> ## Documentation Index
> Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Límites de Tasa

> Entender límites de tasa y cuotas

# Límites de Tasa

Los límites de tasa de AITraining se aplican al usar recursos en la nube.

## Entrenamiento Local

El entrenamiento local no tiene límites de tasa - solo estás limitado por tu hardware.

## Hugging Face Hub

Al enviar o descargar del Hub:

| Operación             | Límite de Tasa |
| --------------------- | -------------- |
| Descargas de modelos  | Uso justo      |
| Descargas de datasets | Uso justo      |
| Subidas de modelos    | Uso justo      |

### Manejo de Límites de Tasa

Si alcanzas límites de tasa:

```python theme={null}
import time
from huggingface_hub import HfApi

def download_with_retry(model_id, max_retries=3):
    api = HfApi()
    for attempt in range(max_retries):
        try:
            return api.model_info(model_id)
        except Exception as e:
            if "rate limit" in str(e).lower():
                wait = 60 * (attempt + 1)
                print(f"Rate limited, waiting {wait}s...")
                time.sleep(wait)
            else:
                raise
```

## Logging de W\&B

Weights & Biases tiene límites de logging según tu plan:

| Plan       | Horas Registradas/Mes |
| ---------- | --------------------- |
| Gratis     | 200                   |
| Teams      | Ilimitado             |
| Enterprise | Ilimitado             |

### Reducir el Volumen de Logs

```python theme={null}
params = LLMTrainingParams(
    model="google/gemma-3-270m",
    data_path="./data.jsonl",
    project_name="my-model",
    log="wandb",
    logging_steps=50,  # Log less frequently
)
```

## Servicios de GPU en la Nube

Si usas GPUs en la nube (no aplicable al entrenamiento local):

### Hugging Face Spaces

* Limitado por tu cuota de Spaces
* Se aplican límites de almacenamiento persistente

### Otras Nubes

Verifica las cuotas de tu proveedor de nube para:

* Horas de GPU
* Almacenamiento
* Ancho de banda de red

## Mejores Prácticas

1. **Almacena modelos localmente** - No vuelvas a descargar
2. **Registra eficientemente** - No registres cada paso
3. **Usa checkpoints** - Reanuda en lugar de reiniciar
4. **Operaciones por lotes** - Reduce llamadas a la API

## Próximos Pasos

<CardGroup cols={2}>
  <Card title="Error Handling" href="/api/error-handling">
    Maneja errores con elegancia
  </Card>

  <Card title="Python SDK" href="/api/python-sdk">
    Referencia completa de la API
  </Card>
</CardGroup>