12 de noviembre de 2026 · Equipo de VRAMfarm
RTX 3090 vs RTX 4090 para IA: los mismos 24 GB y lo que pagas de verdad por trabajo
Las dos tarjetas tienen 24 GB de memoria de vídeo, así que una RTX 3090 y una RTX 4090 ejecutan exactamente los mismos modelos. Lo que te da la 4090 es velocidad, y cuánta depende del trabajo: entre 1,6 y 2,5 veces más rápida con imágenes de Flux y SDXL, unas dos veces más rápida entrenando LoRA y solo un 10–20 % más de tokens por segundo cuando chateas con un modelo de lenguaje. La 3090 se alquila desde 0,30 € la hora y la 4090 desde 0,59 €, así que saber qué tarjeta sale más barata para tu trabajo se reduce a una comparación: la proporción de precios frente a la proporción de velocidades.
Las especificaciones que importan, lado a lado
| RTX 3090 | RTX 4090 | |
|---|---|---|
| Arquitectura | Ampere (2020), sm_86 |
Ada Lovelace (2022), sm_89 |
| VRAM | 24 GB GDDR6X | 24 GB GDDR6X |
| Ancho de banda de memoria | 936 GB/s | 1008 GB/s |
| Cálculo tensorial FP16/BF16, denso | unos 71 TFLOPS | unos 165 TFLOPS |
| FP8 nativo | No | Sí |
| Caché L2 | 6 MB | 72 MB |
| Consumo de la tarjeta | 350 W | 450 W |
| NVLink | Conector para puente de 2 vías | No |
| Precio de alquiler | desde 0,30 €/h | desde 0,59 €/h |
La fila de cálculo usa acumulación en FP32, el modo que PyTorch usa normalmente para entrenar y para casi toda la inferencia.
Dos filas explican casi cualquier benchmark que encuentres. El cálculo tensorial se multiplica por más de dos, así que todo lo que está limitado por el cálculo (modelos de difusión, entrenamiento, leer un prompt largo) va más o menos el doble de rápido. El ancho de banda de memoria solo crece un 8 %, así que generar texto token a token apenas cambia: para cada token nuevo, la tarjeta lee el modelo entero de la memoria, y las dos leen casi a la misma velocidad. La caché L2, mucho mayor en la 4090, suma un poco más, y por eso la ganancia real queda en un 10–20 % y no en un 8 %.
FP8 es la tercera diferencia. Las dos tarjetas pueden cargar pesos en fp8, así que Flux, Qwen-Image y Wan en fp8 ocupan la misma memoria en una y en otra. Solo la 4090 calcula en fp8; la 3090 convierte antes los pesos a 16 bits. En ComfyUI, la opción de arranque --fast usa las operaciones fp8 de la 4090, y de ahí sale la parte alta del rango de 2,5×.
El consumo importa si vas a comprar una tarjeta, porque 100 W más se notan durante años en la factura de la luz (el cálculo de alquilar o comprar lo tiene en cuenta). En una máquina alquilada, la electricidad va incluida en el precio por hora, y por trabajo terminado la 4090 suele gastar menos energía porque acaba antes.
Imágenes y vídeo: la 4090 es entre 1,6 y 2,5 veces más rápida
Los modelos de difusión pasan la mayor parte del tiempo haciendo operaciones con matrices, así que siguen a la fila de cálculo. Las cifras de abajo suponen 1024×1024, tamaño de lote 1 y una cola de ComfyUI que mantiene la tarjeta ocupada, las mismas suposiciones que en el artículo sobre el coste por imagen.
| 1000 imágenes | RTX 3090 | RTX 4090 | Coste en la 3090 | Coste en la 4090 |
|---|---|---|---|---|
| Flux.1 schnell fp8, 4 pasos | 6–10 por minuto: unas 2 h 05 min | 12–25 por minuto: unas 1 h 07 min | 0,62 € | 0,65 € |
| Flux.1 dev fp8, 20 pasos | 1,5–2,5 por minuto: unas 8 h 20 min | 4–6 por minuto: unas 3 h 20 min | 2,50 € | 1,96 € |
| SDXL, 30 pasos | 6–9 por minuto: unas 2 h 23 min | 12–18 por minuto: unas 1 h 07 min | 0,71 € | 0,65 € |
Las columnas de coste usan los precios de hoy, así que siempre están al día. Míralas antes de decidir: según el catálogo de ese día, la tarjeta más lenta puede salir más barata por imagen, más o menos igual o más cara.
El vídeo sigue el mismo patrón. Wan 2.2 5B cabe en 24 GB y funciona en las dos tarjetas, y nuestra app de vídeo lista para usar acepta cualquiera de ellas. La 4090 renderiza un clip de 5 segundos a 720p en unos 4–9 minutos; en una 3090, cuenta con más o menos el doble, porque la difusión de vídeo está tan limitada por el cálculo como la de imágenes. Wan 2.2 14B necesita más de 24 GB en cualquiera de las dos (mira la guía de VRAM).
Lo que significa en la práctica: cuando estás delante de ComfyUI esperando cada resultado, la 4090 reduce tu espera a la mitad, y tu tiempo suele valer más que la diferencia de precio. Cuando un lote se ejecuta de noche y nadie espera, lo único que cuenta es el coste por imagen.
Modelos de lenguaje: casi la misma velocidad
Aquí manda la fila del ancho de banda. Un modelo de 32B en 4 bits, como Qwen3 32B, ocupa unos 20 GB. Si divides el ancho de banda entre el tamaño del modelo, sale un techo de unos 47 tokens por segundo en la 3090 y 50 en la 4090; las cifras reales quedan por debajo en las dos.
| Trabajo | RTX 3090 | RTX 4090 | Coste en la 3090 | Coste en la 4090 |
|---|---|---|---|---|
| 1 millón de tokens de salida, Qwen3 32B en 4 bits, un usuario (Ollama) | 25–35 tokens/s, con 30: 9 h 16 min | 30–40 tokens/s, con 35: 7 h 56 min | 2,78 € | 4,68 € |
| 10 millones de tokens de salida, modelo de 8B en BF16, vLLM con 32–64 peticiones en paralelo | 800–2000 tokens/s, con 1300: 2 h 08 min | 1000–3000 tokens/s, con 2000: 1 h 23 min | 0,64 € | 0,82 € |
Para una persona chateando, la ganancia es tan pequeña que la 3090 suele ser, con diferencia, la tarjeta más barata por token. Con muchas peticiones en paralelo, el trabajo se desplaza hacia el cálculo y la 4090 se adelanta en torno a 1,5 veces.
Hay un caso más en el que la 4090 gana claramente: los prompts largos. Leer un documento de 20 000 tokens antes de responder está limitado por el cálculo, así que la 4090 procesa el prompt más o menos el doble de rápido y la primera palabra de la respuesta llega en la mitad de tiempo. Si resumes documentos largos o haces recuperación (RAG) sobre fragmentos grandes, la diferencia se nota.
Nuestro chat privado listo para usar con Qwen3 32B funciona en cualquiera de las dos. Está configurado con 8000 tokens de contexto y una caché KV de 8 bits, porque con un contexto por defecto más largo parte del modelo se desbordaba a la CPU y la velocidad caía a unos pocos tokens por segundo. El mismo límite vale para las dos tarjetas: misma memoria, mismo techo.
Esto también responde a una pregunta habitual: ¿qué importa más en los LLM, la VRAM o el ancho de banda? La VRAM decide si el modelo se puede ejecutar; el ancho de banda decide lo rápido que habla. Entre estas dos tarjetas la VRAM es igual y el ancho de banda casi igual, así que la experiencia de chat es casi la misma. Para un texto claramente más rápido, el siguiente paso es la RTX 5090 de 32 GB, con 1792 GB/s.
Entrenamiento y LoRA: unas dos veces más rápido en la 4090
El entrenamiento está limitado por el cálculo, así que los núcleos tensoriales extra de la 4090 cuentan del todo. Un LoRA típico de Flux.1 dev (20–30 imágenes con descripción, unos 2000 pasos, el modelo base cargado en 8 bits para que quepa en 24 GB):
| Ejecución | RTX 3090 | RTX 4090 |
|---|---|---|
| LoRA de Flux.1 dev, 2000 pasos | 2,5–4 h, con 3 h: 0,90 € | 1–2,5 h, con 1,5 h: 0,89 € |
| QLoRA sobre un modelo de lenguaje de 8B | funciona, más o menos a la mitad de velocidad | funciona |
Suma 15–25 minutos en cualquiera de las dos para instalar el entrenador y descargar el modelo base; cada lanzamiento se factura como mínimo por 15 minutos.
Como la memoria es la misma, los mismos ajustes del entrenador (resolución, tamaño de lote, gradient checkpointing, modelo base en 8 bits) funcionan en las dos. Una forma práctica de trabajar es depurar el dataset y la configuración en una 3090 y luego lanzar el entrenamiento largo en la tarjeta que ese día salga más barata por hora de avance. Los ajustes finos completos de modelos de 8B en adelante necesitan más de 24 GB en cualquiera de las dos, es decir, una tarjeta de 80 GB o varias tarjetas.
Cómo calcular qué tarjeta sale más barata para tu trabajo
El coste por trabajo es el precio por hora × las horas. Así que la 4090 sale más barata justo cuando su precio por hora es menor que su ventaja de velocidad multiplicada por el precio de la 3090.
| Tipo de trabajo | Velocidad de la 4090 frente a la 3090 | La 4090 sale más barata por trabajo si cuesta menos de |
|---|---|---|
Flux, Qwen-Image o Wan en fp8 con --fast |
2–2,5× | 2–2,5 veces el precio por hora de la 3090 |
| Imágenes sin la aceleración fp8, SDXL | 1,6–2× | 1,6–2 veces el precio de la 3090 |
| LoRA y otros entrenamientos | unas 2× | unas 2 veces |
| Servir un LLM con muchas peticiones en paralelo | unas 1,5× | unas 1,5 veces |
| Chat con un LLM, un usuario | 1,1–1,2× | 1,1–1,2 veces |
Ahora mismo eso significa comparar 0,59 € con 0,30 €. Los precios del catálogo van en vivo y cambian a lo largo del día, así que consulta la página de precios cuando lances; a partir de ahí, el precio por minuto queda fijado para ese servidor hasta que lo detengas.
Después suma tu propio tiempo. Ahorrarte cinco horas en un lote de 1000 imágenes vale algo aunque el coste por imagen sea unos céntimos más alto.
Cuándo la 3090 es la elección inteligente
- Chatear con modelos de lenguaje de hasta 32B o servirlos. La misma memoria, casi los mismos tokens por segundo y un precio por token mucho más bajo.
- Lotes de noche y de fin de semana. Nadie espera, así que el coste por trabajo es la única cifra que cuenta, y la 3090 suele ganar.
- Preparar el terreno. Instalar un entrenador, limpiar un dataset, montar un workflow de ComfyUI: la GPU está parada casi todo ese tiempo, así que hazlo en la tarjeta más barata y cambia para la ejecución de verdad.
- Cuando las 4090 están ocupadas. El catálogo muestra cuántas máquinas de cada tipo hay libres.
Y cuándo merece la pena la 4090: trabajo interactivo con imágenes, modelos de imagen y vídeo en fp8, entrenamientos cuyo resultado estás esperando y prompts largos. Si necesitas más de 24 GB, ninguna de las dos te sirve; la página de la RTX 4090 muestra a su lado las opciones más grandes.
Cómo saber cuándo subir de tarjeta
Empezar con la tarjeta pequeña y subir después es una buena costumbre, siempre que sepas qué mirar. Ejecuta nvidia-smi -l 2 en un segundo terminal mientras trabaja el proceso:
- «CUDA out of memory»: necesitas más VRAM, no una tarjeta más rápida. Una 4090 tiene los mismos 24 GB y fallará igual.
- Uso de la GPU al 90–100 % y tú esperando: el cuello de botella es la tarjeta, y una más rápida (4090, luego 5090) ayuda.
- Uso bajo o saltando entre 0 y 100 %: hay otra cosa que va lenta, normalmente la carga de datos, la CPU o un modelo que entra y sale de memoria. Una GPU más rápida no cambia nada; arregla antes el flujo de datos.
Si es el segundo caso, detén la 3090, guarda la carpeta y lanza una 4090 con la misma configuración. Pierdes unos minutos y el mínimo de 15 minutos del nuevo lanzamiento, y te aseguras de que la mejora de velocidad es real.