Rendimiento de los LLM en 2026: Benchmarks, Cuellos de Botella y Optimización
El rendimiento de los LLMshttps://www.glukhov.org/es/llm-performance/ “Rendimiento de los LLMs”) no se trata solo de tener una GPU potente. La velocidad de inferencia, la latencia y la eficiencia en costos dependen de las limitaciones de toda la pila tecnológica:
- Tamaño del modelo y cuantización
- Capacidad de VRAM y ancho de banda de memoria
- Longitud del contexto y tamaño del prompt
- Programación del tiempo de ejecución y lotificación (batching)
- Utilización de los núcleos del CPU
- Topología del sistema (vías PCIe, NUMA, etc.)
Este centro de recursos organiza análisis detallados sobre cómo se comportan los modelos de lenguaje grandes bajo cargas de trabajo reales, y cómo optimizarlos.
Qué significa realmente el rendimiento de los LLMs
El rendimiento es multidimensional.
Rendimiento (Throughput) vs Latencia
- Rendimiento (Throughput) = tokens por segundo a través de muchas solicitudes
- Latencia = tiempo hasta el primer token + tiempo total de respuesta
La mayoría de los sistemas reales deben equilibrar ambos.
El orden de las limitaciones
En la práctica, los cuellos de botella suelen aparecer en este orden:
- Capacidad de VRAM
- Ancho de banda de memoria
- Programación del tiempo de ejecución
- Tamaño de la ventana de contexto
- Sobrecarga del CPU
Entender qué limitación estás encontrando es más importante que “actualizar el hardware”.
Rendimiento del tiempo de ejecución de Ollama
Ollama es ampliamente utilizado para la inferencia local. Es crítico entender su comportamiento bajo carga.
Programación de núcleos del CPU
Manejo de solicitudes paralelas
Comportamiento de asignación de memoria
Problemas de tiempo de ejecución con salida estructurada
Limitaciones de hardware que importan
No todos los problemas de rendimiento son problemas de cómputo de GPU.
Efectos de PCIe y topología
Tendencias en cómputo especializado
Benchmarks y comparaciones de modelos
Los benchmarks deben responder a una pregunta de decisión.
Comparaciones de plataformas de hardware
Pruebas reales con 16 GB de VRAM
Las GPUs de consumo de 16 GB son un punto de quiebre común para el ajuste del modelo, el tamaño de la caché KV y si las capas permanecen en el dispositivo. Las publicaciones a continuación utilizan la misma clase de hardware pero diferentes pilas tecnológicas: el tiempo de ejecución de Ollama frente a llama.cpp con barridos de contexto explícitos, por lo que puedes separar los efectos de “planificador y empaquetado” del rendimiento bruto y la capacidad de VRAM.
- Elegir el mejor LLM para Ollama en una GPU con 16 GB de VRAM
- Benchmarks de LLMs con 16 GB de VRAM usando llama.cpp (velocidad y contexto)
- Qwen 3.6 27B y 35B MTP vs Estándar en una GPU de 16 GB — mide cuánto acelera la decodificación especulativa MTP integrada de llama.cpp la generación de Qwen 3.6, y a qué costo para la ventana de contexto en una tarjeta de 16 GB
Benchmarks de velocidad y calidad de modelos
- Parámetros de inferencia para agentes — Qwen y Gemma
- Qwen3 30B vs GPT-OSS 20B
- Gemma2 vs Qwen2 vs Mistral Nemo 12B
- Mistral Small vs Gemma2 vs Qwen2.5 vs Mistral Nemo
Salidas estructuradas y validación
Pruebas de estrés de capacidades
- Capacidades de resumen de los LLMs
- Pruebas de falacias lógicas y mitos sobre la velocidad de los LLMs
Guía de optimización
La sintonización del rendimiento debe ser incremental.
Paso 1 — Hacer que quepa
- Reducir el tamaño del modelo
- Usar cuantización
- Limitar la ventana de contexto
Paso 2 — Estabilizar la latencia
- Reducir el costo de prellenado (prefill)
- Evitar reintentos innecesarios
- Validar salidas estructuradas temprano
Paso 3 — Mejorar el rendimiento (throughput)
- Aumentar la lotificación (batching)
- Ajustar la concurrencia
- Usar tiempos de ejecución enfocados en el servicio cuando sea necesario
Si tu cuello de botella es la estrategia de alojamiento en lugar del comportamiento del tiempo de ejecución, consulta:
Preguntas frecuentes
¿Por qué mi LLM es lento incluso en una GPU potente?
A menudo es el ancho de banda de memoria, la longitud del contexto o la programación del tiempo de ejecución, no el cómputo puro.
¿Qué importa más: el tamaño de la VRAM o el modelo de la GPU?
La capacidad de VRAM suele ser la primera limitación dura. Si no cabe, nada más importa.
¿Por qué el rendimiento cae bajo concurrencia?
La formación de colas, la contención de recursos y los límites del programador causan curvas de degradación.
Reflexiones finales
El rendimiento de los LLMs es ingeniería, no suposición.
Mide deliberadamente.
Entiende las limitaciones.
Optimiza basándote en los cuellos de botella, no en suposiciones.
