Centro del blog
Guías prácticas sobre VRAM, Mac, cuantización, modelos de programación y modelos de visión locales.
Guía de memoria de vídeo
De 6 GB, 8 GB, 12 GB, 24 GB a 48 GB, explique cómo se combinan el volumen de parámetros del modelo, la versión cuantificada, la caché KV y la sobrecarga del sistema para determinar si se puede cargar.
Leer artículochip de manzana
Explique por qué la memoria total de Mac no se puede utilizar como memoria de vídeo y cómo elegir el modelo adecuado para máquinas de 16 GB, 32 GB, 64 GB y 128 GB.
Leer artículoCuantificar
La cuantificación GGUF más común del uso de memoria, la pérdida de calidad y la compensación de velocidad ayuda a los usuarios a comprender las tres preferencias de prioridad de calidad, equilibrio y contexto largo.
Leer artículomodelo de programación
A partir de los cuatro escenarios de generación, interpretación, reconstrucción y contexto largo de código, explique por qué los propósitos de programación no pueden limitarse a considerar el tamaño del modelo y el volumen de descarga.
Leer artículomultimodal
Este artículo presenta los problemas adicionales de la memoria de gráficos, el codificador de imágenes, el contexto y el soporte de back-end de razonamiento que deben considerarse en los modelos visuales en comparación con los modelos de texto.
Leer artículoSelección de herramientas
Explique a los usuarios comunes la experiencia de instalación, la gestión de modelos, el ajuste del rendimiento y los grupos aplicables de tres métodos de ejecución locales comunes.
Leer artículoGuía de VRAM
Qué pueden ejecutar las tarjetas de 6 GB, qué tamaños y cuantizaciones tienen sentido y cuándo conviene actualizar.
Leer artículoGuía de hardware
Cómo elegir GPU para inferencia local según VRAM, ancho de banda, soporte de software y modelos objetivo.
Leer artículoSelección de modelos
Cómo combinar RAM, VRAM, sistema operativo, uso y preferencia de calidad con modelos realmente ejecutables.
Leer artículoGuía de modelos
Una guía práctica sobre familias de modelos Local LLM, recuentos de parámetros, archivos GGUF, niveles de cuantización, longitud de contexto y cómo elegir un modelo que encaje con tu hardware.
Leer artículoGuía de hardware
Una guía centrada en hardware sobre requisitos de VRAM para Local LLMs, incluyendo pesos del modelo, cuantización, KV cache, longitud de contexto, sobrecarga de runtime y niveles realistas de GPU.
Leer artículoGuía de Windows
Una guía práctica de Windows para ejecutar Local LLMs con Ollama, LM Studio, llama.cpp, drivers de GPU, selección de modelos, planificación de VRAM y pasos comunes de solución de problemas.
Leer artículoguía de macOS
Una guía práctica de macOS para ejecutar Local LLMs en Apple Silicon, que cubre memoria unificada, MLX, Metal, Ollama, LM Studio, llama.cpp, elección de modelos y límites realistas.
Leer artículoguía de Linux
Una guía práctica de Linux para ejecutar Local LLMs con NVIDIA CUDA, AMD ROCm, Ollama, LM Studio, llama.cpp, formatos de modelo, planificación de VRAM y seguridad de servidores.
Leer artículoguía de modelos
Una guía práctica para elegir los mejores modelos de local AI para chat, código, escritura, matemáticas, visión y uso offline según ajuste de hardware, cuantización, benchmarks y formato de modelo.
Leer artículoGuía de modelos
Una guía práctica para elegir los mejores modelos Local LLM para tu hardware, incluyendo tamaño del modelo, cuantización, archivos GGUF, programación, escritura, razonamiento, visión y ajuste en memoria.
Leer artículoGuía de modelos
Una guía práctica para encontrar el mejor LLM para ejecutar localmente en tu ordenador, basada en VRAM, RAM, sistema operativo, tamaño del modelo, cuantización, velocidad, privacidad y caso de uso.
Leer artículoGuía comparativa
Una comparación práctica de los local LLMs y los cloud LLMs en privacidad, coste, velocidad, calidad, hardware, uso sin conexión, mantenimiento y flujos de trabajo reales.
Leer artículoguía de modelos
Una guía práctica sobre modelos locales de IA, que cubre LLM, modelos de visión, incorporaciones, ajuste de hardware, cuantificación, privacidad, herramientas y opciones de descarga.
Leer artículoOffline AI
Una guía práctica sobre lo que la IA fuera de línea puede hacer localmente, incluido chat, codificación, escritura, resúmenes, incrustaciones, visión, límites de hardware y compensaciones de privacidad.
Leer artículoguía principiante
Una guía para principiantes sobre LLM locales, que explica hardware, VRAM, RAM, cuantificación, archivos de modelo, herramientas, privacidad y cómo elegir un primer modelo.
Leer artículoGuía de configuración
Una lista de verificación de configuración práctica para ejecutar un LLM local, que cubre hardware, VRAM, RAM, elección de modelo, cuantificación, herramientas, servidores locales, pruebas y seguridad.
Leer artículoPreguntas frecuentes
Respuestas claras a preguntas locales comunes de LLM sobre VRAM, RAM, GPU elección, cuantificación, privacidad, velocidad, uso sin conexión, herramientas y descargas de modelos.
Leer artículoguía de herramientas
Una guía práctica para usar Cursor con un LLM local, que cubre Ollama, LM Studio, OpenAI-compatible endpoints, modelos de codificación, límites de hardware, velocidad, privacidad y comprobaciones de configuración.
Leer artículoguía de herramientas
Una guía práctica del modelo local Cursor.ai que cubre puntos finales OpenAI-compatible, Ollama, LM Studio, modelos de codificación, límites de hardware, privacidad, velocidad y solución de problemas.
Leer artículoSelección de modelo
Una guía centrada en el hardware para elegir el mejor LLM local para Cursor, que cubre calidad de codificación, contexto, velocidad, cuantificación, VRAM, privacidad y pruebas prácticas.
Leer artículoguía de herramientas
Una guía práctica de LLM local de LM Studio que cubre descargas de modelos, opciones de GGUF y MLX, configuración del servidor OpenAI-compatible, ajuste de hardware, privacidad y pruebas.
Leer artículo