Inicio › Catálogo › Mejor LLM para la RTX 2060 (6 GB) en 2026

Mejor LLM para la RTX 2060 (6 GB) en 2026

Q: RTX 2060 6 GB: ¿Es posible ejecutar un LLM?

Sí, para modelos de 1-7B. Phi-4 Mini 3,8B Q4 a 35-40 tok/s, Llama 3.2 3B Q4 a 50+ tok/s, Mistral 7B Q4 a 15-18 tok/s. Ver la guía.

Q: ¿Son suficientes 6 GB en 2026?

Por muy poco — Mistral 7B Q4 ocupa 4,5 GB + 1 GB para el contexto + 0,5 GB para el sistema operativo = muy ajustado. Prefiere Phi-4 Mini o Llama 3.2 3B (2-3 GB). Ver la guía de 6 GB.

Q: ¿2060 vs 3050 de 8 GB de segunda mano?

3050 8 GB = +2 GB de VRAM pero antiguo (224 GB/s vs 2060 336 GB/s). El 2060 es más rápido en 7B pero el 3050 permite más modelos. Según prioridad. Ver RTX 3050 8GB.

Q: ¿Es mejor pasarse a una 5050?

5050 de 8 GB nueva ~280 € vs 2060 de 6 GB de segunda mano ~100 €. Si el uso principal son los LLM, 5050 (GDDR7, +8 GB, motor neuronal moderno). Si no, la 2060 sigue siendo funcional. Consulta RTX 5050.

◆ IA Local — Tu ChatGPT privado y gratuito, en tu máquina, en 1 h · 24 € · o todos los kits 49 € →

Ranking actualizado el 22/09/2026

La RTX 2060 (6 GB GDDR6, 336 GB/s), de segunda mano por ~100 €, es la opción de entrada más asequible para usar LLM. Sus 6 GB limitan la elección a modelos de 3-7B en Q4, pero permiten descubrir los LLM en local.

Ofertas y alternativas para la IA local

RTX 2060 : alternativa de compra disponible para IA local — RTX 5060 Ti 16 GB :

AmazonVer precio → Materiel.netVer precio → DartyVer precio →

¿Qué PC elegir según tu presupuesto? Nuestras opciones de 800 a 3 500 € →

Enlaces de afiliados — QuelLLM puede percibir una comisión por las compras, sin coste adicional para ti, lo cual no influye en el ranking (establecido de forma independiente). Como socio de Amazon, QuelLLM obtiene un beneficio de las compras que cumplen las condiciones requeridas.

Clasificación

🇺🇸 OLMo 3 7B Think (SFT)

zimplex · 7B parámetros · Apache 2.0 · 16 000 tokens ctx

Ajuste fino SFT «thinking» de OLMo 3 7B: razonamiento paso a paso, contexto de 16k, ~4,2 GB de VRAM en Q4. 100 % abierto, licencia Apache 2.0.

Por qué esta posición Ajuste fino SFT «thinking» de OLMo 3 7B: razonamiento paso a paso, contexto de 16k, ~4,2 GB de VRAM en Q4. 100 % abierto, licencia Apache 2.0.

# HuggingFace : zimplex/olmo3-7b-think-sft-eosfix-16k-3ep-euc

En RTX 2060

Q5_K_M

5 GB · 32 tok/s

🇨🇳 GLM 5.3 7B

Zhipu AI · 7B parámetros · MIT · 128 000 tokens ctx

GLM 5.3 (Zhipu): modelo denso de 7B especializado en código y razonamiento, contexto de 128k, ~4,1 GB de VRAM en Q4. Ligero, funciona en GPU de 6-8 GB, licencia MIT.

Por qué esta posición GLM 5.3 (Zhipu): modelo denso de 7B especializado en código y razonamiento, contexto de 128k, ~4,1 GB de VRAM en Q4. Ligero, funciona en GPU de 6-8 GB, licencia MIT.

ollama pull glm-5.3

En RTX 2060

Q5_K_M

5 GB · 32 tok/s

🇺🇸 Gemma 4 E2B

Google · 2000 millones de parámetros · Apache 2.0 · 128 000 tokens ctx

Gemma 4 E2B: 2B parámetros efectivos (5,1B en total), ~3 GB de VRAM en Q4 (pesos de Ollama: 4,3 GB con QAT y 7,2 GB por defecto). Multimodal de texto e imagen, contexto de 128k, Apache 2.0.

Por qué esta posición Gemma 4 E2B: 2B parámetros efectivos (5,1B en total), ~3 GB de VRAM en Q4 (pesos de Ollama: 4,3 GB con QAT y 7,2 GB por defecto). Multimodal de texto e imagen, contexto de 128k, Apache 2.0.

ollama run gemma4:e2b

En RTX 2060

5 GB · 20 tok/s

🇺🇸 OLMo 3 7B

Allen AI · 7B parámetros · Apache 2.0 · 8 192 tokens ctx

Modelo denso de 7B, 100 % abierto (pesos + datos + código). Transparencia total para la investigación.

Por qué esta posición Modelo denso de 7B, 100 % abierto (pesos + datos + código). Transparencia total para la investigación.

ollama run olmo-3:7b

En RTX 2060

Q5_K_M

6 GB · 12 tok/s

🇺🇸 LFM2.5 7B

Liquid AI · 7B parámetros · LFM Open License v1.0 · 32 768 tokens ctx

LFM2.5 7B (Liquid AI): Liquid Foundation Model denso, 32k de contexto, 4.1 GB de VRAM en Q4. Optimizado para CPU y edge. Lanzamiento en mayo de 2026.

Por qué esta posición LFM2.5 7B (Liquid AI): Liquid Foundation Model denso, 32k de contexto, 4.1 GB de VRAM en Q4. Optimizado para CPU y edge. Lanzamiento en mayo de 2026.

ollama pull lfm2.5

En RTX 2060

Q5_K_M

5 GB · 32 tok/s

🇺🇸 LFM2.5 DSpark

Liquid AI · 7B parámetros · LFM Open License v1.0 · 32 768 tokens ctx

LFM2.5 DSpark (Liquid AI): Liquid Foundation Model denso de 7B, 32k de contexto, ~4,1 GB de VRAM en Q4. Chat versátil optimizado para edge/CPU.

Por qué esta posición LFM2.5 DSpark (Liquid AI): Liquid Foundation Model denso de 7B, 32k de contexto, ~4,1 GB de VRAM en Q4. Chat versátil optimizado para edge/CPU.

# HuggingFace : LiquidAI/LFM2.5-DSpark

En RTX 2060

Q5_K_M

5 GB · 32 tok/s

🇺🇸 Granite 4.1 3B Instruct

IBM · 3B parámetros · Apache 2.0 · 131 072 tokens ctx

Modelo denso de 3B, Apache 2.0, 12 idiomas, incluido el francés, 131k de contexto, GQA 40Q/8KV. Llamadas a herramientas y FIM para código. Lanzamiento el 29 de abril de 2026.

Por qué esta posición Modelo denso de 3B, Apache 2.0, 12 idiomas, incluido el francés, 131k de contexto, GQA 40Q/8KV. Llamadas a herramientas y FIM para código. Lanzamiento el 29 de abril de 2026.

ollama run granite4.1:3b

En RTX 2060

FP16

6 GB · 25 tok/s

Tabla comparativa

Puesto	Modelo	Params	VRAM Q4	Contexto	Licencia	En RTX 2060
#1	OLMo 3 7B Think (SFT)	7B	4.2 GB	16 000	Apache 2.0	32 tok/s · Q5_K_M
#2	GLM 5.3 7B	7B	4.1 GB	128 000	MIT	32 tok/s · Q5_K_M
#3	Gemma 4 E2B	2B	3 GB	128 000	Apache 2.0	20 tok/s · Q8
#4	OLMo 3 7B	7B	5 GB	8 192	Apache 2.0	12 tok/s · Q5_K_M
#5	LFM2.5 7B	7B	4.1 GB	32 768	LFM Open License v1.0	32 tok/s · Q5_K_M
#6	LFM2.5 DSpark	7B	4.1 GB	32 768	LFM Open License v1.0	32 tok/s · Q5_K_M
#7	Granite 4.1 3B Instruct	3B	2 GB	131 072	Apache 2.0	25 tok/s · FP16

El kit de IA Local

Tu ChatGPT privado y gratuito en tu máquina en 1 hora — LM Studio, Ollama, Open WebUI, tus documentos, sin nube.

Espacio en línea de por vida
PDF + archivos
Reembolsado 30 j

El kit de IA Local → o todos los kits de por vida — 49 € →

Memo gratuito

¿Qué modelo para programar ejecutar en TU máquina?

Recibe el resumen VRAM → mejor modelo de código → comando Ollama (una sola pantalla, copiar y pegar). Y pasa al kit Copiloto Local para convertirlo en una configuración que realmente funcione.

El kit Copiloto Local — las configuraciones de Ollama + Cline + Aider listas para pegar, Modelfiles ajustados, solución de problemas, espacio en línea de por vida →

Sin spam. Darte de baja en 1 clic. Tus datos se quedan con nosotros (nunca se venden).

Tu tarjeta → el mejor modelo para programar que puedes ejecutar en local, y el comando exacto de Ollama:

Tu VRAM	GPU / Mac típicos	Modelo recomendado para programar	Comando Ollama
8 GB	RTX 4060 / 3060 · M1-M2 16 GB	Qwen 3.5 9B (Q4, 6,6 GB — 256k ctx)	`ollama run qwen3.5:9b`
12 GB	RTX 3060 12 GB / 4070 / 5070	Qwen 3.5 9B (Q8, 11 GB) o Gemma 4 12B (7,6 GB)	`ollama run qwen3.5:9b-q8_0`
16 GB	RTX 5070 Ti / 4080 / 5080 · RX 9070 XT · M4 24 GB	Devstral 24B (Q4, 14 GB) — especialista en agentes de programación	`ollama run devstral:24b`
24 GB	RTX 3090 / 4090 · RX 7900 XTX · M4 Pro 48 GB	Qwen 3.8 27B (Q4, 18 GB) — el « casi Copilot »	`ollama run qwen3.8:27b`
32 GB	RTX 5090	Qwen 3.6 35B-A3B (Q4, 23 GB) — MoE rápido	`ollama run qwen3.6:35b`
48 GB+	Mac M4 Max 64 GB · M2 Ultra 128 GB	Qwen3-Coder 30B-A3B (Q8, 32 GB — 256k ctx)	`ollama run qwen3-coder:30b-a3b-q8_0`

💡 Chat/agente ≠ autocompletado. En la tabla de arriba tienes tu modelo de chat y de agente. Para el autocompletado inline (FIM), mantén un modelo pequeño dedicado en su variante -base : ollama run qwen2.5-coder:7b-base — sigue siendo la referencia en este caso concreto. ⚠️ Qwen 3.8: su nivel de razonamiento está configurado muy alto por defecto y «piensa demasiado» ante solicitudes simples — bájalo a low (o desactívalo) en el primer arranque. ⚠️ La trampa de la licencia: Codestral 22B = Mistral Non-Production License → prohibido para programar en el trabajo. Qwen 3.5/3.8, Gemma 4 y Devstral tienen licencia Apache 2.0. 💡 ¿Se cuelga por falta de memoria? Deja ~1,5 GB de VRAM libre para el contexto, o baja un nivel de cuantización.

🔌 Para integrarlo en VS Code: Cline (agente que trabaja con varios archivos), Aider (CLI) o Tabby/Twinny (autocompletado FIM) — todos se conectan a Ollama en local. El kit Copiloto Local — configuraciones listas para pegar + configuración probada — está disponible: /copilote-local.

Metodología del ranking

Filtro: Q4_K_M ≤ 5 GB. Bonus 1-7B y fuerte bonus ≤ 3B. 336 GB/s entrada correcta.

Criterios considerados:

Q4_K_M ≤ 5 GB
Phi-4 Mini ideal
Llama 3.2 3B muy rápido
Opción económica de entrada ~100 €

La puntuación es totalmente transparente: consulta nuestra metodología para conocer los detalles del cálculo de VRAM/tokens/seg.

Preguntas frecuentes

RTX 2060 6 GB: ¿Es posible ejecutar un LLM?

Sí para 1-7B. Phi-4 Mini 3,8B Q4 a 35-40 tok/s, Llama 3.2 3B Q4 a 50+ tok/s, Mistral 7B Q4 a 15-18 tok/s. Ver guide.

¿Son suficientes 6 GB en 2026?

Cabe por muy poco: Mistral 7B Q4 ocupa 4,5 GB + 1 GB de contexto + 0,5 GB del sistema operativo = muy ajustado. Prefiere Phi-4 Mini o Llama 3.2 3B (2-3 GB). Ver guía 6 GB.

¿2060 vs 3050 de 8 GB de segunda mano?

3050 8 GB = +2 GB VRAM pero antiguo (224 GB/s vs 2060 336 GB/s). 2060 más rápido en 7B pero 3050 abre más modelos. Según prioridad. Ver RTX 3050 8GB.

¿Es mejor pasarse a una 5050?

5050 8 GB nueva ~280 € vs 2060 6 GB de segunda mano ~100 €. Si el uso principal son los LLM, 5050 (GDDR7, +8 GB, Neural Engine moderno). De lo contrario, la 2060 sigue siendo funcional. Consulta RTX 5050.

Para ir más allá

Los kits de QuelLLM La guía de referencia según el uso

IA local Copiloto Local Agentes Locales RAG Local IA en la empresa IA Sin Filtros Mac Imágenes IA

Todos los kits de por vida — 49 €