Ollama vs LM Studio vs LlamaCpp para IA local
Ollama, LM Studio y llama.cpp ejecutan modelos abiertos en tu máquina, pero no son el mismo tipo de herramienta. Uno es un demonio de línea de comandos con API, otro es una app de escritorio con ventana de chat y el tercero es el motor C/C++ sobre el que pueden apoyarse los otros dos. Elegir bien va de cómo quieres trabajar, no de cuál es «el mejor».
Esto es una comparación de funciones, no una prueba de velocidad. La velocidad depende de tu GPU, del modelo y de la cuantización; cualquier afirmación de «el más rápido» sin esos datos es marketing. Los datos de abajo salen de la documentación oficial de cada proyecto y se comprobaron el 25 de octubre de 2026.
La respuesta corta
| Herramienta | Qué es | Para qué es mejor |
|---|---|---|
| Ollama | Ejecutor de línea de comandos de código abierto (MIT) con API REST local y endpoint compatible con OpenAI. | Scripts, servidores, configuraciones repetibles y quien prefiere la terminal. |
| LM Studio | App de escritorio con interfaz de chat, catálogo de modelos y API local programable; usa llama.cpp y MLX por debajo. Gratis para uso local; tiene planes de nube de pago. | Chatear con modelos, compararlos visualmente y usuarios no técnicos. |
| llama.cpp | Motor de inferencia C/C++ con licencia MIT, CLI, servidor compatible con OpenAI y backends para CUDA, Metal, Vulkan, SYCL e HIP. | Máximo control, hardware poco habitual e integrar la inferencia en otro programa. |
Ollama: el ejecutor de línea de comandos
Ollama se instala en macOS, Windows y Linux, y funciona en Docker. Pides un modelo con ollama run y lo descarga y ejecuta; la misma instalación expone una API REST local en el puerto 11434 y una API compatible con OpenAI para herramientas que ya hablan ese formato.
Su licencia es MIT y su README cita llama.cpp como backend soportado: Ollama es una capa amable sobre el motor, no una implementación de inferencia aparte. Los modelos salen de su propia biblioteca; también puedes construir uno desde un Modelfile cuando necesitas un prompt o unos parámetros propios.
Eligelo si quieres una instalación reproducible: un comando lo instala, otro ejecuta un modelo y un script u otro servicio puede llamar a la API. La contrapartida es que no hay ventana de chat salvo que añadas una; Open WebUI y front-ends similares existen para eso.
LM Studio: la app de escritorio
LM Studio es una aplicación gráfica para Windows, macOS y Linux. Navegas un catálogo, descargas un modelo y chateas con él; la misma app puede levantar un servidor local con una API programable para tus propios programas.
El plan gratuito ejecuta modelos en tu máquina y, según su página de precios, usa llama.cpp y MLX por debajo. Los planes de pago (Bionic+ a 20 $/mes y Pro a 100 $/mes, comprobado el 25 de octubre de 2026) añaden inferencia en la nube y otros servicios; no hacen falta para ejecutar modelos en local.
Eligelo si quieres ver la lista de modelos, probar prompts y comparar respuestas sin tocar la terminal. La página de descarga remite a sus términos de uso; el entorno local es gratis, pero la aplicación no es un proyecto de código abierto en el mismo sentido que Ollama o llama.cpp.
llama.cpp: el motor
llama.cpp es la opción de más bajo nivel: un motor de inferencia C/C++, con licencia MIT, construido alrededor del formato GGUF. Incluye una herramienta de línea de comandos y un servidor compatible con OpenAI (llama serve), y sus backends cubren NVIDIA (CUDA), Apple (Metal), Vulkan, SYCL e HIP.
Es el proyecto sobre el que se apoyan los otros dos. Usarlo directamente te da el máximo control sobre contexto, muestreo, batching y descarga a hardware, y es la elección correcta cuando necesitas integrar la inferencia en otro programa o dar soporte a una GPU que las herramientas más amables no cubren.
La contrapartida es la curva de aprendizaje: lo compilas o descargas una release, eliges una cuantización y pasas los flags correctos. No hay catálogo de modelos ni interfaz de chat.
Qué tienen en común
- Los tres ejecutan modelos de pesos abiertos en local; ninguno envía tu prompt a un servidor salvo que elijas una función de nube.
- Los tres pueden exponer una API HTTP, así que una app local puede hablar con ellos igual que con un proveedor alojado.
- Los tres están limitados por tu hardware: el modelo tiene que caber en memoria y la velocidad depende de la GPU o CPU que haya detrás.
¿Cuál deberías usar?
- Quieres ventana de chat y cero terminal: LM Studio.
- Quieres un script, un servidor o un endpoint compatible con OpenAI con una sola instalación: Ollama.
- Quieres el motor, hardware poco habitual o control total: llama.cpp.
- No lo tienes claro: empieza con Ollama; si echas de menos la interfaz, prueba LM Studio; si te topas con un límite de hardware o de control, baja a llama.cpp.
Lo que ninguno arregla: la memoria
Ninguna de estas herramientas hace que un modelo quepa. Un modelo de 7B a 4 bits son unos 3,5 GB de pesos antes de la caché KV y la sobrecarga; uno de 70B con la misma precisión es diez veces más grande. Antes de descargar nada, estima la memoria con nuestra calculadora de VRAM para IA local y lee cuánta VRAM necesita un modelo local.
Preguntas frecuentes
¿Ollama y LM Studio son gratis?
Ollama es código abierto con licencia MIT. El uso local de LM Studio es gratis; sus planes de pago añaden inferencia en la nube y servicios, no la ejecución local.
¿Ejecutan los mismos modelos?
Pueden ejecutar las mismas familias de pesos abiertos, pero los archivos exactos cambian: Ollama tira de su propia biblioteca, mientras que LM Studio y llama.cpp trabajan con archivos GGUF (LM Studio también usa MLX en Apple Silicon).
¿Cuál es el más rápido?
Depende del hardware, del modelo, de la cuantización y del backend. Una comparación justa fija los cuatro; sin eso, cualquier número es ruido. Ninguno de los tres es más rápido siempre.
¿Puedo usarlos sin GPU?
Sí, los tres pueden funcionar en CPU, pero la velocidad será mucho menor. Un modelo pequeño con una cuantización baja es el punto de partida realista.
Sigue leyendo
- Calculadora de VRAM para IA local — qué cabe en tu VRAM.
- ¿Cuánta VRAM necesitas? — la aritmética detrás de los números.
- Buscador multi-IA — compara modelos alojados cuando lo local no basta.
- Comandos de Ollama para IA local — los comandos que vas a usar de verdad.
- Cuantización GGUF explicada — qué significan Q4_K_M, Q5_K_M y Q8_0, y cómo elegir una.
Fuentes y fecha: README y licencia MIT de Ollama; README de llama.cpp (MIT, backends, GGUF y llama serve); páginas de descarga y precios de LM Studio (plataformas, llama.cpp/MLX, plan local gratuito y planes de pago). Comprobado el 25 de octubre de 2026. Las funciones y los precios cambian; verifícalos antes de planificar con ellos.