{"id":2083,"date":"2026-08-03T02:45:07","date_gmt":"2026-08-03T02:45:07","guid":{"rendered":"https:\/\/convly.ai\/?p=2083"},"modified":"2026-08-03T02:45:07","modified_gmt":"2026-08-03T02:45:07","slug":"how-to-check-vram-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/","title":{"rendered":"C\u00f3mo comprobar la VRAM en Windows, macOS y Linux"},"content":{"rendered":"<div class=\"convly-tldr\">\n<ul>\n<li><strong>Windows:<\/strong> pulse <strong>Ctrl+May\u00fas+Esc<\/strong> \u2192 <strong>Rendimiento<\/strong> \u2192 <strong>GPU<\/strong> y lea <em>Memoria GPU dedicada<\/em>. En tarjetas NVIDIA, ejecute <code>nvidia-smi<\/code> en una terminal para obtener la cifra exacta, adem\u00e1s del uso en tiempo real.<\/li>\n<li><strong>macOS:<\/strong> Men\u00fa Apple \u2192 <strong>Acerca de este Mac<\/strong>. En los chips Apple Silicon, la cifra \u00abMemoria\u00bb corresponde a la memoria unificada compartida entre la CPU y la GPU; no existe una VRAM separada.<\/li>\n<li><strong>Linux:<\/strong> <code>nvidia-smi<\/code> (NVIDIA), <code>rocm-smi --showmeminfo vram<\/code> (AMD) o <code>glxinfo -B<\/code> en controladores Mesa.<\/li>\n<li>Solo la <em>dedicada<\/em> VRAM determina qu\u00e9 modelo puede ejecutarse. Ingrese su cifra en la <a href=\"https:\/\/convly.ai\/es\/llm-vram-calculator\/\">calculadora de VRAM<\/a> para ver qu\u00e9 modelos puede ejecutar.<\/li>\n<\/ul>\n<\/div>\n<p>C\u00f3mo comprobar la VRAM, en una l\u00ednea por plataforma: en Windows, pulse <strong>Ctrl+May\u00fas+Esc<\/strong>, abra la pesta\u00f1a <strong>Rendimiento<\/strong> y seleccione su GPU, luego lea <em>Memoria GPU dedicada<\/em>; en macOS, abra el men\u00fa Apple \u2192 <strong>Acerca de este Mac<\/strong>; en Linux, ejecute <code>nvidia-smi<\/code> para NVIDIA o <code>rocm-smi<\/code> for AMD. Below is each method in detail \u2014 plus what the numbers actually mean when you are deciding whether a local LLM will fit.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a704db96b5ef\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a704db96b5ef\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_Windows\" >C\u00f3mo comprobar la VRAM en Windows<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_macOS\" >C\u00f3mo comprobar la VRAM en macOS<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_Linux\" >C\u00f3mo comprobar la VRAM en Linux<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/#Total_vs_Free_vs_Shared_What_the_Numbers_Mean\" >Total frente a libre frente a compartida: qu\u00e9 significan los n\u00fameros<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/#How_Much_VRAM_Do_You_Actually_Need\" >\u00bfCu\u00e1nta VRAM necesita realmente?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/how-to-check-vram-2026\/#Frequently_Asked_Questions\" >Preguntas frecuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_Windows\"><\/span>C\u00f3mo comprobar la VRAM en Windows<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Administrador de tareas: el m\u00e9todo m\u00e1s r\u00e1pido<\/h3>\n<ol>\n<li>Presione <strong>Ctrl+May\u00fas+Esc<\/strong> para abrir el Administrador de tareas.<\/li>\n<li>Vaya a la pesta\u00f1a <strong>Rendimiento<\/strong> Rendimiento <em>M\u00e1s detalles<\/em> primero si ve la vista compacta).<\/li>\n<li>Haga clic en <strong>GPU 0<\/strong> en la barra lateral izquierda. En los port\u00e1tiles con GPU integrada y dedicada tambi\u00e9n aparecer\u00e1 <strong>GPU 1<\/strong> \u2014 normalmente la tarjeta discreta es la GPU 1.<\/li>\n<li>Leer <strong>Memoria GPU dedicada<\/strong> en la zona inferior derecha. Esa es su VRAM f\u00edsica, mostrada como usada \/ total (por ejemplo, 2,1\/24,0 GB).<\/li>\n<\/ol>\n<p>Ignore la l\u00ednea de <em>Memoria de GPU<\/em> : suma la <em>Memoria de GPU compartida<\/em> (memoria RAM del sistema que la GPU puede utilizar temporalmente) a la cifra dedicada, lo que hace que una tarjeta de 8 GB parezca tener 24 GB. M\u00e1s adelante explicamos esta diferencia.<\/p>\n<h3>dxdiag<\/h3>\n<p>Presione <strong>Win+R<\/strong>, escriba <code>dxdiag<\/code>, presione Entrar y luego abra la pesta\u00f1a <strong>Pantalla<\/strong> Pantalla <em>Memoria de pantalla (VRAM)<\/em> muestra lo que DirectX informa. Una advertencia: seg\u00fan el controlador, dxdiag a veces incluye en este valor la memoria RAM compartida del sistema, por lo que puede mostrar un n\u00famero mayor que la VRAM real de la tarjeta. Conf\u00ede en la cifra \u00abdedicada\u00bb del Administrador de tareas o en <code>nvidia-smi<\/code> nvidia-smi<\/p>\n<h3>Ajustes \u2192 Pantalla \u2192 Pantalla avanzada<\/h3>\n<p>Abrir <strong>Ajustes \u2192 Sistema \u2192 Pantalla \u2192 Pantalla avanzada<\/strong>, luego haga clic en <strong>Propiedades del adaptador de pantalla para Pantalla 1<\/strong>. La pesta\u00f1a Adaptador muestra la <em>Memoria de v\u00eddeo dedicada<\/em> en MB. La redacci\u00f3n exacta var\u00eda ligeramente entre Windows 10 y Windows 11, pero la ruta es la misma.<\/p>\n<h3>nvidia-smi: la cifra exacta<\/h3>\n<p>Si tiene una GPU NVIDIA, el controlador instala una herramienta de l\u00ednea de comandos que informa la memoria en mebibytes. Abra PowerShell o el s\u00edmbolo del sistema y ejecute:<\/p>\n<pre><code>nvidia-smi<\/code><\/pre>\n<p>La columna de memoria muestra el uso actual respecto al total real \u2014por ejemplo, <code>3216 MiB \/ 24564 MiB<\/code> en una RTX 4090\u2014 y la lista de procesos en la parte inferior indica qu\u00e9 programas est\u00e1n ocupando memoria. Para obtener una salida limpia y legible por m\u00e1quina:<\/p>\n<pre><code>nvidia-smi --query-gpu=memory.total,memory.used,memory.free --format=csv<\/code><\/pre>\n<p>Si el comando no se encuentra, las versiones recientes de los controladores lo ubican en <code>C:\\Windows\\System32\\nvidia-smi.exe<\/code>; las versiones antiguas de los controladores lo ubicaban en <code>C:\\Program Files\\NVIDIA Corporation\\NVSMI<\/code>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_macOS\"><\/span>C\u00f3mo comprobar la VRAM en macOS<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Haga clic en el men\u00fa Apple \u2192 <strong>Acerca de este Mac<\/strong>.<\/p>\n<ul>\n<li><strong>Apple Silicon (M1 y posteriores):<\/strong> ver\u00e1 un nombre de chip y una cifra como 16 GB, 36 GB o 128 GB. Esto es <em>Memoria<\/em> memoria unificada <strong>memoria unificada<\/strong> \u2014 un \u00fanico grupo compartido por la CPU y la GPU. No hay un valor separado para VRAM porque no existe una VRAM independiente.<\/li>\n<li><strong>Mac con procesador Intel:<\/strong> Las GPU discretas se enumeran con una cifra espec\u00edfica de VRAM, por ejemplo \u00abRadeon Pro 5500M 8 GB\u00bb.<\/li>\n<\/ul>\n<p>Para m\u00e1s detalles, abra <strong>Acerca de este Mac \u2192 M\u00e1s informaci\u00f3n \u2192 Informe del sistema<\/strong> y seleccione <strong>Gr\u00e1ficos\/Pantallas<\/strong>, o ejecute esto en la Terminal:<\/p>\n<pre><code>system_profiler SPDisplaysDataType<\/code><\/pre>\n<p>En equipos Intel, esto imprime una l\u00ednea \u00abVRAM (total)\u00bb; en equipos Apple Silicon, en cambio, enumera el chip y el n\u00famero de n\u00facleos de la GPU. <code>VRAM (Total)<\/code> En los equipos Apple Silicon, la GPU puede acceder a la mayor parte \u2014pero no a la totalidad\u2014 de la memoria del sistema. macOS reserva una porci\u00f3n para s\u00ed misma, y, de forma predeterminada, el l\u00edmite del conjunto de trabajo de la GPU se sit\u00faa aproximadamente entre las dos terceras partes y las tres cuartas partes de la RAM total; el l\u00edmite exacto var\u00eda seg\u00fan la capacidad de RAM y la versi\u00f3n de macOS. En la pr\u00e1ctica, un MacBook Pro con 36 GB de RAM puede cargar modelos que requerir\u00edan una GPU discreta de 24 GB en un equipo PC. Las herramientas de LLM locales le muestran directamente este l\u00edmite utilizable; consulte la<\/p>\n<h3>Por qu\u00e9 la memoria unificada cambia los c\u00e1lculos<\/h3>\n<p>gu\u00eda de LM Studio <a href=\"https:\/\/convly.ai\/es\/lm-studio-complete-guide-2026\/\">para ver c\u00f3mo cada una lo reporta. La contrapartida es el ancho de banda de memoria, que var\u00eda ampliamente entre los chips base, Pro, Max y Ultra, y afecta directamente a los tokens por segundo.<\/a> y la <a href=\"https:\/\/convly.ai\/es\/what-is-ollama-complete-guide-2026\/\">Gu\u00eda de Ollama<\/a> NVIDIA: nvidia-smi<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_Linux\"><\/span>C\u00f3mo comprobar la VRAM en Linux<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Instalado junto con el controlador propietario. Ejecute<\/h3>\n<p>para obtener una instant\u00e1nea, o actualice cada segundo mientras se carga un modelo: <code>nvidia-smi<\/code> nvidia-smi -l 1<\/p>\n<pre><code>AMD: rocm-smi o sysfs<\/code><\/pre>\n<h3>Con la pila ROCm instalada:<\/h3>\n<p>Sin ROCm, el controlador del kernel<\/p>\n<pre><code>rocm-smi --showmeminfo vram<\/code><\/pre>\n<p>amdgpu <code>expone directamente la memoria total (en bytes; su tarjeta podr\u00eda ser<\/code> card1 <code>\u2014 compruebe con<\/code> ls \/sys\/class\/drm\/ <code>cat \/sys\/class\/drm\/card0\/device\/mem_info_vram_total<\/code>):<\/p>\n<pre><code>Cualquier GPU: glxinfo<\/code><\/pre>\n<h3>mesa-utils<\/h3>\n<p>Instalar <code>(Debian\/Ubuntu) o<\/code> glx-utils <code>(Fedora), y luego ejecute:<\/code> glxinfo -B | grep -i memory<\/p>\n<pre><code>Los controladores Mesa imprimen una l\u00ednea como<\/code><\/pre>\n<p>Memoria de v\u00eddeo: 8192 MB <code>; la etiqueta exacta var\u00eda seg\u00fan el controlador.<\/code>lspci \u2014 identifica la tarjeta, no la VRAM<\/p>\n<h3>lspci | grep -iE 'vga|3d'<\/h3>\n<pre><code>sudo lspci -v -s &lt;ranura&gt;<\/code><\/pre>\n<p><code>mostrar\u00e1 entonces las aperturas de memoria de la tarjeta, pero tenga cuidado: estas son las dimensiones de los BAR PCI, que solo coinciden con la VRAM total cuando est\u00e1 habilitado Resizable BAR. Use<\/code> lspci <code>para identificar con precisi\u00f3n el modelo exacto de GPU y, a continuaci\u00f3n, obtenga la cifra de memoria mediante las herramientas anteriores o la hoja de especificaciones de la tarjeta.<\/code> N\u00famero<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Total_vs_Free_vs_Shared_What_the_Numbers_Mean\"><\/span>Total frente a libre frente a compartida: qu\u00e9 significan los n\u00fameros<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table>\n<thead>\n<tr>\n<th>Donde lo ve<\/th>\n<th>Qu\u00e9 significa para los LLM<\/th>\n<th>VRAM dedicada (total)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>\u00abMemoria de GPU dedicada\u00bb en el Administrador de tareas;<\/td>\n<td>Memoria f\u00edsica ubicada en la tarjeta. Este es el presupuesto fijo disponible para los pesos del modelo. <code>nvidia-smi<\/code> total<\/td>\n<td>VRAM libre<\/td>\n<\/tr>\n<tr>\n<td>memory.free<\/td>\n<td><code>nvidia-smi<\/code> <code>Lo que est\u00e1 disponible en este momento. El entorno de escritorio, las pesta\u00f1as del navegador y otras aplicaciones suelen ocupar entre 0,5 y 2 GB.<\/code><\/td>\n<td>\u00abMemoria de GPU compartida\u00bb en el Administrador de tareas<\/td>\n<\/tr>\n<tr>\n<td>Memoria de GPU compartida<\/td>\n<td>RAM del sistema (hasta aproximadamente la mitad de ella) a la que la GPU puede recurrir mediante PCIe. Es mucho m\u00e1s lenta que la VRAM; no la considere al dimensionar un modelo.<\/td>\n<td>Memoria unificada (Apple Silicon)<\/td>\n<\/tr>\n<tr>\n<td>\u00abMemoria\u00bb en Acerca de este Mac<\/td>\n<td>Un \u00fanico grupo compartido por CPU y GPU. La GPU puede utilizar la mayor parte de esta memoria, por lo que se comporta como un gran grupo de VRAM con un ancho de banda dependiente del chip.<\/td>\n<td>Al cargar un modelo, lo que importa es la VRAM<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>libre <em>y no la total. Una tarjeta de 12 GB con 1,5 GB ya consumidos por el compositor y un navegador dispone de unos 10,5 GB disponibles; esto puede hacer que un modelo que \u00abdeber\u00eda caber\u00bb falle al cargarse. En NVIDIA, la lista por proceso que aparece en la parte inferior de la salida de<\/em> nvidia-smi <code>nvidia-smi<\/code> le indica exactamente qu\u00e9 procesos debe cerrar.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_Much_VRAM_Do_You_Actually_Need\"><\/span>\u00bfCu\u00e1nta VRAM necesita realmente?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La pregunta detr\u00e1s de la pregunta. En la cuantizaci\u00f3n de 4 bits \u2014el est\u00e1ndar para la inferencia local\u2014, los pesos del modelo ocupan aproximadamente 0,5\u20130,6 GB por cada mil millones de par\u00e1metros, adem\u00e1s de una cach\u00e9 KV que crece con la longitud del contexto. Gu\u00eda aproximada:<\/p>\n<table>\n<thead>\n<tr>\n<th>Tama\u00f1o del modelo<\/th>\n<th>Pesos de 4 bits (aprox.)<\/th>\n<th>VRAM necesaria para ejecutar c\u00f3modamente<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>7\u20138B<\/td>\n<td>4\u20135 GB<\/td>\n<td>6\u20138 GB<\/td>\n<\/tr>\n<tr>\n<td>12\u201314B<\/td>\n<td>7\u20139 GB<\/td>\n<td>10\u201312 GB<\/td>\n<\/tr>\n<tr>\n<td>24\u201332B<\/td>\n<td>13\u201319 GB<\/td>\n<td>16\u201324 GB<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>36\u201342 GB<\/td>\n<td>48 GB, o dividida entre dos GPU<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La columna \u00abc\u00f3moda\u00bb supone un contexto moderado (4k\u20138k tokens); contextos muy largos a\u00f1aden varios gigabytes adicionales de cach\u00e9 KV. Para cifras espec\u00edficas por modelo, consulte la <a href=\"https:\/\/convly.ai\/es\/vram-requirements-every-major-llm-2026\/\">tabla de requisitos de VRAM para cada LLM importante<\/a> o explore la <a href=\"https:\/\/convly.ai\/es\/models\/\">base de datos de modelos<\/a>. Para su combinaci\u00f3n exacta de modelo, cuantizaci\u00f3n y longitud de contexto, utilice la <a href=\"https:\/\/convly.ai\/es\/llm-vram-calculator\/\">calculadora de VRAM<\/a>. Si su tarjeta no cumple los requisitos, la <a href=\"https:\/\/convly.ai\/es\/best-gpus-for-local-llms-2026\/\">mejores GPUs para LLM locales<\/a> gu\u00eda de actualizaciones clasifica las opciones seg\u00fan la VRAM por d\u00f3lar; y si una nueva GPU no resulta rentable, la <a href=\"https:\/\/convly.ai\/es\/self-hosting-vs-api-calculator\/\">calculadora de punto de equilibrio entre autohospedaje y API<\/a> muestra a partir de qu\u00e9 momento resulta m\u00e1s econ\u00f3mico pagar por token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_Asked_Questions\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>\u00bfPuedo aumentar la VRAM de mi tarjeta gr\u00e1fica?<\/h3>\n<p>No en una GPU discreta: los chips de memoria est\u00e1n soldados a la placa, por lo que la \u00fanica opci\u00f3n de actualizaci\u00f3n es cambiar de tarjeta. Las GPU integradas son la excepci\u00f3n: algunas configuraciones de BIOS\/UEFI permiten modificar la asignaci\u00f3n de RAM (a menudo etiquetada como \u00abTama\u00f1o del b\u00fafer de fotogramas UMA\u00bb o similar). La memoria GPU compartida de Windows no constituye VRAM adicional y no afecta a la cantidad de modelo que puede ejecutarse a velocidad m\u00e1xima.<\/p>\n<h3>\u00bfPor qu\u00e9 Windows informa de m\u00e1s memoria GPU de la que tiene mi tarjeta?<\/h3>\n<p>La l\u00ednea \u00abMemoria GPU\u00bb del Administrador de tareas incluye tanto la VRAM dedicada como la memoria del sistema compartida, y dxdiag puede inflar esta cifra del mismo modo. La VRAM f\u00edsica corresponde al valor \u00abMemoria GPU dedicada\u00bb, o al total que muestra <code>nvidia-smi<\/code> . Una tarjeta de 8 GB en un PC con 32 GB de RAM suele mostrar 24 GB de \u00abMemoria GPU\u00bb: solo 8 GB corresponden a VRAM real.<\/p>\n<h3>\u00bfAyuda la memoria GPU compartida a ejecutar modelos LLM m\u00e1s grandes?<\/h3>\n<p>No de forma significativa. Entornos de ejecuci\u00f3n como llama.cpp y Ollama pueden descargar deliberadamente capas a la memoria RAM del sistema, lo que permite ejecutar modelos demasiado grandes \u2014pero la velocidad de generaci\u00f3n suele caer de decenas de tokens por segundo a apenas uno o pocos tokens por segundo. Ajuste el tama\u00f1o del modelo a la VRAM dedicada y considere la descarga a RAM como una alternativa de respaldo, no como estrategia principal.<\/p>\n<h3>\u00bfCu\u00e1nta VRAM necesita un modelo de 7B o 8B?<\/h3>\n<p>Aproximadamente 4\u20135 GB para los pesos en cuantizaci\u00f3n de 4 bits, por lo que una tarjeta de 6\u20138 GB permite ejecutar uno c\u00f3modamente, dejando margen para el contexto. Una GPU de 8 GB maneja bien los modelos de 7\u20138B; con 12 GB se pueden ejecutar modelos de 12\u201314B. La <a href=\"https:\/\/convly.ai\/es\/best-local-llms-to-run-on-ollama-2026\/\">gu\u00eda de mejores modelos locales para Ollama<\/a> relaciona los modelos populares con sus respectivos niveles de VRAM.<\/p>\n<h3>\u00bfEs la memoria unificada de Mac lo mismo que la VRAM?<\/h3>\n<p>Para ejecutar LLM, pr\u00e1cticamente s\u00ed: la GPU accede a un \u00fanico grupo de memoria compartida, limitado por el sistema a aproximadamente dos tercios o tres cuartos de la RAM total. Esto significa que un Mac con 32 GB puede ejecutar modelos que una GPU de PC de 12 GB no podr\u00eda manejar. La diferencia radica en el ancho de banda de memoria, que var\u00eda varias veces entre los chips base y los modelos Max\/Ultra, y determina su l\u00edmite m\u00e1ximo de tokens por segundo.<\/p>\n<h3>\u00bfC\u00f3mo monitorizo el uso de VRAM mientras se ejecuta un modelo?<\/h3>\n<p>En NVIDIA (cualquier sistema operativo), ejecute <code>AMD: rocm-smi o sysfs<\/code> para una actualizaci\u00f3n cada segundo. En Windows, el panel GPU del Administrador de tareas se actualiza en tiempo real. En Linux AMD, use <code>watch -n 1 rocm-smi --showmeminfo vram<\/code>; en Mac, los pesos del modelo aparecen como memoria de proceso habitual en la pesta\u00f1a \u00abMemoria\u00bb del Monitor de actividad, ya que la memoria es unificada.<\/p>","protected":false},"excerpt":{"rendered":"<p>Windows: press Ctrl+Shift+Esc \u2192 Performance \u2192 GPU and read Dedicated GPU memory. On NVIDIA cards, run nvidia-smi in a terminal [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":2084,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[7],"tags":[],"class_list":["post-2083","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2083","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=2083"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2083\/revisions"}],"predecessor-version":[{"id":2085,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2083\/revisions\/2085"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/2084"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=2083"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=2083"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=2083"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}