Configuraciones de PC para modelos de IA locales, de 20B a 120B — 2026
Desde una tarjeta gráfica de 16 GB hasta tres RTX 3090, un servidor EPYC y equipos de memoria unificada: qué ejecuta cada configuración y a qué velocidad, con la fuente de cada medición.
-
One 16 GB GPU
- Presupuesto
- Económica
- Memoria gráfica
- ≈16 GB
- RAM
- ≈32 GB
- Componentes
- GPU: RTX 5060 Ti 16 GB / RTX 4060 Ti 16 GB
- CPU: any 6–8-core desktop CPU
- Placa base: any ATX/mATX with a PCIe x16 slot
- RAM: 32 GB DDR4/DDR5
- Fuente de alimentación: 550–650 W
- PCIe: 1× x16 (x8 electrical is enough)
- Ejecuta
- gpt-oss-20b MXFP4 (RTX 5060 Ti 16 GB) MXFP4 112 tok/s [medido]
- Qwen3-30B-A3B Q4_K_M, experts partly in RAM Q4_K_M [≈ estimación a partir del ancho de banda de la memoria]
- Notas
- gpt-oss-20b (≈12 GB) fits entirely in VRAM with room for a long context. Qwen3-30B-A3B Q4_K_M (≈18.6 GB) does not fit: a few expert layers go to system RAM with --n-cpu-moe, still usable because only ~3B parameters are active. Measured on an RTX 5060 Ti 16 GB (llama-bench tg128).
-
One RTX 3090 24 GB (used)
- Presupuesto
- Económica
- Memoria gráfica
- ≈24 GB
- RAM
- ≈64 GB
- Componentes
- GPU: RTX 3090 24 GB
- CPU: any 6–8-core desktop CPU
- Placa base: any ATX with a PCIe x16 slot
- RAM: 32–64 GB DDR4/DDR5
- Fuente de alimentación: 750–850 W
- PCIe: 1× x16
- Ejecuta
- gpt-oss-20b MXFP4 MXFP4 162 tok/s [medido]
- Qwen3-30B-A3B Q4_K Q4_K_M 154 tok/s @4k [medido]
- Gemma 3 27B Q4_K_M Q4_K_M ≈31–42 tok/s [≈ estimación a partir del ancho de banda de la memoria]
- Notas
- The cheapest way to 24 GB of fast VRAM. Small MoE models fly; dense ~27–32B models fit at Q4 with a moderate context. The Gemma 3 27B figure is our estimate: 936 GB/s × 55–75 % efficiency ÷ 16.5 GB of weights.
-
12–24 GB GPU + 64–128 GB RAM (MoE offload)
- Presupuesto
- Económica
- Memoria gráfica
- ≈24 GB
- RAM
- ≈64 GB
- Componentes
- GPU: RTX 3090 24 GB / RTX 4070 12 GB / RTX 3080 Ti 12 GB
- CPU: Core i5-12600K / Core Ultra 7 265K class
- Placa base: desktop board, both memory channels populated
- RAM: 64–128 GB DDR5 (XMP/EXPO on) or DDR4-3600
- Fuente de alimentación: 750–850 W
- PCIe: 1× x16
- Ejecuta
- gpt-oss-120b MXFP4 — RTX 3090 + 64 GB DDR5-5200, --n-cpu-moe 24–26 MXFP4 26–28 tok/s [medido]
- gpt-oss-120b MXFP4 — RTX 4070 12 GB + 64 GB DDR5 MXFP4 25–28 tok/s [medido]
- gpt-oss-120b MXFP4 — RTX 3080 Ti 12 GB + 128 GB DDR4-3600, --n-cpu-moe 36 MXFP4 18,0–22 tok/s [medido]
- Notas
- llama.cpp --n-cpu-moe N keeps attention and the shared layers on the GPU and moves the experts of N layers to system RAM. Works well only for MoE models; RAM speed matters — the 4070 build ran at 10–11 tok/s until XMP was turned on.
-
Two RTX 3090 (48 GB)
- Presupuesto
- Gama media
- Memoria gráfica
- ≈48 GB
- RAM
- ≈64 GB
- Componentes
- GPU: 2× RTX 3090 24 GB
- CPU: desktop CPU with x8/x8 bifurcation, or HEDT
- Placa base: two x16-size slots spaced for 3-slot cards (x8/x8)
- RAM: 64 GB
- Fuente de alimentación: 1000–1200 W
- PCIe: 2× x8 PCIe 4.0; NVLink optional
- Ejecuta
- Llama 3 70B Q4_K_M (same size as Llama 3.3 70B) Q4_K_M 16,3 tok/s [medido]
- Notas
- 48 GB holds a dense 70B model at Q4_K_M (≈42.5 GB) with a short-to-medium context. llama.cpp splits the layers between the cards and runs them one after another, so speed is that of one 3090 reading the whole model; NVLink and x8 lanes barely matter here (they do for vLLM tensor parallel).
-
Used EPYC server, 8-channel DDR4 (CPU only)
- Presupuesto
- Gama media
- Memoria gráfica
- ≈0 GB
- RAM
- ≈512 GB
- Precio
- 2.000 US$
- Componentes
- CPU: AMD EPYC 7002/7003 (Rome/Milan), e.g. EPYC 7702
- Placa base: ASRock Rack ROMED8-2T / Supermicro H12SSL-i / Gigabyte MZ32-AR0
- RAM: 256–512 GB DDR4-3200 RDIMM, all 8 channels populated
- Fuente de alimentación: 750–1000 W
- PCIe: 5–7× x16 PCIe 4.0 — room to add GPUs later
- Ejecuta
- DeepSeek R1 671B Q4 — EPYC 7702 + 512 GB DDR4-2400, MZ32-AR0 Q4 3,5–4,2 tok/s [medido]
- gpt-oss-120b MXFP4 MXFP4 ≈12,0–16,0 tok/s [≈ estimación a partir del ancho de banda de la memoria]
- Notas
- Huge memory for little money: 8 channels of DDR4-3200 give 204.8 GB/s per socket. Only MoE models are practical — speed follows the active parameters. Fill every channel; a second socket adds NUMA trouble and little speed in llama.cpp (--numa distribute). The gpt-oss-120b figure is an estimate scaled by memory bandwidth from a DDR5 EPYC run. The source build cost about $2000 (prices of January 2025).
-
AMD Strix Halo mini-PC, 128 GB
- Presupuesto
- Gama media
- Memoria gráfica
- ≈96 GB
- RAM
- ≈128 GB
- Componentes
- GPU: Radeon 8060S (integrated)
- CPU: AMD Ryzen AI Max+ 395
- Placa base: Framework Desktop / other Strix Halo mini-PCs
- RAM: 128 GB LPDDR5X-8000 unified (≈96 GB+ usable as VRAM)
- Fuente de alimentación: built-in
- Ejecuta
- gpt-oss-120b MXFP4 (ROCm) MXFP4 50 tok/s [medido]
- Notas
- Quiet, ~120 W, the whole model in unified memory. Bandwidth (256 GB/s) is about a quarter of a 3090, so dense 70B models are slow; large MoE models with few active parameters are its sweet spot.
-
Three RTX 3090 (72 GB)
- Presupuesto
- Gama alta
- Memoria gráfica
- ≈72 GB
- RAM
- ≈64 GB
- Componentes
- GPU: 3× RTX 3090 24 GB
- CPU: AMD EPYC 7002/7003 or Threadripper (enough PCIe lanes)
- Placa base: ASRock Rack ROMED8-2T / Supermicro H12SSL-i, risers for 3-slot cards
- RAM: 64–128 GB
- Fuente de alimentación: 1200–1600 W (or two PSUs)
- PCIe: 3× x8–x16 PCIe 4.0
- Ejecuta
- gpt-oss-120b MXFP4, all in VRAM MXFP4 41–73 tok/s @12.8k→93.7k [medido]
- Notas
- gpt-oss-120b (≈65 GB) fits fully in 72 GB of VRAM with a long context: 73 tok/s at 12.8k tokens of context, 41 tok/s at 93.7k. The measured machine was rented, so the platform here is our suggestion: a server board gives every card enough lanes. Three 350 W cards need a big PSU; many owners power-limit them.
-
NVIDIA DGX Spark, 128 GB
- Presupuesto
- Gama alta
- Memoria gráfica
- ≈128 GB
- RAM
- ≈128 GB
- Precio
- 3.999 US$
- Componentes
- GPU: NVIDIA GB10 (integrated Blackwell)
- CPU: Arm CPU of the GB10
- Placa base: NVIDIA DGX Spark
- RAM: 128 GB LPDDR5X unified
- Fuente de alimentación: built-in
- Ejecuta
- gpt-oss-120b MXFP4 MXFP4 61 tok/s [medido]
- Notas
- A CUDA box with 128 GB of unified memory at 273 GB/s: the same speed class as Strix Halo, with the NVIDIA software stack. Early llama.cpp builds gave ~35 tok/s on gpt-oss-120b; the figure is after the November 2025 update (llama-bench tg128).
-
Mac Studio, M2/M3 Ultra
- Presupuesto
- Gama alta
- Memoria gráfica
- ≈192 GB
- RAM
- ≈192 GB
- Componentes
- GPU: Apple M2 Ultra 76-core / M3 Ultra 80-core GPU
- CPU: Apple M2 Ultra / M3 Ultra
- Placa base: Mac Studio
- RAM: 192–512 GB unified (800–819 GB/s)
- Fuente de alimentación: built-in
- Ejecuta
- gpt-oss-120b MXFP4 — M2 Ultra 192 GB MXFP4 80 tok/s [medido]
- gpt-oss-20b MXFP4 — M3 Ultra 512 GB MXFP4 116 tok/s [medido]
- Notas
- The simplest way to run the biggest models at home: the M3 Ultra goes up to 512 GB of unified memory, enough for DeepSeek-class MoE models at 4 bits. Prompt processing is much slower than on NVIDIA GPUs. For very large models raise the GPU memory limit with sysctl iogpu.wired_limit_mb.
Las velocidades medidas enlazan a su fuente; ≈ indica una estimación a partir del ancho de banda de la memoria. Los precios son aproximados.
Actualizado · Fuentes: github.com , www.hardware-corner.net , carteakey.dev , github.crookster.org , hardware-corner.net , digitalspaceport.com , quozul.dev
Insertar en tu sitio
Pega este código donde deba aparecer la infografía: se actualiza sola. Uso gratuito — conserva el enlace de atribución.
Equipos completos para IA local
Estas fichas describen PC pensados para ejecutar modelos de 20B a 120B en casa, ordenados en tres grupos de presupuesto. En “Económica” hay una tarjeta gráfica de 16 GB, una RTX 3090 de segunda mano o una GPU con mucha RAM para la descarga MoE. En “Gama media” aparecen dos RTX 3090, un servidor EPYC usado con DDR4 de 8 canales y un mini-PC AMD Strix Halo. “Gama alta” va de tres RTX 3090 a NVIDIA DGX Spark y un Mac Studio con M2/M3 Ultra.
Cada ficha recoge memoria gráfica, RAM, precio aproximado y componentes: GPU, CPU, placa base, RAM, fuente de alimentación y líneas PCIe. Después indica qué modelos ejecuta y a qué velocidad. Cada velocidad está medida, con enlace a la fuente y su fecha, o estimada a partir del ancho de banda y marcada con ≈.
El orden para elegir
- Primero, el tamaño de los modelos que quieres usar, porque fija la memoria.
- Después, la velocidad que te basta, que depende del ancho de banda de memoria.
- Al final, ruido, consumo y precio.
Las tarjetas gráficas van rápidas mientras el modelo quepa entero en su memoria. Los equipos de memoria unificada, como Mac, Strix Halo o DGX Spark, cargan modelos más grandes pero generan más despacio. Los servidores de CPU alojan modelos MoE enormes por poco dinero, aunque ahí solo resulta práctico el MoE.
Dos ideas equivocadas
Más tarjetas no significan más velocidad. Con llama.cpp las capas se reparten entre las GPU, que trabajan una tras otra: una segunda o tercera RTX 3090 te deja cargar un modelo mayor, pero la velocidad se mantiene cerca de la de una sola tarjeta. La descarga MoE (--n-cpu-moe), en cambio, deja las capas compartidas en la GPU y lleva los expertos a la RAM del sistema; funciona bien, pero solo con modelos MoE, y la velocidad de la RAM importa mucho.
Los precios son orientativos y cambian, sobre todo en el mercado de segunda mano. Una ejecución medida usó su propia versión del motor y sus ajustes, así que tu resultado puede variar. Además necesitarás un programa de apps de IA local y un archivo de modelo con la cuantización adecuada, explicado en tipos de modelos de IA.