de noviembre de 2026 · Equipo de VRAMfarm
Google Colab o GPU alquilada: desconexiones, unidades de cálculo y coste real por hora
«Runtime disconnected». Si has visto ese mensaje a las tres horas de un entrenamiento, con el último checkpoint de hace una hora, ya conoces el punto débil de Colab. Colab es una ganga para notebooks cortos en una T4 de 16 GB, y empezar es gratis. Se encarece de una forma menos visible cuando tus trabajos duran mucho, necesitan más de 16–24 GB de memoria o tienen que sobrevivir a que cierres el portátil. Ahí una GPU alquilada, facturada por minuto desde 0,30 € la hora por una RTX 3090 de 24 GB, normalmente te da más trabajo terminado por cada euro.
Cómo funciona Colab en noviembre de 2026
Los planes de Colab cambian a menudo, así que aquí va el modelo explicado con palabras en lugar de una lista de precios. Consulta la página de precios de Colab de Google para ver las cifras actuales.
- Gratis. Te dan una GPU cuando hay alguna libre, normalmente una NVIDIA T4 con 16 GB. Los límites de uso son dinámicos y no se publican. Un notebook se ejecuta como mucho 12 horas, y un entorno inactivo se desconecta bastante antes. Algunos días no te toca ninguna GPU.
- Colab Pro. Una suscripción mensual que incluye una bolsa de unidades de cálculo (unas 100 al mes por unos 10–11 € en noviembre de 2026). Las unidades dan acceso a GPU más rápidas, como la L4 (24 GB) y la A100, mientras duran, y además más RAM.
- Colab Pro+. Más unidades al mes y ejecución en segundo plano: el notebook sigue funcionando hasta 24 horas después de cerrar el navegador, siempre que te queden unidades.
- Pago por uso. Compras unidades sin suscripción. No duran para siempre, así que un paquete comprado en primavera puede haber caducado en otoño.
- Planes de Google AI. Google también ha empezado a incluir ventajas de Colab en algunas de sus suscripciones de Google AI. Lo que incluye cada nivel cambia, así que compruébalo antes de contar con GPU premium o con la ejecución en segundo plano.
Lo que más importa: las unidades se consumen por hora mientras el entorno está conectado, y el ritmo depende de la GPU. Una T4 gasta solo un par de unidades por hora; una A100, varias veces más, así que 100 unidades duran decenas de horas en una T4 y alrededor de una docena o menos en una A100. Las unidades también se gastan mientras la GPU está parada y tú lees documentación con el notebook abierto.
Desconexiones, límites y lo que te cuestan
Una sesión de Colab termina por varios motivos, y solo algunos dependen de ti:
- has estado inactivo demasiado tiempo (sin interactuar con el notebook);
- la sesión ha llegado a su duración máxima (12 horas, o 24 con ejecución en segundo plano en Pro+);
- has llegado a un límite de uso o se te han acabado las unidades de cálculo a mitad de ejecución;
- en planes sin ejecución en segundo plano, has cerrado la pestaña o el portátil se ha suspendido;
- Google necesitaba la GPU para otra persona.
Cuando termina el entorno, su disco se borra: los paquetes que instalaste, los modelos que descargaste y cualquier resultado que no copiaras fuera. La solución habitual dentro de Colab es montar Google Drive y escribir ahí checkpoints cada pocos cientos de pasos. Funciona, pero Drive va lento con muchos archivos pequeños y los 15 GB gratuitos se llenan enseguida con pesos de modelos.
En un servidor alquilado las reglas son otras:
- Funciona hasta que lo detienes (o hasta que se te acaba el saldo). Cierras el portátil y el trabajo sigue. Por SSH o en la terminal de Jupyter, lanza los trabajos largos dentro de
tmuxo connohuppara que no dependan de tu conexión. - No hay duración de sesión. La facturación es por minuto desde tu saldo prepago, con un mínimo de 15 minutos por lanzamiento, y el precio por minuto queda fijado al lanzar.
- Existe protección por inactividad, pero es predecible. Tras 2 horas sin SSH, Jupyter ni carga en la GPU, recibes un correo; una hora después, el servidor guarda
/workspacey se detiene. Un entrenamiento mantiene ocupada la GPU, así que no cuenta como inactividad. Si tu trabajo usa solo la CPU, por ejemplo una descarga larga, desactiva la parada automática en Ajustes. - Si la máquina anfitriona falla, la facturación se para desde el momento en que dejó de responder y te avisamos.
Qué GPU y cuánta memoria te tocan
Con Colab pides un tipo de GPU y te dan lo que esté libre. Con una GPU alquilada eliges la tarjeta exacta y ves el país, el driver y la versión de CUDA de la máquina antes de lanzar.
| GPU que suele tocar | VRAM | ¿Puedes elegir? | |
|---|---|---|---|
| Colab gratis | T4 | 16 GB | No |
| Colab Pro / pago por uso | T4, L4, A100 si hay disponibles | 16–40 GB, según la GPU | Un tipo, no una garantía |
| Colab Pro+ | Las mismas, con más unidades y prioridad | 16–40 GB, más si ofrecen GPU más nuevas | Un tipo, no una garantía |
| GPU alquilada | 20 modelos, de una RTX 3080 a una B200 | 10–192 GB | Sí, la tarjeta exacta |
La memoria suele ser lo que decide. La T4 tiene 16 GB y es un diseño de 2018: lenta en FP16 para lo que se estila hoy y sin bfloat16, que muchos scripts de entrenamiento actuales dan por hecho. Se apaña con SD 1.5, LLM pequeños en 4 bits y notebooks de cursos. Sufre con Flux a máxima calidad, no puede con el vídeo de Wan 2.2 14B (30 GB o más) y hace que el ajuste fino de cualquier cosa por encima de unos pocos miles de millones de parámetros sea un suplicio.
Opciones de alquiler típicas por memoria:
- 24 GB: RTX 3090 desde 0,30 €, RTX 4090 desde 0,59 €. Varias veces más rápidas que una T4 para generar imágenes y para la mayoría de los entrenamientos.
- 32 GB: RTX 5090 desde 0,76 €.
- 48 GB: RTX A6000 desde 0,72 €, para modelos de 70B en 4 bits y Wan 2.2 14B.
- 80 GB: A100 desde 1,46 €, H100 desde 3,90 €.
¿No sabes cuánta necesita tu modelo? El selector de VRAM te da la cifra y las tarjetas en las que cabe.
Precio por hora útil
Una comparación justa cuenta el precio por hora útil: el tiempo que la GPU dedica a tu trabajo, frente a la preparación, las esperas o el trabajo que pierdes.
En números brutos, Colab es barato. Si tu notebook cabe en una T4, el plan gratuito no cuesta nada, y con unidades de pago una hora de T4 sale por céntimos. Incluso una hora de A100 en Colab sale por un euro o algo más (noviembre de 2026, según el precio de la unidad y lo que gaste la A100 por hora), que no es más que alquilar una A100 por horas. Si con eso te basta, quédate en Colab.
Lo que cambia la cuenta son los costes ocultos:
- Preparación en cada sesión. Cada entorno nuevo de Colab arranca vacío:
pip instally volver a descargar el modelo. Con un modelo de 10–20 GB pueden ser 10–20 minutos quemando unidades antes del primer paso. - Conectado pero sin hacer nada. Las unidades se van mientras el notebook está abierto y tú piensas, lees o arreglas un fallo.
- Ejecuciones perdidas. Una desconexión al 90 % de un entrenamiento sin un checkpoint reciente significa pagar la ejecución entera dos veces.
- La tarjeta equivocada. Un trabajo que tarda 3 horas en una T4 muchas veces termina en una hora más o menos en una RTX 4090 de 24 GB, que tiene aproximadamente el triple de ancho de banda de memoria y núcleos tensor mucho más rápidos.
Un ejemplo pequeño. Un entrenamiento de LoRA que necesita 2 horas en una RTX 4090 cuesta 1,18 €, más los minutos que dediques a instalar paquetes; el lanzamiento en sí no se factura. Lo lanzas, cierras el portátil y vuelves a por el resultado. Guardar la carpeta con el dataset y el LoRA entrenado cuesta 0,03 € por GB al mes, así que la siguiente sesión empieza donde acabó esta. El mismo entrenamiento en una T4 gratuita no cuesta nada si termina, pero tarda varias veces más y tiene que caber en 16 GB y en una sola sesión.
Cuándo te basta Colab
No necesitas una GPU alquilada para:
- aprender: tutoriales de PyTorch, notebooks de cursos, lecciones al estilo de fast.ai;
- notebooks pequeños: modelos que caben en 16 GB y ejecuciones de menos de una o dos horas;
- compartir: un notebook que un compañero abre con un clic;
- experimentos puntuales en los que perder una sesión solo te cuesta volver a ejecutarla.
Los notebooks de Kaggle son otra opción gratuita, con una cuota semanal de GPU. A muchos estudiantes, entre los dos les cubren todo.
Cuándo pasarte a una GPU alquilada
Cámbiate cuando te pase alguna de estas cosas más de una vez:
- se te acaban las unidades de cálculo antes que el mes;
- los trabajos duran más de unas pocas horas o tienen que ejecutarse de noche sin tu navegador;
- el modelo necesita más de 16–24 GB: LLM de 70B, Flux a máxima calidad, vídeo con Wan 2.2 14B, ajuste fino por encima de 7B;
- quieres usar una interfaz web como ComfyUI u Open WebUI, o SSH y VS Code, que Colab restringe, al menos en el plan gratuito;
- necesitas una versión concreta de CUDA o un entorno conocido que mañana siga ahí;
- quieres saber en qué país está la máquina antes de subir datos.
Pasar un notebook es rápido:
- Lanza un servidor vacío con PyTorch + Jupyter en la tarjeta que necesites. Suele estar accesible en 2–5 minutos.
- Abre Jupyter desde Mis servidores y sube tu
.ipynb. - Borra las celdas
from google.colab import driveydrive.mount(...), y cambia las rutas/content/...por/workspace/.... - Ejecútalo.
!pip instally!nvidia-smifuncionan igual. - Al terminar, elige Guardar y detener para conservar
/workspacepara la siguiente sesión, o descarga antes tus resultados.
Para entrar por SSH desde tu propia terminal o desde VS Code, añade una clave pública una sola vez, como se explica en la guía de la clave SSH. Los detalles de facturación, incluidos el mínimo y el tráfico, están en la página de precios.