Las GPU NVIDIA Tesla fuera de servicio —K80 con 24 GB de GDDR5 desde 60 dólares, P100 de 16 GB sobre los 75 dólares y V100 de 16 GB por debajo de los 200 dólares— se han convertido en una de las fuentes más accesibles de memoria de vídeo ociosa para entusiastas del hardware. Este proyecto documenta un año de pruebas para averiguar si estas tarjetas, basadas en arquitecturas antiguas como Kepler, aún pueden integrarse en nodos 4U dedicados a tareas de inteligencia artificial, combinadas con placas X99 y procesadores Intel Xeon E5 de segunda generación.
La suite de benchmarking, publicada en GitHub, ejecuta cada prueba primero sobre un único núcleo lógico de cada GPU y, a continuación, en paralelo sobre todos los núcleos disponibles, lo que permite distinguir el rendimiento escalable del real. Las pruebas cubren entrenamiento e inferencia de visión por ordenador (ResNet50), modelos de lenguaje con llama.cpp (Qwen2.5 1.5B, Llama 3 8B y Qwen1.5 MoE), reconocimiento de voz con Whisper, renderizado en Blender, dinámica molecular en Folding@home y criptografía SHA-256, además de medir la transferencia de almacenamiento a GPU mediante gdsio.
El autor advierte que estas tarjetas carecen de actualizaciones de controladores y CUDA, y que versiones ligeramente anteriores del software permiten seguir utilizándolas sin problemas. Aunque su eficiencia energética es inferior a la de hardware actual —lo que las hace poco recomendables para servicios en producción 24/7—, resultan competitivas para cargas间歇 en el laboratorio doméstico. Los gráficos resultantes muestran que el rendimiento escala con la generación, de K80 a T40, ofreciendo cifras concretas para diseñar nodos baratos y densos.