{"id":42898,"date":"2026-06-03T11:39:32","date_gmt":"2026-06-03T09:39:32","guid":{"rendered":"https:\/\/www.cloudmagazin.com\/2026\/06\/03\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-2\/"},"modified":"2026-08-03T16:13:07","modified_gmt":"2026-08-03T14:13:07","slug":"fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia","status":"publish","type":"post","link":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/","title":{"rendered":"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA"},"content":{"rendered":"<p style=\"color:#0bb7fd;font-size:0.9em;margin:0 0 16px;padding:0;\">8 Min. de lectura<\/p>\n<p><strong>Los costos de entrenamiento de un modelo se incurren una sola vez, los costos de inferencia cada d\u00eda. Aqu\u00ed es donde la cuenta est\u00e1 cambiando actualmente: Con los n\u00facleos tensor FP4 nativos de NVIDIA Blackwell y una capa de servicio como vLLM que aprovecha estos formatos, se pueden reducir significativamente las horas de GPU y la latencia, sin volver a entrenar el modelo. Quien ejecuta cargas de trabajo de IA ya no decide solo sobre la elecci\u00f3n del modelo, sino tambi\u00e9n sobre el formato num\u00e9rico en el que se realiza el c\u00e1lculo.<\/strong><\/p>\n<h2>Lo m\u00e1s importante en resumen<\/h2>\n<div style=\"background:#f8fbfd;border:1px solid rgba(11,183,253,0.28);border-radius:8px;padding:22px 26px;margin:16px 0 32px 0;\">\n<ul style=\"color:#1a2733\">\n<li><strong>La cuantizaci\u00f3n es la palanca de costos:<\/strong> Al pasar de FP16 a FP8 o FP4, se reduce a la mitad o a un cuarto el requisito de memoria por par\u00e1metro y se alivia el ancho de banda de memoria, el verdadero cuello de botella de la inferencia.<\/li>\n<li><strong>El hardware y el software deben ser compatibles:<\/strong> Blackwell aporta n\u00facleos tensor FP4 nativos, pero solo una capa de servicio con los n\u00facleos adecuados hace que la ventaja sea utilizable. Sin una pila alineada, el formato permanece sin usar.<\/li>\n<li><strong>La ganancia es medible, el riesgo controllable:<\/strong> Se ha documentado un aumento de hasta cuatro veces el rendimiento a latencia comparable, y la p\u00e9rdida de calidad se puede limitar mediante cuantizaci\u00f3n selectiva y suites de evaluaci\u00f3n.<\/li>\n<\/ul>\n<\/div>\n<p style=\"font-size:0.88em;color:#666;margin:20px 0 32px 0;border-top:1px solid #e5e5e5;border-bottom:1px solid #e5e5e5;padding:10px 0;\"><span style=\"color:#004a59;font-weight:700;text-transform:uppercase;font-size:0.72em;letter-spacing:0.14em;margin-right:14px;\">Relacionado:<\/span><a href=\"https:\/\/www.cloudmagazin.com\/es\/2026\/05\/29\/finops-lo-ve-todo-pero-no-puede-hacer-nada-por-que-el-desperdicio-en-la-nube-no\/\" style=\"color:#333;text-decoration:underline;\">FinOps lo ve todo, pero no puede hacer nada<\/a>&nbsp;&nbsp;<span style=\"color:#ccc;\">\/<\/span>&nbsp;&nbsp;<a href=\"https:\/\/www.cloudmagazin.com\/es\/2026\/05\/29\/cloud-nativa-madura-que-significan-knative-y-kubernetes-1-34-para-las-cargas-de\/\" style=\"color:#333;text-decoration:underline;\">Madurez cloud-native: Knative y Kubernetes 1.34<\/a><\/p>\n<h2 style=\"margin-top:64px;margin-bottom:20px;padding-top:16px;\">\u00bfPor qu\u00e9 la cuenta de inferencia se convierte en un tema de arquitectura?<\/h2>\n<p>Un modelo de lenguaje utilizado productivamente consume sus horas de GPU no durante el entrenamiento \u00fanico, sino en cada solicitud individual. Cuando un servicio se escala de cien a cien mil llamadas al d\u00eda, la inferencia se convierte en la partida m\u00e1s grande de la factura en la nube, y crece linealmente con el uso. Esto la convierte en un tema de arquitectura y no en una cuesti\u00f3n que pueda resolverse simplemente con un mayor descuento por reserva.<\/p>\n<p>El cuello de botella rara vez se encuentra en el rendimiento computacional puro. En la generaci\u00f3n de tokens, suele ser el ancho de banda de memoria el factor limitante: el modelo debe volver a leer sus pesos desde la memoria de la GPU para cada token generado. Cuanto m\u00e1s compactos est\u00e9n almacenados los pesos, menos ancho de banda consume cada paso. Es precisamente aqu\u00ed donde entra en juego la cuantizaci\u00f3n.<\/p>\n<p><strong>\u00bfQu\u00e9 es la cuantizaci\u00f3n?<\/strong> La cuantizaci\u00f3n reduce la precisi\u00f3n num\u00e9rica con la que se almacenan y calculan los pesos y las activaciones del modelo, por ejemplo de 16 bits (FP16) a 8 bits (FP8) o 4 bits (FP4). Esto disminuye el requisito de memoria y la carga de ancho de banda, y acelera las multiplicaciones de matrices, idealmente sin una p\u00e9rdida de calidad perceptible.<\/p>\n<h2 style=\"margin-top:64px;margin-bottom:20px;padding-top:16px;\">FP8 y FP4: Qu\u00e9 cambian los formatos num\u00e9ricos en Blackwell<\/h2>\n<p>Las GPUs Hopper de la generaci\u00f3n anterior manejan FP8 de forma nativa. Blackwell da un paso m\u00e1s y lleva los Tensor Cores FP4 directamente al hardware, junto con un mayor ancho de banda de memoria. As\u00ed, se vuelve pr\u00e1ctico un formato que comprime los pesos a un cuarto del tama\u00f1o de FP16. Seg\u00fan NVIDIA, el GB200 alcanza un rendimiento significativamente mayor en operaciones FP4 y FP8 que el H200 m\u00e1s antiguo.<\/p>\n<div style=\"overflow-x:auto;-webkit-overflow-scrolling:touch;margin:16px 0 32px 0;\" data-element=\"comparison_table\">\n<table style=\"width:100%;min-width:560px;border-collapse:collapse;font-size:0.95em;\">\n<thead>\n<tr style=\"background:#004a59;color:#fff;\">\n<th style=\"padding:12px 16px;text-align:left;border:1px solid #004a59;\">Formato<\/th>\n<th style=\"padding:12px 16px;text-align:left;border:1px solid #004a59;\">Memoria por par\u00e1metro<\/th>\n<th style=\"padding:12px 16px;text-align:left;border:1px solid #004a59;\">Hardware nativa<\/th>\n<th style=\"padding:12px 16px;text-align:left;border:1px solid #004a59;\">Clasificaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\"><strong>FP16<\/strong><\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\">2 Byte<\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\">Todas las GPUs comunes<\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;color:#004a59;font-weight:600;\">Referencia, m\u00e1xima fidelidad, mayor ancho de banda<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\"><strong>FP8<\/strong><\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\">1 Byte<\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\">Hopper, Blackwell<\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;color:#004a59;font-weight:600;\">Est\u00e1ndar robusto con bajo riesgo de calidad<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\"><strong>FP4<\/strong><\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\">0,5 Byte<\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;\">Blackwell<\/td>\n<td style=\"padding:12px 16px;border:1px solid #ddd;color:#004a59;font-weight:600;\">M\u00e1ximo ahorro, requiere calibraci\u00f3n cuidadosa<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"font-size:0.8em;color:#888;margin-top:8px;\">Valores de memoria redondeados, comportamiento de calidad dependiente del modelo.<\/p>\n<\/div>\n<p>Lo decisivo es que el formato por s\u00ed solo no aporta nada. Primero, la capa de servicio debe incluir kernels que aprovechen FP4 y FP8 en el hardware. vLLM ha integrado para ello la biblioteca FlashInfer y utiliza, entre otras cosas, atenci\u00f3n FP8 y r\u00e1pidas multiplicaciones de matrices FP8 y FP4, adem\u00e1s de kernels GEMM adaptados al GB200. El resultado es un rendimiento cercano al l\u00edmite te\u00f3rico de FP4 manteniendo la calidad del modelo.<\/p>\n<div class=\"evm-stat-highlight\" style=\"text-align:center;background:#004a59;border-radius:12px;padding:32px 24px;margin:32px 0;\">\n<div style=\"font-size:48px;font-weight:700;color:#fff;letter-spacing:-0.03em;\">hasta 4x<\/div>\n<div style=\"font-size:15px;color:#fff;margin-top:8px;max-width:420px;margin-left:auto;margin-right:auto;\">mayor rendimiento en Blackwell frente a Hopper con latencia comparable, medido en modelos como Llama 3.3 70B.<\/div>\n<div style=\"font-size:12px;color:#0bb7fd;margin-top:8px;\">Fuente: vLLM \/ SemiAnalysis InferenceMAX<\/div>\n<\/div>\n<p>Estos saltos no son un efecto puntual. Solo una ronda de optimizaci\u00f3n de kernels dirigida aport\u00f3 recientemente un 38 % m\u00e1s de rendimiento en el m\u00e1ximo y un 13 % menos de latencia en el m\u00ednimo, distribuido a lo largo de toda la curva de Pareto. Quien mantenga la pila actualizada obtiene estas mejoras sin necesidad de trabajo de desarrollo propio.<\/p>\n<h2 style=\"margin-top:64px;margin-bottom:20px;padding-top:16px;\">Qu\u00e9 deben aclarar los equipos antes del cambio<\/h2>\n<p>El cambio a menor precisi\u00f3n no es un interruptor que se pueda activar sin pensarlo. FP4 puede reducir la calidad de la respuesta en capas sensibles o ciertas tareas. Por eso la pr\u00e1ctica separa: la atenci\u00f3n y las capas sensibles suelen permanecer en FP8, mientras que la mayor parte de los pesos se mueve a FP4. Sin una suite de evaluaci\u00f3n propia que mida las consultas reales frente a la versi\u00f3n cuantizada, la p\u00e9rdida de calidad sigue siendo un punto ciego.<\/p>\n<div class=\"evm-pros-cons\" style=\"display:grid;grid-template-columns:repeat(auto-fit,minmax(280px,1fr));gap:16px;margin:28px 0;\">\n<div style=\"background:#fafafa;border-top:3px solid #c0392b;padding:18px 20px;border-radius:4px;\">\n<p style=\"margin:0 0 10px 0;font-size:0.78em;font-weight:700;text-transform:uppercase;letter-spacing:0.12em;color:#c0392b;\">Qu\u00e9 falla<\/p>\n<ul style=\"margin:0;padding-left:18px;color:#333;line-height:1.55;font-size:0.95em;\">\n<li style=\"margin-bottom:6px;\">Cuantizar a ciegas todas las capas reduce la calidad de la respuesta<\/li>\n<li style=\"margin-bottom:6px;\">Sin una suite de evaluaci\u00f3n, la p\u00e9rdida pasa desapercibida hasta la queja<\/li>\n<li>Las ventajas de FP4 se pierden en hardware sin n\u00facleos tensor nativos<\/li>\n<\/ul>\n<\/div>\n<div style=\"background:#fafafa;border-top:3px solid #2d7a3e;padding:18px 20px;border-radius:4px;\">\n<p style=\"margin:0 0 10px 0;font-size:0.78em;font-weight:700;text-transform:uppercase;letter-spacing:0.12em;color:#2d7a3e;\">Qu\u00e9 aporta<\/p>\n<ul style=\"margin:0;padding-left:18px;color:#333;line-height:1.55;font-size:0.95em;\">\n<li style=\"margin-bottom:6px;\">Cuantizaci\u00f3n selectiva: capas sensibles en FP8, el resto en FP4<\/li>\n<li style=\"margin-bottom:6px;\">Mantener actualizada la capa de servicio y llevar consigo las mejoras del kernel<\/li>\n<li>Costo por token en lugar de la utilizaci\u00f3n de la GPU como m\u00e9trica de control<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<p>Econ\u00f3micamente, el esfuerzo vale la pena donde hay volumen. En un servicio con carga constantemente alta, el precio por token decide el margen, no la utilizaci\u00f3n nominal de la GPU. Esta m\u00e9trica pertenece al monitoreo, junto con la latencia y la calidad de acierto. Quien no la mide, optimiza a ciegas.<\/p>\n<p>Para la arquitectura, esto significa que la elecci\u00f3n del modelo, el formato num\u00e9rico y el stack de servicio son una decisi\u00f3n conjunta, no tres decisiones separadas. La inferencia m\u00e1s econ\u00f3mica no surge del modelo m\u00e1s peque\u00f1o por s\u00ed solo, sino del modelo adecuado en el formato correcto en hardware afinado.<\/p>\n<h2 style=\"padding-top:64px;margin-bottom:20px;\">Preguntas frecuentes<\/h2>\n<details>\n<summary><strong>\u00bfPierde un modelo calidad notable al usar FP4?<\/strong><\/summary>\n<p style=\"margin:8px 0 4px 24px;color:#555;line-height:1.6;\">Puede ser, pero no tiene por qu\u00e9. Cuantificar de forma indiscriminada todas las capas reduce la fidelidad de forma medible. Con un enfoque selectivo que deja las capas sensibles en FP8, la p\u00e9rdida suele ser peque\u00f1a. Solo se puede evaluar de forma fiable con un propio conjunto de evaluaci\u00f3n en consultas reales.<\/p>\n<\/details>\n<details>\n<summary><strong>\u00bfNecesito obligatoriamente hardware Blackwell?<\/strong><\/summary>\n<p style=\"margin:8px 0 4px 24px;color:#555;line-height:1.6;\">Para FP8 no, tambi\u00e9n lo dominan nativamente las GPUs Hopper. El beneficio completo de FP4 con n\u00facleos Tensor nativos solo lo ofrece Blackwell. En hardware m\u00e1s antiguo, FP8 sigue siendo el compromiso sensato entre ahorro y calidad.<\/p>\n<\/details>\n<details>\n<summary><strong>\u00bfQu\u00e9 aporta la capa de servicio si el hardware soporta el formato?<\/strong><\/summary>\n<p style=\"margin:8px 0 4px 24px;color:#555;line-height:1.6;\">El hardware proporciona las unidades de c\u00f3mputo, pero solo los kernels adecuados las invocan. vLLM utiliza a trav\u00e9s de la biblioteca FlashInfer kernels FP8 y FP4 adaptados a cada GPU. Sin esta capa, la ventaja del hardware queda desaprovechada.<\/p>\n<\/details>\n<details>\n<summary><strong>\u00bfCu\u00e1n grande es la ganancia real de rendimiento?<\/strong><\/summary>\n<p style=\"margin:8px 0 4px 24px;color:#555;line-height:1.6;\">Se documenta un aumento de hasta cuatro veces el rendimiento en Blackwell frente a Hopper con latencia comparable para modelos habituales. Adem\u00e1s, las optimizaciones continuas de los kernels aportan mejoras porcentuales de dos d\u00edgitos que se incorporan con cada actualizaci\u00f3n.<\/p>\n<\/details>\n<details>\n<summary><strong>\u00bfQu\u00e9 m\u00e9trica regula mejor los costos de inferencia?<\/strong><\/summary>\n<p style=\"margin:8px 0 4px 24px;color:#555;line-height:1.6;\">El precio por token generado. Une la hora de GPU, el formato y el tama\u00f1o del modelo en una magnitud que incide directamente en el margen de un servicio. El uso aislado de la GPU oscurece si una llamada fue barata o cara.<\/p>\n<\/details>\n<div style=\"margin:40px 0 24px 0;\">\n<p style=\"margin:32px 0 12px 0;font-size:0.78em;font-weight:700;text-transform:uppercase;letter-spacing:0.18em;color:#666;\">M\u00e1s del MBF Media Netzwerk<\/p>\n<div style=\"padding:14px 18px;border-left:3px solid #202528;background:#fafafa;margin-bottom:6px;\">\n<div style=\"font-size:0.7em;font-weight:700;color:#202528;text-transform:uppercase;letter-spacing:0.12em;margin-bottom:4px;\">mybusinessfuture<\/div>\n<p><a href=\"https:\/\/mybusinessfuture.com\/ki-mittelstand-einfuehrung-reihenfolge-bitkom-dihk-2026\/\" style=\"font-weight:600;line-height:1.4;color:#1a1a1a;text-decoration:none;\">Por qu\u00e9 la IA en la pyme fracasa por el orden<\/a><\/p>\n<\/div>\n<div style=\"padding:14px 18px;border-left:3px solid #d65663;background:#fafafa;margin-bottom:6px;\">\n<div style=\"font-size:0.7em;font-weight:700;color:#d65663;text-transform:uppercase;letter-spacing:0.12em;margin-bottom:4px;\">digital-chiefs<\/div>\n<p><a href=\"https:\/\/www.digital-chiefs.de\/ki-budget-cio-outcome-deadline-sommer-2026-gartner-governance\/\" style=\"font-weight:600;line-height:1.4;color:#1a1a1a;text-decoration:none;\">Presupuestos de IA antes del verano: Qu\u00e9 deben demostrar ahora los CIOs<\/a><\/p>\n<\/div>\n<div style=\"padding:14px 18px;border-left:3px solid #69d8ed;background:#fafafa;\">\n<div style=\"font-size:0.7em;font-weight:700;color:#69d8ed;text-transform:uppercase;letter-spacing:0.12em;margin-bottom:4px;\">securitytoday<\/div>\n<p><a href=\"https:\/\/www.securitytoday.de\/2026\/05\/31\/type-confusion-in-chromes-v8-warum-dieselbe-luecken-klasse-immer-wiederkommt\/\" style=\"font-weight:600;line-height:1.4;color:#1a1a1a;text-decoration:none;\">Confusi\u00f3n de tipo en V8 de Chrome: Por qu\u00e9 esa misma clase de vulnerabilidad vuelve una y otra vez<\/a><\/p>\n<\/div>\n<\/div>\n<p style=\"text-align:right;\"><em>Fuente de la imagen: generada por IA (Juni 2026), certificado C2PA incrustado<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"FP8 y FP4 en NVIDIA Blackwell reducen los costos de la inferencia de IA, sin que sea necesario cambiar de modelo.","protected":false},"author":31,"featured_media":46704,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_yoast_wpseo_meta-robots-noindex":"","_yoast_wpseo_meta-robots-nofollow":"","_yoast_wpseo_meta-robots-adv":"","_yoast_wpseo_canonical":"","_yoast_wpseo_opengraph-title":"","_yoast_wpseo_opengraph-description":"","_yoast_wpseo_opengraph-image":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","_yoast_wpseo_opengraph-image-id":0,"_yoast_wpseo_twitter-title":"","_yoast_wpseo_twitter-description":"","_yoast_wpseo_twitter-image":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","_yoast_wpseo_twitter-image-id":0,"pre_headline":"","bildquelle":"","teasertext":"","language":"de","_evm_slot_owner":"","_evm_translation_lang":"","featured_post":0,"featured_post_sortierung":0,"_wp_old_slug":["fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-2"],"footnotes":""},"categories":[955],"tags":[],"industry":[],"class_list":["post-42898","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-guias"],"evm_reading_time_minutes":8,"wpml_language":"es","wpml_translation_of":42818,"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.9 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA<\/title>\n<meta name=\"description\" content=\"FP8 y FP4 en NVIDIA Blackwell reducen los costos de inferencia de IA. La cuantizaci\u00f3n y vLLM reducen horas de GPU y latencia sin cambios de modelo.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA\" \/>\n<meta property=\"og:description\" content=\"FP8 y FP4 en NVIDIA Blackwell reducen los costos de inferencia de IA. La cuantizaci\u00f3n y vLLM reducen horas de GPU y latencia sin cambios de modelo.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/\" \/>\n<meta property=\"og:site_name\" content=\"cloudmagazin\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/cloudmagazincom\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-03T09:39:32+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-08-03T14:13:07+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg\" \/>\n<meta name=\"author\" content=\"Alec Chizhik\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg\" \/>\n<meta name=\"twitter:creator\" content=\"@cloudmagazin\" \/>\n<meta name=\"twitter:site\" content=\"@cloudmagazin\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Alec Chizhik\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"NewsArticle\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/\"},\"author\":{\"name\":\"Alec Chizhik\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#\\\/schema\\\/person\\\/ce38baaa19a580268aedce096597eb3c\"},\"headline\":\"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA\",\"datePublished\":\"2026-06-03T09:39:32+00:00\",\"dateModified\":\"2026-08-03T14:13:07+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/\"},\"wordCount\":1429,\"publisher\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg\",\"articleSection\":[\"Gu\u00edas\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/\",\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/\",\"name\":\"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg\",\"datePublished\":\"2026-06-03T09:39:32+00:00\",\"dateModified\":\"2026-08-03T14:13:07+00:00\",\"description\":\"FP8 y FP4 en NVIDIA Blackwell reducen los costos de inferencia de IA. La cuantizaci\u00f3n y vLLM reducen horas de GPU y latencia sin cambios de modelo.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg\",\"contentUrl\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg\",\"width\":1376,\"height\":768,\"caption\":\"GPU-Kosten der KI-Inferenz senken durch FP8- und FP4-Quantisierung und vLLM-Serving; Architektur-Sketchnote: GPU, Inferenz-Pipeline, Kostenk\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/2026\\\/06\\\/03\\\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/inicio\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/\",\"name\":\"cloudmagazin\",\"description\":\"Inspiration f\u00fcr Businessentscheider\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#organization\",\"name\":\"cloudmagazin\",\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2020\\\/04\\\/cloudmagazin-logo-klein_menu.jpg\",\"contentUrl\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2020\\\/04\\\/cloudmagazin-logo-klein_menu.jpg\",\"width\":150,\"height\":150,\"caption\":\"cloudmagazin\"},\"image\":{\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/cloudmagazincom\\\/\",\"https:\\\/\\\/x.com\\\/cloudmagazin\",\"https:\\\/\\\/www.linkedin.com\\\/showcase\\\/cloudmagazin\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/#\\\/schema\\\/person\\\/ce38baaa19a580268aedce096597eb3c\",\"name\":\"Alec Chizhik\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/alec-chizhik.jpg\",\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/alec-chizhik.jpg\",\"contentUrl\":\"https:\\\/\\\/www.cloudmagazin.com\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/alec-chizhik.jpg\",\"caption\":\"Alec Chizhik\"},\"description\":\"Alec es el Director Digital Jefe en Evernine y escribe sobre arquitecturas en la nube, seguridad inform\u00e1tica y pr\u00e1cticas operativas digitales.\",\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/in\\\/alecchizhik\\\/\"],\"url\":\"https:\\\/\\\/www.cloudmagazin.com\\\/es\\\/author\\\/alec\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA","description":"FP8 y FP4 en NVIDIA Blackwell reducen los costos de inferencia de IA. La cuantizaci\u00f3n y vLLM reducen horas de GPU y latencia sin cambios de modelo.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/","og_locale":"es_ES","og_type":"article","og_title":"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA","og_description":"FP8 y FP4 en NVIDIA Blackwell reducen los costos de inferencia de IA. La cuantizaci\u00f3n y vLLM reducen horas de GPU y latencia sin cambios de modelo.","og_url":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/","og_site_name":"cloudmagazin","article_publisher":"https:\/\/www.facebook.com\/cloudmagazincom\/","article_published_time":"2026-06-03T09:39:32+00:00","article_modified_time":"2026-08-03T14:13:07+00:00","og_image":[{"url":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","type":"","width":"","height":""}],"author":"Alec Chizhik","twitter_card":"summary_large_image","twitter_image":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","twitter_creator":"@cloudmagazin","twitter_site":"@cloudmagazin","twitter_misc":{"Escrito por":"Alec Chizhik","Tiempo de lectura":"7 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"NewsArticle","@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#article","isPartOf":{"@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/"},"author":{"name":"Alec Chizhik","@id":"https:\/\/www.cloudmagazin.com\/es\/#\/schema\/person\/ce38baaa19a580268aedce096597eb3c"},"headline":"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA","datePublished":"2026-06-03T09:39:32+00:00","dateModified":"2026-08-03T14:13:07+00:00","mainEntityOfPage":{"@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/"},"wordCount":1429,"publisher":{"@id":"https:\/\/www.cloudmagazin.com\/es\/#organization"},"image":{"@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#primaryimage"},"thumbnailUrl":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","articleSection":["Gu\u00edas"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/","url":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/","name":"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA","isPartOf":{"@id":"https:\/\/www.cloudmagazin.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#primaryimage"},"image":{"@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#primaryimage"},"thumbnailUrl":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","datePublished":"2026-06-03T09:39:32+00:00","dateModified":"2026-08-03T14:13:07+00:00","description":"FP8 y FP4 en NVIDIA Blackwell reducen los costos de inferencia de IA. La cuantizaci\u00f3n y vLLM reducen horas de GPU y latencia sin cambios de modelo.","breadcrumb":{"@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#primaryimage","url":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","contentUrl":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/06\/fp8-fp4-und-vllm-wie-quantisierung-die-gpu-kosten-der-ki-inferenz-drueckt-cover-hero-1.jpg","width":1376,"height":768,"caption":"GPU-Kosten der KI-Inferenz senken durch FP8- und FP4-Quantisierung und vLLM-Serving; Architektur-Sketchnote: GPU, Inferenz-Pipeline, Kostenk"},{"@type":"BreadcrumbList","@id":"https:\/\/www.cloudmagazin.com\/es\/2026\/06\/03\/fp8-fp4-y-vllm-reducir-los-costos-de-gpu-de-la-inferencia-de-ia\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.cloudmagazin.com\/es\/inicio\/"},{"@type":"ListItem","position":2,"name":"FP8, FP4 y vLLM: Reducir los costos de GPU de la inferencia de IA"}]},{"@type":"WebSite","@id":"https:\/\/www.cloudmagazin.com\/es\/#website","url":"https:\/\/www.cloudmagazin.com\/es\/","name":"cloudmagazin","description":"Inspiration f\u00fcr Businessentscheider","publisher":{"@id":"https:\/\/www.cloudmagazin.com\/es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.cloudmagazin.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/www.cloudmagazin.com\/es\/#organization","name":"cloudmagazin","url":"https:\/\/www.cloudmagazin.com\/es\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.cloudmagazin.com\/es\/#\/schema\/logo\/image\/","url":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2020\/04\/cloudmagazin-logo-klein_menu.jpg","contentUrl":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2020\/04\/cloudmagazin-logo-klein_menu.jpg","width":150,"height":150,"caption":"cloudmagazin"},"image":{"@id":"https:\/\/www.cloudmagazin.com\/es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/cloudmagazincom\/","https:\/\/x.com\/cloudmagazin","https:\/\/www.linkedin.com\/showcase\/cloudmagazin\/"]},{"@type":"Person","@id":"https:\/\/www.cloudmagazin.com\/es\/#\/schema\/person\/ce38baaa19a580268aedce096597eb3c","name":"Alec Chizhik","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/03\/alec-chizhik.jpg","url":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/03\/alec-chizhik.jpg","contentUrl":"https:\/\/www.cloudmagazin.com\/wp-content\/uploads\/2026\/03\/alec-chizhik.jpg","caption":"Alec Chizhik"},"description":"Alec es el Director Digital Jefe en Evernine y escribe sobre arquitecturas en la nube, seguridad inform\u00e1tica y pr\u00e1cticas operativas digitales.","sameAs":["https:\/\/www.linkedin.com\/in\/alecchizhik\/"],"url":"https:\/\/www.cloudmagazin.com\/es\/author\/alec\/"}]}},"_links":{"self":[{"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/posts\/42898","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/users\/31"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/comments?post=42898"}],"version-history":[{"count":3,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/posts\/42898\/revisions"}],"predecessor-version":[{"id":50739,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/posts\/42898\/revisions\/50739"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/media\/46704"}],"wp:attachment":[{"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/media?parent=42898"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/categories?post=42898"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/tags?post=42898"},{"taxonomy":"industry","embeddable":true,"href":"https:\/\/www.cloudmagazin.com\/es\/wp-json\/wp\/v2\/industry?post=42898"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}