# SlackSwap combina transferencias y recomputación con memoria GPU limitada

> Investigadores de UC Merced y la Universidad de Texas en Austin presentaron SlackSwap, un planificador para entrenar modelos de aprendizaje profundo. Recalcula algunas activaciones cuando se supera el presupuesto de transferencia entre GPU y memoria del host; los resultados son simulados, no mediciones de hardware.

- URL canónica: https://newsverum.com/es/news/slackswap-activation-memory-gpu-training-2026
- Publicación: Newsverum
- Sección: Tecnología
- País: Estados Unidos
- Publicado: 2026-10-13T01:40:12+00:00
- Actualizado: 2026-10-13T01:40:12+00:00
- Periodo de revisión de la fuente: 2026-10-09
- Otras ediciones: [Türkçe](https://newsverum.com/tr/news/slackswap-activation-memory-gpu-training-2026.md), [English](https://newsverum.com/en/news/slackswap-activation-memory-gpu-training-2026.md), [العربية](https://newsverum.com/ar/news/slackswap-activation-memory-gpu-training-2026.md), [Français](https://newsverum.com/fr/news/slackswap-activation-memory-gpu-training-2026.md), [Deutsch](https://newsverum.com/de/news/slackswap-activation-memory-gpu-training-2026.md), [Português](https://newsverum.com/pt/news/slackswap-activation-memory-gpu-training-2026.md)

*La fuente no indica la fecha del acontecimiento; el periodo mostrado corresponde a la revisión de la fuente.*

Las activaciones intermedias guardadas para la retropropagación pueden superar la memoria GPU durante el entrenamiento de redes neuronales. SlackSwap perfila un paso de entrenamiento y usa como presupuesto el tiempo de transferencia que puede ocultarse durante el cálculo: transfiere dentro de ese margen las activaciones más costosas de reconstruir y recalcula las demás.

En una simulación de eventos discretos parametrizada para A100 y PCIe 4.0, con un presupuesto de memoria de activaciones igual a la mitad del pico sin límite, SlackSwap conservó el 96,3 % del rendimiento ideal para BERT-Large, el 97,6 % para GPT-2 XL y el 99,6 % para un modelo tipo Llama-7B. Los autores dicen que todos los resultados son simulados y que no modelan efectos como la fragmentación del asignador; no son mediciones de entrenamiento en GPU física.

## Datos

### Rendimiento de entrenamiento simulado

Los resultados proceden de una simulación, no de una GPU física.

Metodología: El estudio evalúa tres cargas Transformer con un presupuesto de memoria de activaciones del 50 % en una simulación de eventos discretos parametrizada para una A100 y PCIe 4.0.

| Modelo | Rendimiento respecto al ideal |
|---|---|
| BERT-Large | 96.3 |
| GPT-2 XL | 97.6 |
| modelo tipo Llama-7B | 99.6 |

Fuentes: <https://arxiv.org/abs/2610.13003> · Descargar datos: [JSON](https://newsverum.com/api/v1/articles/slackswap-activation-memory-gpu-training-2026/data/simulated-training-throughput?lang=es&format=json) · [CSV](https://newsverum.com/api/v1/articles/slackswap-activation-memory-gpu-training-2026/data/simulated-training-throughput?lang=es&format=csv)

## Fuentes

- [arXiv](<https://arxiv.org/abs/2610.13003>) (Fuente comprobada: 2026-10-13; Publicado: 2026-10-09)

---

Cite la URL canónica indicada arriba. [Principios editoriales y correcciones](https://newsverum.com/es/editorial)