Inicio › Catálogo › Mejor LLM para RTX 5060 (8 GB) en 2026

Mejor LLM para RTX 5060 (8 GB) en 2026

Q: ¿Son suficientes 8 GB para empezar con un LLM local?

Sí — Mistral 7B Q4 (~4,5 GB), Qwen 3 8B Q4 (~5 GB), Llama 3.2 3B Q4 (~2 GB), todos excelentes. Para 13B+, se necesitan 12 GB (RTX 5070). Consulta la clasificación para 8 GB de VRAM.

◆ 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 5060 (8 GB GDDR7, 448 GB/s) es la opción de entrada de Blackwell. 8 GB solo permiten ejecutar modelos de 7-9B en Q4_K_M, pero GDDR7 + Neural Engine proporcionan 35-45 tok/s con Mistral 7B.

Ofertas y alternativas para la IA local

RTX 5060 : 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 5060

8 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 5060

7 GB · 32 tok/s

🇺🇸 Granite 4.1 8B Instruct

IBM · 8 mil millones de parámetros · Apache 2.0 · 131 072 tokens ctx

Dense 8B Apache 2.0, 12 idiomas, incluido FR, 131k ctx, GQA 32Q/8KV. MMLU 73.84, HumanEval 85.37. Salida 29 de abril de 2026.

Por qué esta posición Dense 8B Apache 2.0, 12 idiomas, incluido FR, 131k ctx, GQA 32Q/8KV. MMLU 73.84, HumanEval 85.37. Salida 29 de abril de 2026.

# HuggingFace : ibm-granite/granite-4.1-8b

En RTX 5060

Q5_K_M

6 GB · 12 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 5060

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 5060

7 GB · 32 tok/s

🇺🇸 Granite 4.2 8B

IBM · 8 mil millones de parámetros · Apache 2.0 · 128 000 tokens ctx

Granite 4.2 8B (IBM): modelo denso con licencia Apache 2.0, contexto de 128k, ~4,6 GB de VRAM en Q4. Chat, código y razonamiento multilingües para empresas.

Por qué esta posición Granite 4.2 8B (IBM): modelo denso con licencia Apache 2.0, contexto de 128k, ~4,6 GB de VRAM en Q4. Chat, código y razonamiento multilingües para empresas.

ollama pull granite4.2

En RTX 5060

Q5_K_M

6 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 5060

7 GB · 32 tok/s

Tabla comparativa

Puesto	Modelo	Params	VRAM Q4	Contexto	Licencia	En RTX 5060
#1	OLMo 3 7B Think (SFT)	7B	4.2 GB	16 000	Apache 2.0	32 tok/s · Q8
#2	GLM 5.3 7B	7B	4.1 GB	128 000	MIT	32 tok/s · Q8
#3	Granite 4.1 8B Instruct	8B	5 GB	131 072	Apache 2.0	12 tok/s · Q5_K_M
#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 · Q8
#6	Granite 4.2 8B	8B	4.6 GB	128 000	Apache 2.0	32 tok/s · Q5_K_M
#7	LFM2.5 DSpark	7B	4.1 GB	32 768	LFM Open License v1.0	32 tok/s · Q8

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 ≤ 7 GB (deja 1 GB para el contexto). Bonificación para 3-9B (pico de 8 GB) y ≤ 7B (sin swap). 448 GB/s = tasa de generación aceptable para la gama de entrada.

Criterios considerados:

Q4_K_M ≤ 7 GB
Mistral 7B Q4 fluido
Tokens/s ≥ 35 en 7B
Mejora gracias a GDDR7 frente a la 4060

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

Preguntas frecuentes

¿RTX 5060 vs RTX 4060?

Los mismos 8 GB. 5060 GDDR7 448 GB/s vs 4060 GDDR6 272 GB/s = ~65 % de mejora. Mistral 7B Q4: 5060 ~40 tok/s vs 4060 ~24 tok/s. Ver RTX 4060.

¿Son suficientes 8 GB para empezar con un LLM local?

Sí: Mistral 7B Q4 (~4,5 GB), Qwen 3 8B Q4 (~5 GB) y Llama 3.2 3B Q4 (~2 GB) son todos excelentes. Para 13B+, se necesitan 12 GB (RTX 5070). Consulta clasificación para 8 GB de VRAM.

¿RTX 5060 o 5060 Ti 16?

5060 = gama de entrada, 8 GB (~340 €). 5060 Ti 16 = gama media, 16 GB (~480 €). El salto de +150 € permite ejecutar modelos de 24B (Mistral Small Q4). Si el presupuesto lo permite, 5060 Ti 16. Ver RTX 5060 Ti 16GB.

¿Qué cuantización usar en la 5060?

Q5_K_M para 7B (5,5 GB, calidad máxima). Q4_K_M para 8-9B (5 a 5,5 GB). Q4_0 para hacer caber un modelo de 13B (~7 GB), pero con calidad reducida. Quédate con 7B Q5 para el punto óptimo.

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 €