
¿Puede Hostinger hacer que el hardware GPU de alta gama resulte práctico de alquilar? Desplegué una B200, resolví un problema de conexión y medí la inferencia real, la generación de imágenes y la supervisión. Siga leyendo para conocer los resultados, los costos y las limitaciones que debe tener en cuenta antes de alquilar.

Puntué Hostinger GPU Hosting basándome en mis dos experiencias de despliegue, los resultados de las pruebas de rendimiento de la B200 que funcionó, sus controles de hPanel y mis conversaciones con el equipo de soporte. También revisé las condiciones publicadas de facturación y reembolso. Sigo la metodología de puntuación de alojamiento de HostAdvice, pero esta es una instantánea de una B200 probada, no un estudio del tiempo de actividad ni una comparación de todos los modelos de GPU.
| Prueba | Puntuación /10 | Motivo de la puntuación |
| Precios y planes | 8.1 | Alquiler de GPU flexible por hora y configuraciones adaptables, pero la facturación continua, los créditos no reembolsables y la falta de una opción de pausa limitan el valor. |
| Características | 8.8 | GPU potentes, memoria de vídeo generosa, plantillas de aplicaciones y herramientas de supervisión, pero sin copias de seguridad integradas ni almacenamiento persistente. |
| Rendimiento | 8.8 | Excelentes resultados BF16, inferencia Qwen rápida y generación SDXL en menos de un segundo, aunque no se probaron las cargas de trabajo sostenidas. |
| Facilidad de uso | 8.0 | Despliegue rápido y administración sencilla, pero las limitaciones de disponibilidad de GPU y el problema inicial de SSH causaron frustración. |
| Nivel de soporte | 7.8 | Respuestas de IA rápidas y detalladas, y documentación útil, pero contactar con el soporte humano y resolver los problemas de conectividad llevó tiempo. |
| En general | 8.3 | Rendimiento de GPU impresionante y despliegue accesible, contrarrestados por restricciones de facturación, opciones de recuperación limitadas y dificultades con el soporte. |

Hostinger GPU Hosting utiliza un modelo de alquiler bajo demanda en lugar de las suscripciones mensuales fijas que suelen encontrarse en el alojamiento web. Alquila recursos de GPU para cargas de trabajo como la inferencia de IA, el desarrollo de modelos, el ajuste fino y la generación de imágenes, y los cargos se basan en la configuración que seleccione.
El catálogo de GPU incluye opciones que van desde la RTX 4090 y la L40S hasta la A100 y la NVIDIA B200, cada una con distintas capacidades de memoria y de cálculo. Sin embargo, la disponibilidad puede influir en su elección. La RTX 4090 que inicialmente quería probar estaba agotada en hPanel, aunque aparecía en la página pública de precios de Hostinger.
Hostinger ofrece instancias estándar y Dedicated B200; estas últimas cuestan más. También puede seleccionar distintas asignaciones de CPU, RAM y almacenamiento. Mi primera configuración incluía 16 núcleos de CPU, 32 GB de RAM y 300 GB de almacenamiento, que elegí para respaldar mis pruebas de rendimiento de IA en lugar de recurrir a la configuración más pequeña disponible.
Hostinger cobra por el uso de GPU mediante créditos prepagados. Sin embargo, hay varias condiciones que tendría en cuenta antes de iniciar una instancia:
Estas condiciones hacen que la planificación de costos sea especialmente importante para los trabajos de IA más largos. Necesita suficientes créditos para cubrir tanto el procesamiento como el tiempo de configuración, y también debe tener en cuenta los retrasos o los problemas de conexión.
Probé GPU Hosting con una cuenta existente de Hostinger que ya tenía créditos disponibles, así que no completé un nuevo proceso de pago. Los nuevos clientes pueden recargar su saldo después de configurar una instancia. Hostinger acepta tarjetas de pago y monederos digitales como PayPal, aunque los métodos disponibles dependen de la región del cliente.
Tampoco encontré una prueba gratuita independiente de GPU. Las compras de GPU y los créditos de IA están excluidos de la garantía estándar de reembolso de 30 días del alojamiento de Hostinger, así que confirmaría la configuración final y los requisitos de créditos antes de realizar un pago.
La mayor ventaja es la flexibilidad. Puede acceder a hardware de GPU costoso para una carga de trabajo breve sin comprar ni mantener su propio servidor. Sin embargo, la tarifa por hora anunciada no cuenta toda la historia.
Mi experiencia también demostró por qué el aprovisionamiento y la conectividad influyen en los precios. El tiempo dedicado a solucionar problemas con un servidor inaccesible puede seguir generándole costos si la instancia está en funcionamiento y consumiendo créditos.
Comprobaría la tasa final de consumo de créditos en hPanel, confirmaría la disponibilidad de GPU y prepararía almacenamiento externo antes de iniciar una carga de trabajo de pago. Para trabajos breves y bien planificados, el modelo de alquiler tiene sentido. Para cargas de trabajo más largas o impredecibles, es esencial vigilar el consumo de créditos.

Una GPU potente solo resulta útil si puede acceder al hardware, ejecutar sus cargas de trabajo de forma fiable y obtener resultados en un tiempo razonable. Hostinger anuncia su NVIDIA B200 con 192 GB de memoria de vídeo, pero quería ver cómo se traducía eso en el rendimiento real.
Me centré en tres preguntas:
Mi primer despliegue de B200 tuvo un problema de conectividad. hPanel mostraba una dirección IP privada a la que no podía acceder desde mi portátil, y Hostinger reconoció que había un problema con la dirección IP que aparecía en el panel de control.
Para separar ese problema inicial del rendimiento del hardware, inicié una instancia B200 nueva y me conecté correctamente por SSH mediante el nuevo punto de conexión. Completé las siguientes pruebas de rendimiento el 26 de octubre de 2026.
Por lo tanto, los resultados que aparecen a continuación corresponden a una instancia de reemplazo en funcionamiento. El problema de conectividad anterior sigue formando parte de mi evaluación general, pero no me impidió evaluar el rendimiento de la GPU.
Utilicé una instancia B200 con Ubuntu 24.04, una asignación de CPU de 16 núcleos, 32 GB de RAM y aproximadamente 300 GB de almacenamiento aprovisionado en la región de Los Ángeles de Hostinger. Desde mi portátil con Pop!_OS, me conecté por SSH, comprobé el hardware con nvidia-smi e instalé un entorno PyTorch habilitado para CUDA. El servidor informó del controlador NVIDIA 595.91.07; PyTorch 2.11.0+cu128 reconoció la GPU y admitió cálculos BF16.
A continuación, ejecuté tres tipos de cargas de trabajo: pruebas breves de multiplicación de matrices BF16 y copia de memoria de GPU, inferencia de modelos de lenguaje con Qwen2.5-7B-Instruct y generación de imágenes con Stable Diffusion XL. Repetí las cargas de trabajo de IA con ajustes fijos y registré los tiempos de cada ejecución, en lugar de basarme en un único mejor resultado. Por último, consulté la página Metrics de hPanel para comprobar si aparecía allí la actividad de la GPU.
Estas pruebas ofrecen una perspectiva práctica de una instancia. No permiten establecer el tiempo de actividad a largo plazo, el rendimiento durante cargas sostenidas de varias horas ni cómo se compara la B200 con los proveedores de alojamiento de GPU competidores en condiciones idénticas. Tampoco realicé una prueba de rendimiento de transferencia de red ni una prueba de inferencia multiusuario.
El primer resultado tranquilizador fue que Ubuntu reconoció inmediatamente una NVIDIA B200. nvidia-smi identificó una B200, con 182,624 MiB de memoria de GPU informada, mientras que PyTorch indicó que había 178.34 GiB disponibles para el dispositivo. Esas cifras en unidades binarias son, en términos generales, coherentes con los 192 GB de memoria de vídeo anunciados, aunque la cantidad legible por el software no coincide exactamente con la cifra mostrada en la página de ventas.

El sistema operativo también mostró 32 GiB de RAM y 268 GiB de capacidad del sistema de archivos montado, según se veía desde el entorno. El procesador se identificó como AMD EPYC 9575F, aunque lscpu mostró 224 CPU lógicas. Revisé la configuración de control de CPU del contenedor, en lugar de interpretar esa cifra como 224 núcleos incluidos en mi plan.
El límite de cgroup era de 1,600,000 microsegundos por período de 100,000 microsegundos, lo que proporcionaba a la instancia 16 equivalentes de CPU. Esto coincidía con la asignación de 16 núcleos que había seleccionado. Es una distinción importante para los lectores, porque la topología de CPU visible para el host puede parecer mucho más generosa que la capacidad realmente asignada a una carga de trabajo alojada.
Para obtener una primera medida de la capacidad de cálculo bruta de la B200, ejecuté una multiplicación de matrices BF16 con PyTorch. BF16 resulta útil en este caso porque se usa ampliamente para los cálculos de modelos de IA, aunque una pequeña prueba sintética de matrices no sustituye la ejecución de un modelo completo.
Con 12 repeticiones, la matriz más pequeña de 4,096 × 4,096 produjo un rendimiento de cálculo estimado de 1,402.7 TFLOP/s, a partir de un tiempo de operación mediano de 0.098 milisegundos. La matriz de 8,192 × 8,192 produjo un rendimiento de cálculo estimado de 1,668.8 TFLOP/s, con un tiempo mediano de 0.659 milisegundos. Se trata de estimaciones calculadas del rendimiento aritmético de las operaciones probadas, no de un rendimiento sostenido de aplicaciones verificado de forma independiente.
También medí una copia de memoria de dispositivo a dispositivo de 512 MiB en la GPU. Se completó en una mediana de aproximadamente 0.17 milisegundos, lo que equivale a un rendimiento de transferencia de carga útil notificado de 3,137.1 GB/s. Esto prueba el movimiento dentro de la memoria de la GPU; no es la velocidad de descarga de un modelo, de lectura del disco del servidor ni de envío de datos por internet.

El script de referencia completo terminó en 2.646 segundos. Me gustó ver que PyTorch reconociera la tarjeta y ejecutara estas operaciones sin errores de CUDA, pero la corta duración también es una limitación. No podemos concluir, a partir de unos pocos milisegundos de cálculo, que la GPU mantendrá un rendimiento o unas temperaturas idénticos durante un trabajo de entrenamiento prolongado.
El rendimiento sintético era prometedor, pero quería ver cómo se desenvolvía la B200 con un modelo de lenguaje real. Cargué Qwen2.5-7B-Instruct mediante Hugging Face Transformers en BF16 y le pedí que explicara la aceleración de GPU. La prueba utilizó una instrucción y un máximo de 128 tokens generados, y se repitió tres veces con la misma configuración.
Obtener y cargar el modelo llevó 35.40 segundos en la ejecución registrada. La primera respuesta de 128 tokens tardó entonces 23.094 segundos, lo que equivale a solo 5.54 tokens por segundo. Al principio, el resultado parecía decepcionante, pero las dos ejecuciones siguientes contaron otra historia.
La segunda ejecución completó sus 128 tokens en 1.005 segundos, es decir, 127.30 tokens por segundo. La tercera tardó 1.029 segundos, o 124.35 tokens por segundo. Esto da un promedio de aproximadamente 125.8 tokens por segundo en las dos ejecuciones posteriores, con muy poca diferencia entre ellas.

La diferencia es significativa. Es compatible con que una configuración inicial o una inicialización diferida afectaran a la primera generación, pero no aislé la causa exacta. No ocultaría el resultado de 23 segundos ni presentaría las ejecuciones posteriores como lo que logrará toda solicitud inicial. Para quien ofrezca un modelo, importan tanto la latencia inicial como las respuestas repetidas más rápidas.
PyTorch informó de una asignación máxima de memoria de GPU de 14.21 GiB. Eso representa solo una pequeña parte de la memoria disponible de la B200, por lo que esta prueba demuestra que la inferencia de una sola solicitud es viable, no las ventajas de alojar un modelo que realmente necesite cerca de 192 GB de memoria de vídeo. No probé la concurrencia, el procesamiento por lotes, ventanas de contexto más largas ni un servidor de inferencia optimizado como vLLM.
Para una segunda aplicación real, utilicé Stable Diffusion XL para crear una imagen de producto de 1,024 × 1,024 de un reloj de pulsera negro sobre mármol oscuro. Utilicé 25 pasos de inferencia, pesos FP16 y la misma instrucción y semilla aleatoria en las tres ejecuciones. Así obtuve mediciones repetibles, en lugar de tres imágenes sin relación entre sí y con distintos niveles de complejidad.
El modelo SDXL tardó 18.29 segundos en descargarse y cargarse. La primera imagen tardó 3.275 segundos. La segunda y la tercera tardaron 0.915 y 0.913 segundos, respectivamente, para un promedio en régimen estable de 0.914 segundos por imagen. El proceso de PyTorch informó una asignación máxima de memoria de GPU de 11.49 GiB.

También inspeccioné las imágenes exportadas. Los tres archivos eran idénticos byte por byte, lo que coincidía con la configuración de semilla fija y demostraba que la prueba repetida produjo el mismo resultado. El reloj, la superficie reflectante y la iluminación resultaban convincentes a primera vista, aunque una inspección minuciosa de la esfera reveló pequeñas inconsistencias típicas de las imágenes de productos generadas. No deben confundirse esas imperfecciones artísticas con errores del hardware de la GPU.
El resultado fue especialmente útil porque me proporcionó una tarea concreta para evaluar: una vez cargada la canalización, una imagen SDXL de tamaño completo apareció en menos de un segundo. Sin embargo, se trató de una generación de una sola imagen con un modelo SDXL, no de una prueba de rendimiento de generación de vídeo, lotes grandes ni de todos los modelos de imágenes disponibles para alquilar.
A principios de la reseña, la página Metrics de Hostinger había mostrado líneas planas porque la GPU estaba inactiva. Después de ejecutar las pruebas de rendimiento, volví a la misma vista de 1 hora y vi actividad en ambos gráficos. El rendimiento de cálculo se mostraba como 297 TFLOPs, y el gráfico de VRAM mostraba un aumento visible, incluido un punto señalado al pasar el cursor de 14.3 GB.

Eso confirmó de forma útil que hPanel registraba la carga de trabajo en lugar de seguir mostrando un cero plano. También hizo que la página Metrics resultara más informativa que justo después del despliegue. Las opciones de 1 hora, 24 horas, 7 días y 30 días eran fáciles de encontrar.
Aun así, evitaría comparar directamente los 297 TFLOPs que muestra hPanel con el resultado sintético de 1,668.8 TFLOP/s. Durante mi prueba no se establecieron el intervalo de muestreo ni el método de cálculo del panel, y la visualización de VRAM no es idéntica a la asignación máxima de memoria a nivel de proceso de PyTorch. Los gráficos son útiles para detectar actividad y cambios a lo largo del tiempo; no sustituyen las mediciones del sistema ni los tiempos de ejecución de las cargas de trabajo.
La segunda instancia B200 de Hostinger me ofreció una aceleración de GPU utilizable en tres pruebas muy diferentes. Los resultados sintéticos de BF16 mostraron cálculos breves rápidos, Qwen2.5-7B alcanzó aproximadamente 126 tokens por segundo después de una primera respuesta medida inusualmente lenta y Stable Diffusion XL generó imágenes de 1,024 píxeles en aproximadamente 0.91 segundos una vez inicializado. También confirmé la cuota de CPU de 16 núcleos y vi aparecer actividad en hPanel.
Son resultados positivos, pero no los convertiría en una promesa para todas las cargas de trabajo de IA. Las pruebas fueron breves y se realizaron en una sola instancia, con modelos relativamente pequeños en comparación con la memoria de GPU disponible en B200. No evalué el entrenamiento sostenido, la concurrencia máxima, la disponibilidad a largo plazo ni la velocidad de la red externa. El problema anterior con el punto de conexión SSH también sigue siendo una preocupación operativa aparte, aunque el servidor de reemplazo se conectó correctamente.

Abordé Hostinger GPU Hosting como abordaría un nuevo alquiler de GPU: buscar una tarjeta adecuada, comprobar el costo real, iniciar una instancia y ver qué tan fácil de administrar resulta el entorno una vez que está en funcionamiento.
También quería saber cómo encaja el servicio de GPU en el hPanel más amplio de Hostinger, ya que poner un servidor en línea es solo la mitad de la experiencia.
El despliegue en sí fue rápido. El proceso de compra fue menos predecible. La GPU que elegí en la página pública de precios no estaba disponible en hPanel, y la alternativa tenía una tarifa por hora mucho más alta. Así se desarrolló la experiencia, desde el primer clic hasta las herramientas de administración.
Empecé en el sitio web de Hostinger y abrí Products > Hosting > GPU hosting. Me gustó que GPU hosting tuviera una entrada propia claramente identificada junto con el alojamiento web, el alojamiento VPS y el alojamiento en la nube. No tuve que abrir un producto VPS genérico ni averiguar si el hardware de GPU estaba disponible como complemento.

El enlace abrió la página de presentación de Hostinger GPU Hosting, que anunciaba alquileres por hora de GPU NVIDIA para IA, renderizado y otros trabajos con uso intensivo de recursos computacionales. Debajo del titular principal había un botón Get started. Al hacer clic, no se creó una instancia de inmediato ni se me envió a la página de registro; me llevó a la sección de precios de GPU de la misma página.

Ese era un lugar sensato para empezar. La sección de precios presentaba los modelos de GPU disponibles en tarjetas separadas, con sus tarifas por hora iniciales anunciadas, memoria de vídeo y usos recomendados. Podía comparar el hardware antes de que me pidieran configurar un servidor. La gama mostrada en la página pública iba desde la RTX 4090 hasta GPU de centros de datos más caras, incluida la B200.

Al principio me decidí por la NVIDIA RTX 4090. Hostinger la anunciaba desde $0.42 por hora, con 24 GB de memoria de vídeo, y la recomendaba para desarrollo, experimentación, generación de imágenes y vídeos, renderizado 3D e inferencia con modelos más pequeños.
Me pareció un punto de partida razonable para las comprobaciones de inferencia de IA, generación de imágenes y rendimiento de GPU que tenía previstas. No necesitaba alquilar una de las tarjetas más caras solo para establecer una referencia práctica.

Después de elegir la RTX 4090, hice clic en Get GPU en su tarjeta. Eso me llevó a la página de registro de cuenta de Hostinger. Permitía registrarse mediante Google o GitHub, además de ofrecer los campos habituales para la dirección de correo electrónico y la contraseña.
El campo del número de teléfono estaba marcado como opcional, y había una casilla independiente para los mensajes promocionales por WhatsApp y SMS.

La pantalla de registro era sencilla. Y, lo que es más importante, la selección de GPU todavía no me había comprometido a comprar un servidor específico.
Después de crear una cuenta o iniciar sesión, entré en la sección de GPU de hPanel, donde ya se podía seleccionar e iniciar el hardware. El panel mostraba un saldo de créditos de 2,000.
El panel mostraba un saldo de créditos de 2,000 porque ya tenía una cuenta de Hostinger con créditos disponibles. Si se registra por primera vez sin un saldo de créditos existente, encontrará un paso de pago después de configurar su instancia de GPU, donde podrá elegir su método de pago preferido antes de completar la compra.
La página de GPU de hPanel era clara y fácil de revisar. Encima de la lista, Hostinger explicaba que podía iniciar instancias de GPU directamente desde el panel, y el hardware que podía seleccionar aparecía debajo de un saldo de créditos visible. Había siete modelos en la lista, incluido el RTX 4090 que había elegido, pero la mayoría de los botones Select estaban deshabilitados.

Intenté seleccionar el RTX 4090 y vi que su botón estaba atenuado. Al pasar el cursor por encima, apareció el mensaje «Agotado». Tampoco pude seleccionar el RTX 5090, L40S, A100 ni RTX PRO 6000 en esa sesión. Solo tenía dos opciones disponibles: NVIDIA B200 y B200 (Dedicated).

Este fue el mayor obstáculo de la experiencia de compra. La página pública de precios me había invitado a alquilar un RTX 4090 por $0.42 por hora, pero en realidad no podía aprovisionar esa GPU.
Al menos, Hostinger indicó claramente la restricción en hPanel, en lugar de permitir que rellenara una configuración y que esta fallara después del despliegue. Aun así, eso significaba reconsiderar tanto el hardware de prueba como el presupuesto.
Elegí la NVIDIA B200 estándar, anunciada desde $4.50 por hora con 192 GB de memoria de vídeo. Su mayor capacidad de memoria también me daba margen para probar cargas de trabajo de IA más exigentes más adelante.
La alternativa B200 (Dedicated) tenía un precio inicial de $7.08 por hora, y no tenía ningún requisito específico de acceso exclusivo a la GPU que justificara pagar ese suplemento. Hice clic en Select para continuar con la B200 estándar.
Después de seleccionar la B200, Hostinger abrió una página titulada «Deploy your GPU instance». Mantenía las opciones de GPU en una columna a la izquierda y la configuración de la instancia seleccionada a la derecha. Esa disposición funcionaba bien: podía revisar la B200 junto con las alternativas disponibles sin perder de vista la configuración del servidor ni el costo de funcionamiento.

Llamé a la instancia hostinger-gpu-review-b200. Hostinger especificaba que las palabras separadas del nombre debían llevar guiones, lo que dejaba clara la regla para asignar nombres directamente en el formulario.
El siguiente campo era la región, y esto reveló la segunda limitación práctica: el menú desplegable solo ofrecía Los Ángeles, Estados Unidos. No tenía ninguna otra ubicación entre la que elegir en esta sesión de despliegue.

El selector del tamaño de la instancia requirió más atención de la que esperaba inicialmente. Hostinger había preseleccionado una configuración de 2 núcleos, 64 GB de RAM y 100 GB de almacenamiento, a 506 créditos por hora. Al abrir el menú desplegable, aparecieron otras combinaciones de CPU, RAM y almacenamiento con tarifas diferentes. La selección no seguía una progresión simple en la que cada cantidad menor de núcleos de CPU implicara un precio más bajo; por ejemplo, la opción de 4 núcleos figuraba a 450 créditos por hora.

Elegí la opción X-Large: 16 núcleos de CPU, 32 GB de RAM y 300 GB de almacenamiento, a 488 créditos por hora. Esto proporcionaba al servidor más capacidad de CPU y disco para configurar y ejecutar pruebas, sin pasar a la configuración de 32 núcleos.
Además, era ligeramente más barata por hora que la opción preseleccionada de 2 núcleos. El aspecto importante del precio es que la tarifa anunciada por Hostinger de $4.50 por hora para B200 era un precio inicial. La configuración que seleccioné realmente tenía una tarifa de 488 créditos por hora, equivalente a unos $4.88 por hora según la tarifa implícita en las tarjetas de precios de Hostinger.
A continuación, abrí Seleccionar sistema operativo o aplicación. Además de Ubuntu 24.04, Hostinger ofrecía opciones listas para usar de Ollama, JupyterLab, Unsloth e InvokeAI. Esas opciones podían ahorrar tiempo de configuración a alguien centrado en una aplicación de IA concreta. Seleccioné Ubuntu 24.04 porque quería un sistema operativo limpio y control sobre las herramientas que instalaba para las pruebas posteriores.

Hostinger también ofrecía un campo opcional para la clave SSH. Lo dejé sin usar durante el despliegue inicial, en lugar de añadir una clave durante el proceso de compra. Más tarde, el panel mostró los datos de conexión basados en contraseña, por lo que la ausencia de una clave no me dejó sin un método de inicio de sesión anunciado. Sin embargo, para un servidor de mayor duración, preferiría el acceso por SSH mediante clave.
Antes de hacer clic en el botón Deploy, el resumen mostraba la B200 elegida, la configuración X-Large y la tarifa de 488 créditos por hora, frente a mi saldo de 2,000 créditos.
Hostinger estimó que el saldo cubría unas cuatro horas de uso continuo. Me gustó que esta estimación apareciera justo encima del botón de despliegue: hacía más visible el gasto continuo que una tarjeta de precios que solo dice Desde $4.50 por hora.

Hice clic en Deploy. Hostinger mostró entonces una pantalla de Configurando su GPU y me indicó que podía salir de la página mientras continuaba el aprovisionamiento. En esta etapa no hubo ninguna configuración manual adicional de la infraestructura.

Unos dos minutos después, la pantalla de confirmación indicó ¡Todo listo! y señaló que la instancia de GPU ya estaba en funcionamiento. Identificó hostinger-gpu-review-b200 como una B200 con 192 GB de memoria de vídeo y tamaño X-Large. La siguiente acción se presentó claramente como Manage, por lo que resultaba evidente adónde ir una vez finalizado el aprovisionamiento.

Hice clic en Manage desde esta pantalla de confirmación para examinar los controles que usaría después del despliegue. Esa transición directa fue un detalle muy práctico: no fue necesario volver a la página de inicio general de hPanel y buscar mi nuevo servidor.
Manage abrió un área específica de administración de GPU, en lugar de un panel de control de alojamiento web común. El menú de la izquierda solo tenía tres opciones: Resumen, Metrics y Exposed services. Tras las amplias pantallas de selección de productos, agradecí que esta navegación fuera tan clara y centrada.
La sección Resumen respondió de inmediato a las preguntas que tendría después de alquilar hardware costoso: ¿Está en funcionamiento? ¿Qué GPU y recursos recibí? ¿Cuál es el ritmo de consumo de créditos? ¿Cómo me conecto? La tarjeta de la instancia indicaba que hostinger-gpu-review-b200 estaba en funcionamiento y confirmaba la NVIDIA B200, 192 GB de memoria de vídeo, 16 núcleos de CPU, 32 GB de RAM, disco de 300 GB, Ubuntu 24.04 y ubicación en Los Ángeles.

En la tarjeta de la instancia había dos controles: Reboot y Destroy. Su visibilidad es útil porque necesita saber cómo administrar el ciclo de vida de la instancia cuando paga por hora. No ejecuté ninguna de las dos acciones durante esta parte de la prueba, así que estoy evaluando lo accesibles que eran los controles, no afirmando haber verificado su funcionamiento.
Sobre la tarjeta del servidor, Hostinger mostraba el rendimiento de cálculo, el uso de memoria de vídeo y el gasto de créditos. Mi captura inicial mostraba un rendimiento de 0 TFLOPs y un uso promedio de memoria de vídeo de 0 GB porque todavía no había ejecutado ninguna carga de trabajo de GPU.
El resumen de créditos mostraba un total de 488 créditos utilizados, un ritmo de consumo de créditos de 488 créditos por hora y un saldo restante de 1,512 créditos. Esa visibilidad fue bienvenida, sobre todo teniendo en cuenta lo rápido que puede acumularse el uso de GPU de pago.
El panel de conexión reunía la dirección IPv4 pública, un comando SSH que se podía copiar y la contraseña en una sola sección. El comando SSH incluía el nombre de usuario de Ubuntu y un puerto SSH distinto del predeterminado; el campo de contraseña tenía controles para mostrarla y copiarla.
Hostinger también advirtió que, si cambiaba la contraseña mediante SSH, esta dejaría de coincidir con la almacenada en hPanel. Por lo tanto, pude encontrar la información de conexión sin buscar en la documentación, aunque la captura de pantalla por sí sola no demuestra que iniciara sesión correctamente mediante SSH.
Después de revisar la descripción general, abrí Metrics. Hostinger ofrecía filtros de tiempo para 1 hora, 24 horas, 7 días y 30 días. La página mostraba gráficamente el rendimiento de cálculo en TFLOPs y el uso de memoria de vídeo en GB. Los gráficos eran sencillos y legibles, sin gráficos de sistema irrelevantes que distrajeran.

Ambos gráficos mostraban líneas planas en cero cuando hice la captura. Era lo esperado antes de ejecutar un trabajo de IA, así que no consideraría estas lecturas como evidencia del rendimiento de la GPU ni como indicio de un defecto en el sistema de supervisión.
La prueba útil viene después: iniciar una carga de trabajo real, revisar los gráficos mientras cambia el uso y compararlos con las mediciones realizadas desde Ubuntu.
Luego abrí Exposed services, la sección para que se pueda acceder a través de Internet a una aplicación que se ejecuta en el servidor GPU. Como no había creado ningún servicio, la página mostraba un estado vacío con un botón Add service. Hostinger también incluía una advertencia de que cualquier elemento publicado sería accesible para cualquiera que tuviera la dirección, a menos que la aplicación contara con su propio inicio de sesión.

Me gustó esa advertencia. Las cargas de trabajo de GPU suelen implicar cuadernos, API de inferencia y otras interfaces de desarrollo que no están pensadas para ser accesibles públicamente. El punto de entrada era fácil de encontrar, pero todavía no había añadido ni probado ningún servicio público aquí, así que no puedo evaluar el resto de ese flujo de trabajo ni las opciones de seguridad basándome únicamente en estas capturas de pantalla.
Solo después de revisar las pantallas específicas de GPU volví a Home de hPanel. Eso me dio una perspectiva diferente sobre la facilidad de uso: ¿dónde encontraría la instancia de GPU si volviera a iniciar sesión más adelante, en lugar de acceder mediante el botón Manage que aparece tras el despliegue?
Mi página de Home se abrió con una destacada invitación a usar el asistente de IA y una extensa sección Tu negocio llena de sitios web existentes.
Cada sitio tenía una acción Manage site, y varias entradas mostraban recordatorios sobre dominios temporales. Más abajo, podía ver una tabla de VPS con direcciones IP, estados de funcionamiento, fechas de vencimiento y botones de administración. A la izquierda, el menú reunía Sitios web, Dominios, Correos electrónicos, Más servicios, creadores de sitios web, agentes de IA, herramientas de marketing y servicios para desarrolladores.

Este sistema integral tiene sus ventajas. Los grupos de productos están claramente etiquetados, y un cliente actual de Hostinger puede acceder a varios tipos de alojamiento desde una sola cuenta. En mi caso, sin embargo, la cantidad de contenido relacionado con sitios web hacía que la página se viera recargada.
Mi nueva GPU no destacaba tanto en el contenido visible de Home como los sitios web y las entradas de VPS. Una vez que llegué a la sección de la GPU, la navegación específica de Descripción general, Metrics y Exposed services me pareció más enfocada.
La lista inusualmente larga de sitios web refleja lo que ya había en mi cuenta; un cliente nuevo sin otros servicios quizá vea una página menos recargada. Aun así, esta distinción es importante para el lector: desplegar una GPU es un proceso breve y enfocado, mientras que el panel general de hPanel intenta atender todos los productos de Hostinger a la vez.
El aspecto más destacado de la facilidad de uso de Hostinger GPU Hosting fue lo que ocurrió después de encontrar una GPU disponible. La página de configuración mostraba las opciones y su costo, las imágenes de Ubuntu y de aplicaciones de IA eran fáciles de localizar, el despliegue terminó en unos dos minutos y Manage me llevó directamente a un panel compacto de la instancia.
Pude encontrar las especificaciones de la GPU, el ritmo de consumo de créditos, la información de SSH y los principales controles de administración sin tener que recorrer una complicada consola en la nube.
Pero esa comodidad no debería ocultar las limitaciones antes del despliegue. Elegí la RTX 4090 en la página pública, pero no pude alquilarla cuando llegué a hPanel; la mayoría de las GPU de la lista no estaban disponibles y Los Ángeles era la única región de despliegue disponible durante mi sesión. La B200 era considerablemente más cara que la RTX 4090 que tenía prevista, y la tarifa de la configuración X-Large era superior al precio inicial anunciado para la B200. La vista general de Home de hPanel también me pareció más recargada que las páginas específicas de GPU.

Hostinger ofrece asistencia en línea todo el día, todos los días, a través del chat de su panel, además de acceso por WhatsApp y correo electrónico en support@hostinger.com. A diferencia de algunos proveedores de alojamiento, no ofrece asistencia telefónica.
La experiencia de asistencia principal gira ahora en torno a Hostinger Agent, un asistente de IA que puede responder preguntas, solucionar problemas, consultar documentación y realizar ciertas acciones de administración de cuentas. Hostinger también ofrece acceso a Customer Success Specialists cuando se necesita ayuda adicional.
Para esta reseña, probé el chat en directo con una inquietud real sobre mi instancia de GPU NVIDIA B200. Quería determinar con qué rapidez podía obtener orientación técnica precisa y, lo que es más importante, lo fácil que era hablar directamente con una persona cuando lo solicitaba.
También revisé la base de conocimientos de Hostinger para evaluar la calidad de su documentación sobre GPU y comprobar si los clientes podían resolver problemas habituales sin ponerse en contacto con el equipo de asistencia.
Accedí al chat en directo haciendo clic en Agent, en la parte superior de hPanel. El chat se abrió junto a mi página de administración de GPU, lo que me permitió ver mi instancia B200 en ejecución y su consumo de créditos mientras hablaba con el equipo de asistencia.

Hostinger Agent es el sucesor de Kodee, el antiguo asistente de asistencia con IA de Hostinger. Hostinger combinó Kodee con su colección más amplia de herramientas especializadas de IA en un asistente unificado. Según Hostinger, el agente puede explicar problemas técnicos, proporcionar instrucciones para solucionar problemas, sugerir documentación pertinente y realizar acciones compatibles en la cuenta de un cliente.
Sin embargo, mi prueba se centró en el asesoramiento técnico y la derivación a una persona, en lugar de permitir que realizara cambios en la cuenta.
Hice una pregunta práctica sobre la facturación de GPU y la conservación de datos. Como Hostinger cobra por las instancias de GPU por hora, quería saber si podía pausar mi servidor entre cargas de trabajo de IA sin perder las aplicaciones, los modelos y los archivos instalados. También pregunté si reiniciarlo detendría los cargos y qué debía hacer para conservar mi entorno si era necesario destruir la instancia.
El agente respondió en menos de 30 segundos.
Su respuesta abordó las tres inquietudes. Explicó que reiniciar solo vuelve a iniciar el servidor y no detiene la facturación. Actualmente, Hostinger no ofrece una función para pausar o detener el servidor que permita a los clientes conservar una instancia de GPU sin incurrir en cargos. Destruir la instancia detiene la facturación, pero elimina permanentemente sus datos locales.
La respuesta fue más allá y explicó cómo podía conservar mi entorno de trabajo. Recomendó transferir los modelos y los conjuntos de datos a un almacenamiento externo, exportar las dependencias de Python o Conda, anotar las versiones de CUDA y PyTorch, y guardar los archivos de configuración y los scripts de despliegue.

Me gustó el nivel de detalle. En lugar de limitarse a decir que las instancias de GPU no se podían pausar, el asistente explicó qué debía hacer antes de destruir el servidor. Sus indicaciones también coincidían con la documentación oficial de Hostinger sobre facturación de GPU, lo que me permitió comprobar la exactitud de la explicación.
Sin embargo, responder a la pregunta técnica era solo la primera parte de mi prueba de asistencia. A continuación, quería hablar directamente con un especialista humano.
A las 17:23, pedí a Hostinger Agent que me comunicara con un representante humano del servicio de atención al cliente para confirmar los detalles sobre la facturación de GPU y la conservación de datos. En lugar de organizar la transferencia, repitió la política y me animó a continuar con la asistencia de IA, explicando que así sería más rápido.
Volví a solicitarlo explícitamente a las 17:24. Esta vez, indiqué que entendía la política y que no necesitaba otra explicación de IA. Quería específicamente hablar con un representante humano y estaba dispuesto a esperar.
A las 17:25, el asistente volvió a resumir las reglas de facturación antes de ofrecer dos opciones: Wait for a human review y continuar con Hostinger Agent.

Seleccioné la opción de revisión humana y confirmé que quería continuar con una persona. Luego, Hostinger mostró un mensaje que indicaba que la revisión estaba en curso, una cuenta regresiva y un campo donde podía proporcionar información adicional al especialista.

A las 17:31, aproximadamente seis minutos después de que la solicitud entrara en el proceso de revisión, recibí una respuesta asociada con una especialista llamada Amber. La interfaz mostraba «Respuesta revisada por Amber».
El mensaje de Amber me pidió que proporcionara el nombre de mi instancia de GPU, los aspectos de facturación o conservación de datos que quería confirmar y cualquier error o captura de pantalla pertinente.

Proporcioné el nombre de la instancia, hostinger-gpu-review-b200, y pedí que me confirmaran tres aspectos importantes: la ausencia de una función de pausa, la eliminación permanente de los datos después de destruir la instancia y la disponibilidad de instantáneas, copias de seguridad o almacenamiento persistente.
También hice una pregunta sobre el propio proceso de soporte. Como la interfaz indicaba que Amber había revisado la respuesta, quería saber si ahora estaba hablando directamente con ella o si seguía interactuando con una IA.
A las 17:33, recibí otra respuesta detallada. La respuesta confirmó que las instancias de GPU siguen consumiendo créditos cuando están inactivas, que al destruirlas se eliminan permanentemente sus datos locales y que Hostinger actualmente no ofrece instantáneas de GPU, copias de seguridad automatizadas ni almacenamiento persistente.
También explicó que una instancia se destruye inmediatamente cuando el saldo de créditos llega a cero, sin período de gracia. La alternativa sugerida era exportar el entorno a un VPS independiente, almacenamiento en la nube o una computadora local mediante herramientas como scp o rsync.
Pero la parte más reveladora de la respuesta se refería al soporte humano. Hostinger confirmó explícitamente que seguía comunicándome con Hostinger Agent, un asistente de IA. Un especialista humano supervisaba o revisaba la conversación, pero no me habían transferido a un chat directo individual con una persona.

Esa distinción importa. Había solicitado deliberadamente hablar con un representante humano en lugar de recibir otra explicación automatizada. Aunque el sistema obtuvo supervisión humana y proporcionó una respuesta técnica completa, no me brindó la interacción directa con una persona que había solicitado.
Desde la primera pregunta a las 17:22 hasta la aclaración final a las 17:33, todo el intercambio de asistencia duró aproximadamente 11 minutos. La respuesta inicial de la IA llegó en menos de 30 segundos, mientras que la revisión humana se hizo visible unos seis minutos después de que solicité que se escalara el caso.
Después de probar el chat en directo, acudí al Centro de ayuda en línea de Hostinger para ver con qué facilidad podían encontrar respuestas los clientes de GPU sin ponerse en contacto con el servicio de asistencia.
La página de inicio era clara y estaba bien organizada, con una barra de búsqueda destacada y documentación agrupada en categorías como Introducción, Panel de control de Hostinger, VPS, Facturación y Certificados SSL. Sin embargo, no encontré una categoría específica para GPU entre las opciones disponibles.

Escribí «gpu» en la barra de búsqueda y Hostinger mostró 10 resultados. Ocho se centraban específicamente en GPU hosting y abarcaban la selección de hardware, las plantillas de aplicaciones, el despliegue, la gestión de instancias, la facturación, los servicios expuestos, la seguridad y las comparaciones con el alojamiento VPS. Los otros dos trataban sobre la política de reembolso y el panel de control de Hostinger.

Me gustó que la búsqueda mostrara de inmediato documentación pertinente sobre GPU, aunque no hubiera una categoría específica en la página de inicio. Y lo que es más importante, los artículos abordaban cuestiones prácticas como el consumo de créditos por hora, la pérdida de datos después de destruir una instancia y la protección de aplicaciones accesibles públicamente.
A continuación, examiné las guías individuales para comprobar con qué claridad explicaban estos temas y hasta qué punto sus instrucciones coincidían con mi experiencia práctica.
Revisé las guías de Hostinger sobre la configuración de GPU y la gestión de instancias. Abarcan la selección de hardware, las regiones, las plantillas de software, el despliegue, la supervisión y los servicios expuestos.
Las instrucciones coincidieron estrechamente con mi experiencia en hPanel. También agradecí que Hostinger reconociera las limitaciones de disponibilidad regional de GPU, que encontré cuando la RTX 4090 estaba agotada y Los Ángeles era mi única opción de despliegue.
La guía de facturación de GPU fue especialmente útil porque abordó las mismas inquietudes que planteé durante el chat en directo.
Confirma que la facturación continúa mientras una instancia está inactiva, que reiniciarla no detiene los cargos y que destruirla elimina permanentemente los datos locales.
Más importante aún, Hostinger advierte que no hay recargas automáticas de créditos ni notificaciones de saldo bajo. Quedarse sin créditos provoca la destrucción inmediata de la instancia.

Estos son detalles fundamentales para cualquiera que ejecute cargas de trabajo de IA sin supervisión, y me gustó que Hostinger los explicara con claridad.
La guía de exposición de servicios de Hostinger explica el acceso público, la configuración de puertos y los protocolos compatibles. También aclara que seleccionar HTTPS no configura automáticamente el cifrado TLS.
La guía de seguridad complementaria cubre la autenticación de aplicaciones y la protección del cortafuegos. Sin embargo, me habría gustado ver una advertencia más clara sobre la importancia de conservar el acceso por SSH antes de habilitar reglas de cortafuegos restrictivas.

Hostinger ofreció una sólida experiencia de soporte asistido por IA, aunque su proceso de escalamiento a un agente humano podría mejorar.
Hostinger Agent respondió a mi pregunta sobre GPU en menos de 30 segundos, explicó las implicaciones de la facturación y recomendó medidas prácticas para conservar mi entorno. Sus indicaciones fueron detalladas y coherentes con la documentación oficial.
La supervisión humana estuvo disponible después de aproximadamente seis minutos, y la respuesta final abordó las preguntas adicionales que planteé. Sin embargo, tuve que solicitar el escalamiento repetidamente, y la conversación siguió estando dirigida por la IA en lugar de convertirse en un chat en directo con un especialista.
La base de conocimientos fue otro aspecto positivo. Sus ocho artículos específicos sobre GPU ofrecían explicaciones claras sobre el despliegue, la gestión, la facturación, la exposición de servicios y la seguridad. La documentación sobre facturación fue especialmente útil para comprender los riesgos del consumo continuo de créditos y la pérdida permanente de datos.

Sí, para desarrolladores y equipos de IA que necesitan una capacidad de GPU considerable sin comprar el hardware. Mi B200 ejecutó inferencias de Qwen a aproximadamente 126 tokens por segundo tras el calentamiento y generó imágenes con SDXL en unos 0.91 segundos.
El despliegue fue rápido una vez que tuve un punto de conexión SSH funcional. Sin embargo, el problema de visualización de la IP del primer servidor, la disponibilidad cambiante del hardware, los créditos no reembolsables y la falta de una opción de pausa o de copias de seguridad integradas son riesgos importantes.
| Nombre del plan | CPU | RAM | Ancho de banda | Precio | |
|---|---|---|---|---|---|
| Free Trial | - | Ilimitado | 0,00 € | Detalles | |
| Game Panel 2 | 2 núcleos | 8 GB | 8 TB | 7,75 € | Detalles |
| Game Panel 4 | 4 núcleos | 16 GB | 16 TB | 11,43 € | Detalles |
| Game Panel 8 | 8 núcleos | 32 GB | 32 TB | 22,86 € | Detalles |
| Description | Expert Review |
|---|---|
| Alojamiento económico con alto rendimiento y herramientas de gestión fáciles | Read Shared Hosting Review |
| Alojamiento de WordPress ast y seguro con instalación de un clic y funciones premium... | Read Wordpress Hosting Review |
| Alojamiento VPS escalable con recursos dedicados y acceso root. | Read VPS Review |
| Alojamiento en la nube rápido y flexible con excelente tiempo de actividad y recurso... | Read Cloud Hosting Review |
| Soluciones de hosting seguras y privadas con ubicaciones offshore de centros de datos... | Read Offshore Hosting Review |
| Alojamiento de correo electrónico seguro y fiable con funciones de nivel profesional... | Read Email Hosting Review |
| Alojamiento de Python fiable con entornos flexibles para desarrolladores. | Read Python Hosting Review |
| Alojamiento PHP de alto rendimiento con soporte completo para sitios web dinámicos y... | Read PHP Hosting Review |
| Alojamiento VPS de Windows confiable con control total y opciones de personalización... | Read Windows VPS Review |
| Alojamiento rápido y flexible a medida para aplicaciones Node.js con un rendimiento ... | Read Nodejs Hosting Review |
| Alojamiento optimizado para tiendas WooCommerce con alta velocidad e integración seg... | Read Woocommerce Hosting Review |
| Alojamiento en servidor dedicado para experiencias de juego de Minecraft sin interrup... | Read Minecraft Server Hosting Review |
| Soluciones de alojamiento escalables con funciones avanzadas para agencias digitales ... | Read Agency Hosting Review |
| Alojamiento rápido y seguro optimizado para sitios web de comercio electrónico Mage... | Read Magento Hosting Review |
| Alojamiento basado en Linux de alto rendimiento para operaciones de sitios web establ... | Read Linux Hosting Review |
| Soluciones de hosting Java robustas para aplicaciones web dinámicas y proyectos. | Read Java Hosting Review |
| Alojamiento optimizado para sitios web de comercio electrónico con un rendimiento se... | Read Ecommerce Hosting Review |
| Alojamiento confiable de Django con altas velocidades y un entorno seguro. | Read Django Hosting Review |
| Hosting cPanel fácil de usar con rendimiento sólido y soporte confiable. | Read Cpanel Hosting Review |
| Hosting potente para empresas con altas velocidades, seguridad y escalabilidad. | Read Business Hosting Review |
| Easy-to-use website builder with drag-and-drop tools and customizable templates. | Read Website Builder Review |
| Optimized hosting for Joomla sites with one-click installation and reliable performan... | Read Joomla Hosting Review |
| Powerful hosting with full PostgreSQL database support for data-driven applications. | Read PostgreSQL Hosting Review |
| Flexible hosting with MongoDB integration for scalable, modern web applications. | Read MongoDB Hosting Review |
| AI-powered website creation platform for building professional sites in minutes. | Read AI Builder Review |
| Reliable hosting for n8n workflow automation with easy setup and management. | Read n8n Hosting Review |
| VPS hosting with Docker support for containerized application deployment and scaling. | Read Docker VPS Review |
| Alojamiento dedicado de servidor SMTP para una entrega de correo electrónico fiable ... | Read SMTP Server Review |
| Alojamiento rápido y optimizado adaptado a aplicaciones web Ruby on Rails. | Read Ruby on Rails Review |
| Alojamiento con muchas funciones e integración con OpenClaw para construir y gestion... | Read OpenClaw Review |
| Alojamiento rápido y fiable con servidores con sede en el Reino Unido para un rendim... | Read UK Hosting Review |
| Alojamiento asequible y confiable con servidores ubicados en India para acceso de baj... | Read India Review |
| Read Singapore Review | |
| Read Australia Review | |
| Read AI Agent Review | |
| Read Paperclip VPS Review | |
| Read Hermes Agent Review | |
| Read Hostinger Connector Review | |
| Read Web Apps Hosting Review | |
| Read Hostinger Reach Review | |
| Read MCP Review | |
| Read hpanel Review | |
| Read Odoo Review | |
| Read Laravel Review | |
| Read MERN VPS Review | |
| Read Ubuntu Review | |
| Read Drupal Hosting Review | |
| Read Express.js Review | |
| Read React Review | |
| Read Nextjs Review | |
| Read AI Router Review | |
| Read AI Game Maker Review |
Sí. Mi NVIDIA B200 ejecutó con éxito la inferencia de Qwen2.5-7B y la generación de imágenes de Stable Diffusion XL. Los resultados varían según el modelo, el framework y el tamaño de la instancia.
Hostinger anuncia 192 GB de VRAM. Mi B200 informó 178.34 GiB a través de PyTorch, coherente con las diferencias entre las unidades de memoria decimales y binarias.
No. Los créditos de GPU siguen consumiéndose mientras la instancia está inactiva o reiniciándose. Destruir la instancia detiene los cargos de uso, pero elimina permanentemente sus datos locales.
No vi una prueba gratuita de GPU dedicada durante mi compra. Hostinger excluye las compras de GPU y los créditos de IA de su garantía estándar de devolución de dinero de 30 días.
Sí. SSH funcionó en mi instancia B200 de reemplazo, aunque la primera implementación mostraba una IP privada en lugar de un punto de conexión SSH público utilizable.

¡Responde algunas preguntas simples y encuentra la solución perfecta para ti!
Iniciar búsqueda de alojamiento





