Tutorial completo de LM Studio: instalar y ejecutar un LLM

Si estás buscando un tutorial de LM Studio para empezar a utilizar modelos de código abierto localmente, esta guía está pensada para ti. LM Studio se ha consolidado como la herramienta de referencia para explorar el potencial de los grandes modelos de lenguaje (LLM) directamente en tu máquina, tanto si usas Windows como macOS o Linux. Detallaremos cada paso, desde la instalación hasta la primera solicitud con modelos de alto rendimiento disponibles en nuestro catálogo catálogo. Este tutorial completo abordará los aspectos técnicos para un uso óptimo de tu LLM local.

🚀 Instalación y configuración inicial de LM Studio

LM Studio está diseñado para simplificar la interfaz entre el hardware del usuario y la complejidad de los pesos de los modelos. Antes de empezar a ejecutar modelos, es crucial instalar correctamente la aplicación. Para quienes usan macOS o Windows, el proceso suele ser sencillo a través del sitio oficial de LM Studio. Si usas Linux, consulta nuestra guía específica guía de instalación de LM Studio en Linux.

Una vez iniciada la aplicación, el primer paso consiste en ir a la sección de búsqueda (a menudo representada por una lupa) para encontrar el modelo deseado. Te recomendamos consultar nuestro comparador para identificar los mejores candidatos según tu configuración de hardware y los requisitos del LLM.

La elección del modelo adecuado es determinante. Por ejemplo, si tienes una cantidad considerable de VRAM, podrías considerar modelos masivos como Kimi K3 (2800B) o DeepSeek V4 Pro 1.6T (1600B), aunque su despliegue requiere una infraestructura robusta. Para empezar poco a poco, los modelos de tamaño medio son ideales para probar las funcionalidades sin sobrecargar tu GPU.

🧠 Elegir y descargar un LLM optimizado

El núcleo del proceso es la descarga de los pesos del modelo. LM Studio suele usar formatos cuantizados (como Q4_K_M) que reducen drásticamente la memoria necesaria, lo que permite ejecutar modelos muy grandes en tarjetas gráficas de consumo.

Cuando elijas un modelo en nuestra plataforma Hugging Face Hub, asegúrate de comprobar las especificaciones técnicas: * Tamaño (parámetros) : Determina la capacidad teórica del modelo. * Cuantización : El nivel de compresión (Q4, Q5, etc.) afecta directamente el uso de VRAM y la calidad de la respuesta. * Licencia : Comprueba si el LLM es compatible con tus usos comerciales o personales (p. ej., Apache 2.0 para Mistral Large 3 675B).

Por ejemplo, si buscas un buen rendimiento en código, modelos como Kimi K2.7 Code (1059B) son pertinentes. Para evaluar la viabilidad en tu máquina, te recomendamos consultar nuestro configurador.

⚙️ Proceso de carga y inferencia local

Una vez descargado el archivo del LLM en LM Studio (normalmente se almacena localmente), pasas a la etapa de inferencia. Accede a la interfaz de chat o a la sección Servidor API, según tus necesidades.

La carga del modelo en la memoria de la GPU depende en gran medida de tu tarjeta gráfica y de la cantidad de VRAM disponible. Para modelos como DeepSeek V4 Pro 0813 1.7T, una configuración con aproximadamente 986 GB de VRAM (en Q4) es necesaria, lo que representa un caso extremo. Por el contrario, para probar rápidamente, puedes cargar modelos más ligeros como Mixtral 8x22B Instruct (aproximadamente 82 GB en Q4).

Si deseas integrar tu LLM local en otras aplicaciones o crear tus propios agentes, se recomienda configurar LM Studio como servidor API. Este modo permite que herramientas como Open WebUI se comuniquen con tu modelo alojado localmente tutorial open-webui ollama.

🛠️ Casos de Uso Avanzados: RAG y API Local

LM Studio no se limita a una simple conversación. Puede servir de motor para aplicaciones más complejas.

1. Generación aumentada por recuperación (RAG) : Para que tu LLM responda basándose en tus documentos privados, utilizarás las funciones RAG integradas o disponibles a través de plugins. Esto permite a un modelo como Inkling (975B) acceder a una base de conocimientos específica sin haber sido entrenado con ella. Consulta nuestro lm studio rag documentos locales.

2. Servidor API Local : Al activar el modo servidor, expones las capacidades del LLM a solicitudes HTTP estándar. Esto es esencial para la integración en flujos de trabajo automatizados o con frameworks como LangChain agente de IA local en Python con LangChain.

Para comparar este enfoque local con otras soluciones, también ofrecemos guías comparativas entre LM Studio y Ollama: ollama vs lm studio ¿cuál elegir?.

❓ Preguntas frecuentes sobre el uso de LM Studio

P: ¿Cuál es el mejor modelo para empezar con LM Studio?

Para una primera experiencia sin necesidad de recursos extremos, te recomendamos probar Qwen 3.5 122B-A10B (73 GB en Q4). Ofrece un buen equilibrio entre rendimiento y exigencias de hardware, además de contar con la licencia Apache 2.0 Alibaba en Hugging Face.

P: ¿Cómo saber si mi PC puede ejecutar un LLM?

La VRAM es el factor crítico. Usa nuestro configurador para estimar tus necesidades. Por ejemplo, GLM 5.3 Flash 320B-A18B necesita aproximadamente 186 GB en Q4, lo cual es exigente.

P: ¿Qué diferencia hay entre usar LM Studio y Ollama?

LM Studio ofrece una interfaz gráfica completa para la gestión de modelos y experimentación local. Ollama es una herramienta CLI más ligera, ideal para integraciones rápidas en scripts cómo instalar ollama.

P: ¿El rendimiento (tokens/segundo) es estable?

Los tokens/segundo dependen de tu hardware y del modelo elegido. Para obtener una estimación realista, puedes consultar los benchmarks disponibles en el Open LLM Leaderboard.

🏁 Conclusión: Tus primeros pasos en local con LM Studio

Ce tutorial de LM Studio te ha guiado por la instalación, la selección de pesos y los métodos de inferencia local para aprovechar la potencia de los LLM de código abierto. Tanto si quieres experimentar con un modelo de vanguardia como DeepSeek V4 Flash 284B o simplemente probar una arquitectura pequeña, LM Studio es tu puerta de entrada a la ejecución local. Para afinar tus elecciones según tu hardware, visita nuestro configurador o explora nuestro catálogo.