- Distinguir LM Studio, el modelo, el formato y la cuantización.
- Descargar, cargar y probar un modelo local adecuado para tu memoria.
- Arrancar la API en
localhost:1234y comprobarla. - Guardar una evidencia que otra persona pueda repetir.
Qué vas a construir
Primero probarás un chat. Después activarás el servidor para demostrar que otra aplicación puede usar el mismo modelo.
TU TEXTO → LM STUDIO → MODELO → RESPUESTA TU FUTURA APP → localhost:1234 → LM STUDIO → MODELO
LM Studio frente a Ollama
Los dos ejecutan modelos locales. LM Studio hace visibles la búsqueda, descarga, carga y configuración en una interfaz gráfica; Ollama resulta especialmente cómodo para terminal y automatización. Puedes usar ambos y comparar el mismo tipo de modelo para separar la calidad del modelo de la experiencia del runtime.
Consulta Ollama desde cero si quieres empezar por CLI.
Comprueba si tu equipo encaja
- macOS: Apple Silicon M1-M4, macOS 14 o posterior. Intel no está soportado actualmente.
- Windows: x64 con AVX2 o ARM compatible. LM Studio recomienda 16 GB de RAM y 4 GB de VRAM dedicada como referencia.
- Linux: x64 o ARM64; la aplicación se distribuye como AppImage y documenta Ubuntu 20.04 o posterior.
LM Studio recomienda 16 GB de RAM. Un Mac de 8 GB puede ejecutar modelos pequeños con contexto modesto. Ninguna cifra garantiza que un modelo concreto vaya a caber: también cuentan cuantización, contexto, caché y memoria libre.
Instala desde la fuente oficial
Descarga la aplicación desde lmstudio.ai, instálala y ábrela al menos una vez. No uses mirrors o instaladores enlazados por tutoriales antiguos.
Comprueba la CLI lms
lms viene incluido con LM Studio. Abre una terminal nueva después de iniciar la aplicación.
lms --help lms ls lms ps
lms --help devuelve la ayuda, la CLI está disponible. Si no aparece, abre LM Studio una vez y después una terminal nueva.Descarga y carga tu primer modelo
En Discover, elige una sola variante instruct o chat. Revisa tamaño, formato, cuantización y licencia. En Apple Silicon puedes encontrar modelos MLX; GGUF es otro formato habitual.
Q4, Q5 y Q8 representan cuantizaciones distintas: menos bits suele reducir memoria a cambio de posible pérdida de fidelidad. La lección Cuantización GGUF explica el detalle.
Carga el modelo con ajustes conservadores y escribe en el chat: «Explica en una frase qué significa ejecutar una IA local».
# Comprueba qué modelo está cargado lms ps
Arranca el servidor local
En la sección Developer, activa Start Server. También puedes hacerlo desde terminal. El puerto usado en los ejemplos oficiales es 1234.
lms server start lms server status
--bind 0.0.0.0 en esta práctica. LM Studio permite autenticación mediante tokens desde la versión 0.4.0, pero no necesitas exponer el servidor para aprender.Comprueba los modelos disponibles por API
Consulta el servidor y copia exactamente el identificador devuelto. No adivines el nombre.
curl http://127.0.0.1:1234/v1/models
Genera una respuesta por API
curl http://127.0.0.1:1234/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "IDENTIFICADOR",
"messages": [{
"role": "user",
"content": "Resume en una frase qué significa ejecutar una IA local."
}],
"temperature": 0.2
}'/v1/models lista el modelo y /v1/chat/completions devuelve contenido dentro de choices, ya tienes una capa local de inferencia utilizable por otras aplicaciones.Por qué usamos una API compatible con OpenAI
LM Studio implementa endpoints como /v1/models, /v1/responses, /v1/chat/completions y /v1/embeddings. Muchos clientes pueden apuntar a http://localhost:1234/v1 cambiando la URL base. Compatibilidad no significa que todas las funciones de un proveedor remoto sean idénticas.
¿Necesitas API key?
Por defecto el servidor no exige autenticación. Algunos SDK requieren un valor aunque el servidor local lo ignore; en ese caso puede usarse un marcador como lm-studio. Si activas Require Authentication, deberás crear y enviar un token real.
Comprueba la inferencia sin internet
Con el modelo ya descargado y cargado, desconecta temporalmente la red y repite una pregunta. Si responde, has demostrado inferencia local. Buscar o descargar modelos, comprobar actualizaciones, usar web search, modelos cloud o MCP remotos sí puede requerir red.
Diagnóstico rápido
- El modelo no carga: reduce tamaño, cuantización o contexto.
- El equipo se bloquea: deja margen para el sistema operativo.
- Connection refused: ejecuta
lms server statusy arranca el servidor. - El chat funciona pero curl no: la interfaz puede funcionar con el servidor HTTP apagado.
- Puerto 11434: normalmente es Ollama; LM Studio usa 1234 en estos ejemplos.
lms ls lms ps lms server status lms log stream
Tu evidencia final
Guarda una nota sencilla. No necesitas un benchmark: necesitas una prueba que otra persona pueda repetir.
Fecha: Sistema operativo / CPU / RAM / GPU: Versión de LM Studio: Modelo / formato / cuantización / contexto: Chat local: PASS / FAIL /v1/models: PASS / FAIL /v1/chat/completions: PASS / FAIL Tiempo aproximado hasta responder: Qué falló y qué cambiarías: Fuente oficial consultada:
Fuentes oficiales verificadas
Revisión editorial: 4 de septiembre de 2026. Revisa de nuevo requisitos, botones y opciones si tu versión ha cambiado.
Si has guardado la evidencia de esta lección, continúa con «Cuantización GGUF». Si no, repite la comprobación antes de avanzar.