Ollama vs LM Studio: las dos cocheras donde viven tus modelos

■ espacio · las dos cocheras

EL RECORRIDO

Di qué vienes a buscar. Las cocheras te responden.

LA ELECCIÓN: Ollama — el coche­ra de servicio. Arranca al boot y responde en el :11434 mientras tu caja sigue sin ratón.

# the whole handshake
curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen2.5-coder:7b
curl http://localhost:11434/api/chat -d '{
  "model": "qwen2.5-coder:7b",
  "messages": [{"role":"user","content":"Explain bash exit codes in two lines"}],
  "stream": false
}'

# Developer tab → start server — or the lms CLI
lms server start
lms load qwen2.5-coder-7b-instruct --gpu max
curl http://localhost:1234/v1/chat/completions \\
  -H "Content-Type: application/json" \\
  -d '{"model":"qwen2.5-coder-7b-instruct","messages":[{"role":"user","content":"Write a jq filter for the top process by CPU"}]}'

el cajón de licencias: Ollama es MIT — solo debes la licencia del modelo (Llama, Mistral, Qwen y Gemma arrastran cada uno sus propios términos). LM Studio es gratis para uso personal; el uso laboral pasa por su flag de licencia de trabajo gratuita, y las empresas por encima de cierto umbral de ingresos pagan. Compras pregunta — esta fila cierra el debate.

LO QUE TE DICE LA COLUMNA DEL PROCESADOR

Ollama detecta CUDA, Metal y ROCm al arrancar y descarga todo lo que cabe. La prueba es un comando — la respuesta, una palabra. Gírala:

# what did Ollama actually load — GPU or CPU?
ollama ps

# force the issue if it silently fell back to CPU:
OLLAMA_NUM_GPU=999 ollama run qwen2.5-coder:7b

OLLAMA_NUM_GPU sobrescribe el número de capas — número grande: todo a la tarjeta; 0: solo CPU. Una sonda — el arreglo de verdad es un quant que quepa.

LM Studio expone el mismo control como un deslizador de offload de GPU por modelo — más amable para experimentar, uno de sus toques genuinamente mejores.

LA CUESTIÓN DE VELOCIDAD, RESUELTA

Mismo modelo, misma cuantización, mismo hardware: empate técnico — ambos delegan en llama.cpp. Los huecos que se alegan suelen comparar quants o contextos distintos. Mide en tu propia máquina:

# Ollama: --verbose prints eval rate (tokens/sec) at the end
ollama run qwen2.5-coder:7b --verbose "Summarise what a Makefile does in one sentence."

En LM Studio, carga el mismo GGUF con contexto y capas GPU idénticos; mira los tokens/s en el panel de estadísticas. Repite dos veces — la primera carga es ruido de calentamiento.

ENCUENTRA TU FILA

Reglas de bolsillo, sin arrepentimientos en ningún sentido:

1. Quieres usar modelos — chatear, probarlos, jugar con deslizadores: LM Studio.
2. Quieres construir sobre los modelos — scripts, agentes, CI, un servicio de API casero: Ollama.
3. Quieres ambos — instala ambos; conviven sin problema. Solo impide que los dos servidores reclamen el mismo puerto, y recuerda que un modelo cargado dos veces come VRAM por partida doble.

Ambos entienden GGUF y pilotan la misma estirpe — Ollama incrusta llama.cpp; LM Studio usa runtimes basados en llama.cpp. Mismo archivo, misma salida; las herramientas difieren alrededor del modelo.

Los modelos locales combinan de maravilla con las herramientas de codificación agéntica: apunta un cliente compatible con OpenAI a tu endpoint — completaciones ilimitadas a coste por token cero. La única factura es la luz.

fin de las dos cocheras · nada descargado · todo local