Transformar LM Studio en un servidor de la API de OpenAI (2026)

#Lo que obtienes

Al final de esta guía, dispondrás de una dirección http://localhost:1234/v1 que cualquier SDK de OpenAI (Python, JavaScript, C#), LangChain o una herramienta de código como Cline o Continue puede usar en lugar de la API de OpenAI. El servidor también ofrece una API nativa en /api/v1 (chat con estado, carga y descarga de modelos) y endpoints compatibles con Anthropic. Todo permanece en tu máquina: el modelo, las peticiones y las respuestas no salen de tu equipo, siempre que no lo expongas tú mismo en la red.

#1. Iniciar el servidor

1. 01
   Abre la pestaña Developer

   En LM Studio, la pestaña Developer agrupa el servidor, sus registros y sus ajustes. El modelo a servir debe descargarse previamente.
2. 02
   Activa Start server

   Activa el interruptor Start server: el servidor se inicia en el puerto indicado en Server Settings, 1234 en los ejemplos de la documentación.
3. 03
   O inicia desde la línea de comandos

   Desde un terminal, el comando lms server start arranca el mismo servidor, sin abrir la interfaz.
4. 04
   Verifica la lista de modelos

   Consulta /v1/models para confirmar que el servidor responde y ver los identificadores de modelos que debes usar en tus solicitudes.

lms server start

#2. Los ajustes del servidor, uno por uno

Los ajustes se encuentran en Developer, Server Settings. Determinan quién puede llamar al servidor y qué pueden hacer que ejecute los clientes. La mayoría de los problemas de integración provienen de uno de estos interruptores, casi siempre del de red o del de CORS.

#3. Probar con curl

Una primera llamada de comprobación basta para validar el servidor. En las peticiones, el campo model debe contener el identificador del modelo tal como aparece en LM Studio, y no un nombre genérico como local-model: la documentación lo recuerda en su ejemplo curl.

curl http://localhost:1234/v1/models

curl http://localhost:1234/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "IDENTIFIANT-DU-MODELE",
    "messages": [
      {"role":"system","content":"Tu es concis."},
      {"role":"user","content":"Capitale du Portugal ?"}
    ],
    "temperature": 0.2
  }'

La respuesta es un JSON en formato OpenAI: choices[0].message.content contiene el texto. Si el campo model es incorrecto, o si la carga bajo demanda está desactivada y el modelo no está cargado, la solicitud falla: verifica primero el identificador devuelto por /v1/models.

#4. Llamar desde Python

Se utiliza el SDK openai cambiando únicamente la dirección base: es la modificación que muestra la documentación de LM Studio. El SDK requiere una clave; mientras la autenticación esté desactivada, LM Studio no la controla, y si activas la autenticación, la clave se convierte en tu token de API.

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:1234/v1",
    api_key="lm-studio",  # ignorée sans authentification ; votre jeton sinon
)

resp = client.chat.completions.create(
    model="IDENTIFIANT-DU-MODELE",
    messages=[
        {"role": "system", "content": "Réponds en 1 phrase."},
        {"role": "user",   "content": "Qu'est-ce qu'un LLM ?"},
    ],
    temperature=0.3,
    stream=True,
)

for chunk in resp:
    delta = chunk.choices[0].delta.content or ""
    print(delta, end="", flush=True)

El streaming funciona como en OpenAI: no hay cambios del lado del cliente para mostrar los tokens en directo. Para los agentes y editores, LM Studio también implementa el endpoint /v1/responses, presentado más abajo.

#¿Qué API elegir: OpenAI, Anthropic o nativa?

LM Studio expone tres familias de endpoints. Los endpoints compatibles con OpenAI cubren modelos, respuestas, chat, embeddings y completaciones. Los endpoints compatibles con Anthropic aceptan el formato de mensajes de Anthropic. Desde la versión 0.4.0, la API nativa /api/v1 añade funciones propias de LM Studio: chat con estado, carga y retirada de modelos de la memoria, descarga de modelos y ajuste del contexto por solicitud.

#6. Varios modelos: carga bajo demanda y TTL

Con la carga bajo demanda (JIT, por Just in Time), la primera llamada a un modelo lo carga en memoria, y /v1/models enumera todos los modelos descargados, no solo los cargados. Sin JIT, /v1/models solo devuelve los modelos ya cargados y debes cargar el modelo antes de llamarlo. Este modo es ideal cuando una herramienta como Zed, Cline o Continue elige por sí misma su modelo.

TTL por defecto

Un modelo cargado bajo demanda se libera de la memoria después de 60 minutos sin solicitudes.

TTL por solicitud

Agrega un campo ttl (en segundos) en la solicitud; 300 corresponde a 5 minutos.

TTL para lms load

Los modelos cargados con lms load no tienen TTL por defecto: usa la opción --ttl.

Auto-Evict

Activado por defecto: solo un modelo cargado a demanda permanece en memoria a la vez. Desactívalo para mantener varios.

#7. Exponer el servidor en red, con autenticación

Para que otro equipo de la red acceda a tu servidor, activa Serve on Local Network en Server Settings o inicia el servidor con la dirección de escucha 0.0.0.0. El servidor deja entonces de escuchar únicamente en localhost: la documentación advierte que vincularlo a cualquier dirección distinta de 127.0.0.1 lo expone más allá de la máquina y recomienda activar la autenticación.

lms server start --bind 0.0.0.0

curl http://192.168.1.42:1234/v1/models

A diferencia de una creencia común, LM Studio sabe autenticar las solicitudes. Por defecto, no requiere autenticación; al activar el interruptor en Server Settings, solo acepta solicitudes con un token de API válido, creado en Manage Tokens con permisos seleccionados. El token solo se muestra al crearlo: cópialo inmediatamente. Esta función requiere LM Studio 0.4.0 o una versión más reciente.

curl http://192.168.1.42:1234/v1/models \
  -H "Authorization: Bearer $LM_API_TOKEN"

Para acceder desde Internet, no expongas el puerto: utiliza una VPN o un proxy inverso con TLS. El principio es el mismo que el de un servidor Ollama, detallado en la guía de seguridad. Una alternativa más sencilla para usar un modelo de otra máquina es LM Link, que sirve un modelo de un dispositivo remoto como si estuviera cargado localmente.

• Proteger un servidor de IA local: autenticación, reverse proxy, exposición

#Sin interfaz gráfica: llmster y arranque automático

Desde la versión 0.4.0, el núcleo de LM Studio está disponible como un demonio autónomo, llmster, diseñado para funcionar sin interfaz en un servidor Linux, una máquina con GPU o un ordenador local. Se instala con una línea de comandos, se inicia con lms daemon up y luego el servidor se pone en marcha con lms server start. En un equipo con interfaz, también puedes marcar, en los ajustes de la aplicación, la opción que inicia el servidor al iniciar sesión: al cerrar la aplicación, esta se minimiza en la bandeja del sistema y el servidor sigue funcionando.

curl -fsSL https://lmstudio.ai/install.sh | bash
lms daemon up
lms server start

#9. Rendimiento: lo que realmente importa

Transferencia de cómputo a la GPU

Carga tantas capas como sea posible en la VRAM. Un modelo que necesita trasladar parte de sus datos a la RAM del sistema pierde la mayor parte de su velocidad de generación.

Context Length

Elige el contexto que necesitas, no el máximo: el caché de contexto ocupa VRAM y aumenta con la longitud.

Max Concurrent Predictions

Número de solicitudes procesadas simultáneamente por un modelo; más allá de eso, esperan en cola.

Unified KV Cache

Activado por defecto: los recursos no se comparten en partes fijas entre solicitudes, lo que permite tamaños de solicitud variables.

La guía sobre Flash Attention y la dedicada a la ventana de contexto detallan los efectos sobre la memoria. Para un alto rendimiento de procesamiento con múltiples usuarios, un servidor dedicado sigue siendo más adecuado: la guía sobre vLLM muestra cómo desplegarlo.

• Flash Attention en llama.cpp
• Comprender la ventana de contexto

#Límites y alternativas: lo que ha cambiado

Varias limitaciones que se citan a menudo ya no son ciertas, y corregir esa información cambia la elección de la herramienta. La tabla contrasta lo que todavía se lee con lo que indica la documentación actual.

Siguen existiendo limitaciones reales: LM Studio está diseñado para un equipo, no para un clúster; el batching continuo no sustituye a un servidor pensado para decenas de usuarios, como vLLM; y las actualizaciones de la aplicación pueden cambiar su comportamiento, lo que obliga a mantener una versión fija en una máquina que presta un servicio. Para elegir entre LM Studio y sus competidores, compáralos antes de comprometerte.

• Desplegar vLLM en producción
• Ollama vs LM Studio vs Jan vs GPT4All
• LM Studio en Linux
• Conectar Cline a un modelo local

• Fuente: documentación LM Studio, servidor de API local
• Fuente: documentación LM Studio, configuración del servidor
• Fuente: documentación LM Studio, autenticación
• Fuente: documentación LM Studio, compatibilidad con OpenAI
• Fuente: anuncio de LM Studio 0.4.0