LM Studio vs Ollama: что выбрать для запуска локальных моделей

LM Studio и Ollama решают одну задачу: скачать открытую модель, запустить её у себя и отдать через локальный API. Поэтому вопрос «lm studio vs ollama» чаще упирается не в возможности, а в привычки: окно с кнопками или терминал и сервис в фоне. Ниже — различия по документации обоих проектов, пример кода, который работает с любым из них, оценка требований к железу и честный расчёт: когда локальный запуск оправдан, а когда дешевле взять облачную модель через шлюз.

LM Studio vs Ollama: главные отличия

LM Studio — десктопное приложение для macOS, Windows и Linux. Модели ищутся и скачиваются во вкладке Discover (каталог на основе Hugging Face), в окне есть чат, управление моделями и пресетами, вкладка Developer, где включается локальный сервер. Работает на llama.cpp (форматы GGUF), а на Mac с Apple Silicon ещё и на MLX. В документации описаны режим без окна (llmster) и консольная утилита lms, например lms server start. Приложение умеет подключать MCP-серверы и общаться с документами без сети.

Ollama — сервис с командной строкой: ollama pull, ollama run, ollama serve, ollama ps. Модели берутся из каталога на ollama.com, параметры задаются в Modelfile. Для macOS и Windows есть приложение с настройками, для сервера — установка на Linux и образ для Docker. Через ollama launch можно запускать кодовые агенты на локальных моделях. Помимо локальных, в Ollama есть облачные модели, но это отдельная история и отдельные условия.

Сводка простая. Хочется кнопок и наглядности: LM Studio. Нужен сервис, который стартует вместе с системой, живёт в Docker и управляется скриптами: Ollama. Это не взаимоисключающие варианты, порты у них разные, и их можно держать вместе.

Один код для всех

Поскольку у обоих API совместим с OpenAI, переключение между ними и облаком сводится к трём строкам: адрес, ключ и имя модели.

import os
from openai import OpenAI

PROFILES = {
    "ollama": dict(base_url="http://localhost:11434/v1", api_key="ollama", model="qwen3:8b"),
    "lmstudio": dict(base_url="http://localhost:1234/v1", api_key="lm-studio",
                     model=os.environ.get("LMSTUDIO_MODEL", "id-из-lm-studio")),
    "zukko": dict(base_url="https://api.zukko.pro/v1",
                  api_key=os.environ.get("ZUKKO_API_KEY", ""), model="claude-sonnet-5-5"),
}

def ask(profile: str, question: str) -> str:
    cfg = dict(PROFILES[profile])
    model = cfg.pop("model")
    client = OpenAI(**cfg)
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": question}],
    )
    return resp.choices[0].message.content

print(ask("zukko", "Объясни разницу между процессом и потоком в трёх предложениях."))

Для локальных серверов ключ может быть любой строкой (в примере Ollama прямо сказано, что он обязателен, но игнорируется). Идентификаторы моделей в LM Studio смотрите в списке GET /v1/models у локального сервера. Для Zukko ключ fetch_... берётся в кабинете↗, а формат запроса описан в справочнике chat/completions↗.

Контекст и железо

Здесь больше всего подводных камней, и они общие для обеих программ.

• Контекст ограничен памятью. Ollama по документации выбирает длину контекста по объёму видеопамяти: меньше 24 GiB даёт 4k, от 24 до 48 GiB даёт 32k, от 48 GiB даёт 256k. Для агентов, поиска и кодовых инструментов сама документация советует не меньше 64 000 токенов. Чем длиннее контекст, тем больше нужно памяти, а команда ollama ps показывает, поместилась ли модель на видеокарту или частично ушла на процессор.
• Закрепите контекст явно. Значение по умолчанию зависит от видеопамяти, поэтому на другой машине оно окажется другим. Задайте нужную длину в Modelfile или через OLLAMA_CONTEXT_LENGTH и после запуска проверьте в ollama ps, что модель поместилась на видеокарту.
• Объём памяти определяет класс модели. В документации Cline приведена ориентировочная таблица: при 16–32 ГБ памяти реалистичны небольшие или квантованные модели, при 32–64 ГБ — модели среднего размера для кода, при 64 ГБ и больше — крупные модели и большой контекст. Это ориентир, а не гарантия: проверьте конкретную модель на своём компьютере.
• Скорость. Локальные модели на слабом железе могут отвечать заметно медленнее облака. Мы не приводим цифр, потому что они зависят от вашей машины.

Когда локальная модель оправдана

• Данные не должны выходить за пределы компьютера. Закрытый код, документы под NDA, персональные данные. LM Studio и Ollama работают без сети после скачивания моделей.
• Нет интернета или канал нестабилен.
• Эмбеддинги. В документации Zukko нет эндпоинта эмбеддингов, а у LM Studio есть /v1/embeddings, у Ollama отдельный раздел про эмбеддинги. Для поиска по своим документам векторизацию удобно делать локально, а ответы получать через облако.
• Эксперименты и обучение. Попробовать открытую модель, поиграть с параметрами, не платя за токены.

Когда выгоднее облачный API

Цены на 18 октября 2026. Допустим, вы тратите в месяц 50M токенов входа и 5M токенов выхода (насыщенная работа с агентом). Расчёт без кэша:

• deepseek-v4.1-flash (0.013 / 0.038 за 1M): 50 × 0.013 + 5 × 0.038 = 0.65 + 0.19 = $0.84.
• glm-5.3-flash (0.04 / 0.04): 50 × 0.04 + 5 × 0.04 = 2.00 + 0.20 = $2.20.
• claude-sonnet-5-5 (0.4 / 2): 50 × 0.4 + 5 × 2 = 20 + 10 = $30.

С этим сравнивайте свои затраты на видеокарту или мощный компьютер, электричество и время на настройку. Для лёгкой нагрузки локальный запуск редко окупается деньгами, его аргументы — приватность и автономность. Если нужна максимальная сила модели и длинный контекст, облако даёт до 1M токенов контекста у Claude и GPT из таблицы моделей (у GLM 128K). Какая модель подойдёт, проверяйте на своих задачах. Список и цены: GET https://api.zukko.pro/v1/models или страница «Модели» в кабинете.

Разумная схема для многих: локальная модель для приватного и мелкого, облачная для сложного. Благодаря общему формату запроса код выше переключается одной строкой. Оплата баланса Zukko: СБП (комиссия платёжной страницы 8,5% сверху), криптовалюта или карты MasterCard. Подробнее о выборе между вариантами: Локальная нейросеть или API↗.

Частые вопросы

Что проще для новичка?

LM Studio: установка, поиск модели, кнопка запуска сервера. Ollama проще, если привычен терминал и нужна автоматизация.

Можно ли установить обе программы?

Да, у них разные порты по умолчанию: 1234 и 11434. Сервисам-клиентам нужно просто указать свой адрес.

Подойдёт ли локальная модель для кодового агента?

Это зависит от модели и памяти. Агенты требуют вызова инструментов и большого контекста, а в Ollama по умолчанию контекст может оказаться маленьким. Проверьте на одной небольшой задаче, прежде чем переходить на неё целиком.

Как подключить оба к редактору?

Через провайдер OpenAI-совместимого API в настройках инструмента: адрес http://localhost:1234/v1 или http://localhost:11434/v1. Для облака адрес https://api.zukko.pro/v1.