IA personal: portátiles, estaciones de trabajo y sus capacidades (parte 2)
Actualizado: hace 7 días
En la primera parte de este artículo analizamos las tareas de los LLM locales y las arquitecturas de ordenador adecuadas, comparamos su rendimiento y explicamos cómo influyen el procesador y la memoria en la velocidad.
En la segunda parte veremos qué modelos LLM pueden caber por completo en la memoria del ordenador y qué pueden hacer. Después compararemos portátiles y estaciones de trabajo disponibles con distintas arquitecturas, que los fabricantes ofrecen para trabajar con LLM locales.
Qué modelos LLM sirven para ordenadores con 32-768GB de memoria
Las promesas publicitarias de ejecutar modelos con cientos de miles de millones de parámetros deben leerse junto con sus condiciones: AMD anuncia 300B en Ryzen AI Halo con 192GB de memoria, pero con cuantización de 4 bits. Eso supone unos 150GB solo para los pesos, sin sobrecarga, mientras que la versión completa BF16/FP16 necesita 4 veces más memoria: ¡600GB! Aún más ilustrativo es el ejemplo de Framework: para un ordenador con 64GB, la empresa recomienda Qwen3.5-122B-A10B con cuantización de 3 bits Q3_K_S e indica un consumo de memoria de 52.5GB, mientras que solo los pesos BF16/FP16 requerirían unos 244GB. Tenga cuidado con estas promesas, porque una cuantización agresiva a 2-3 bits puede deteriorar considerablemente las respuestas y el comportamiento del modelo.
En este artículo nos centramos en ordenadores con al menos 128GB de memoria para trabajar profesionalmente con modelos grandes capaces de sustituir soluciones en la nube en muchas tareas laborales. Para tareas de programación sencillas también sirve un ordenador con menos memoria. Por eso la comparación incluye el modelo denso Qwen3.8-27B.
La referencia principal para sistemas con 128GB+ son los modelos MoE abiertos modernos Qwen3.8-Flash-Next y GLM-5.3-Flash. Qwen3.8 Flash es una versión en la nube, mientras que Flash-Next es una versión abierta para uso local.
Al procesar cada token, un modelo MoE utiliza solo una parte de sus parámetros, lo que reduce el cálculo necesario. Sin embargo, todo el conjunto de pesos debe caber en la memoria, por lo que una gran capacidad sigue siendo importante.
La cuantización de los pesos y la caché KV reduce su tamaño mediante una representación más compacta de los números. Su efecto en la calidad depende del modelo, la tarea y el grado de compresión: Q4 puede resultar aceptable para trabajar y Q8 suele acercarse a la calidad del modelo original. A continuación se indican las versiones GGUF concretas publicadas y el tamaño total de todos los archivos de pesos de cada versión.
Puede encontrar modelos para ejecutar en local en Hugging Face, donde se publican los pesos originales, instrucciones y versiones cuantizadas listas para usar. Antes de descargar, compruebe el autor, la licencia, el tamaño de los archivos y la compatibilidad con el programa elegido: llama.cpp suele necesitar el formato GGUF, mientras que MLX en Mac requiere una versión compatible con MLX. También puede buscar y descargar modelos directamente desde LM Studio o elegir un paquete preparado en la biblioteca de Ollama.
Tenga en cuenta que el tamaño de los archivos de pesos del modelo no equivale al consumo total de memoria: debe reservar espacio para el sistema operativo, los búferes de trabajo y la caché KV, cuyo tamaño depende de la longitud del contexto.
Si un ordenador o un clúster tiene suficiente memoria libre, puede alojar varias copias del mismo modelo o modelos distintos para utilizarlos simultáneamente.
En Windows y Linux, para empezar resulta cómodo utilizar LM Studio con interfaz gráfica u Ollama; para una configuración más flexible y una API local puede utilizar llama.cpp. En Mac con Apple Silicon están disponibles las mismas herramientas, además de MLX LM, desarrollado para esta plataforma; la aceleración GPU utiliza Metal. En DGX Spark con DGX OS, un Linux basado en Ubuntu, puede ejecutar compilaciones CUDA de llama.cpp y, para atender varias solicitudes, usar vLLM siguiendo las instrucciones de NVIDIA; la compilación del programa o el contenedor debe admitir ARM64 y la GPU GB10.
Memoria | Criterios de elección | |||
|---|---|---|---|---|
32GB | Q4 + margen de reserva no cabe | Q4 + margen de reserva no cabe | Qwen27B: un contexto de 32K cabe; 64K está en el límite; 128K+ no cabe. | |
64GB | Q4 + margen de reserva no cabe | Q4 + margen de reserva no cabe | Qwen27B: cabe hasta 256K de contexto. | |
128GB | Q4 + margen de reserva no cabe | Qwen27B: hasta 256K. Flash-Next: 32K/64K caben; 128K está en el límite. | ||
192GB | Q4 + margen de reserva no cabe | Qwen27B y Flash-Next: hasta 256K. | ||
256GB | Cabe un contexto de hasta 256K. | |||
512GB | Contexto de hasta 256K. Para un clúster de 4 nodos se necesitan otros 36GB para Qwen27B, 60GB para Flash-Next y 72GB para GLM Flash: cada nodo necesita sistema operativo y búferes. | |||
768GB | Contexto hasta 256K. Para un clúster de 4 nodos se necesitan otros 36GB para Qwen27B, 60GB para Flash-Next y 72GB para GLM Flash: cada nodo necesita sistema operativo y búferes. |
Comparación de modelos con las mismas versiones de las pruebas
Los valores siguientes son porcentajes de las publicaciones de los desarrolladores de las versiones originales, no resultados de las versiones GGUF cuantizadas seleccionadas.
Los resultados también dependen del entorno agéntico (harness) y de los ajustes: las mismas versiones de las pruebas no implican las mismas condiciones. Por ejemplo, Qwen3.8-27B se probó en SWE-bench Pro y DeepSWE 1.1 con el entorno agéntico Claude Code y un contexto de 256K.
La tabla incluye, además de modelos abiertos, valores de benchmarks de modelos conocidos en la nube como referencia.
Algunos benchmarks populares:
SWE-bench Pro y DeepSWE muestran el trabajo con código;
Terminal-Bench 2.1: tareas de ejecución autónoma con agentes;
GPQA Diamond y HLE con herramientas: preguntas complejas y razonamiento, en el segundo caso con herramientas.
Modelo y fuente | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Sin valor | |
62.5 | Sin valor | 58.7 | 91.7 | Sin valor | |
Sin valor | 84.3 | 63.4 | Sin valor | 55.3 | |
Sin valor | 90.6 | 74.2 | 90.9 | 63.9 | |
Sin valor | Sin valor | Sin valor | Sin valor | 64.5 | |
Sin valor | Sin valor | Sin valor | 89.9 | 49.0 | |
Sin valor | 88.8 | 72.7 | Sin valor | 64.5 | |
53.4 | Sin valor | Sin valor | 91.3 | Sin valor | |
Sin valor | 85.0 | 58.0 | Sin valor | 57.9 |
Ordenadores disponibles para modelos de IA locales
Las tablas siguientes enumeran familias de ordenadores, con énfasis en las configuraciones de 128GB de memoria o más.
Para cada familia se indican por separado los requisitos de alimentación: potencia del cargador y protocolo de carga compatible.
Portátiles y estaciones de trabajo con NVIDIA RTX Spark N1X
Portátil | Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Documentación y tienda |
|---|---|---|---|
❌ | Acer SFF RTX Spark | N1X | hasta 128GB | - | |
✅ | ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
✅ | ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
❌ | ASUS ProArt GR1X | N1X | 64/128GB | USB-C EPR PD 3.1(180W); adaptador de 240W incluido | |
❌ | Dell Creator Edition Desktop | N1X | hasta 128GB | - | |
✅ | Dell XPS 16 Creator Edition | N1X | 128GB | Se indica Power Delivery en tres puertos USB-C 4.0 | |
✅ | HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
✅ | HP OmniBook X 14 | N1X | hasta 128GB | USB PD 3.2; USB-C GaN adaptador 140W | |
✅ | Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; USB-C cargador 140W | |
✅ | Lenovo Yoga 9n 2-in-1 Gen 11 16" | N1X | 32-64GB | USB-C PD 3.0; USB-C cargador 140W | |
✅ | Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, mínimo 115W | |
❌ | Microsoft Surface RTX Spark Dev Box | N1X | 128GB | - | |
❌ | MSI EdgeMesa N AI+ | N1X | hasta 128GB | USB-C PD IN; adaptador 240W | |
✅ | MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65W(20V3.25A)-140W(28V5A) |
Estaciones de trabajo NVIDIA GB10 / DGX Spark
Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Documentación y tienda |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Fuente de alimentación USB-C de 240W incluida | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. La ficha técnica indica una entrada de hasta 180W; la fuente incluida es de 240W | |
CyberGeek DGX Spark Compact AI Workstation | GB10 |128GB | Fuente de alimentación USB-C de 240W incluida; usar el adaptador suministrado | |
Dell Pro Precision with GB10 (antes Dell Pro Max with GB10) | 64/128GB | Cargador USB-C incluido FCM1253 280W, (perfiles de salida: 5V3A, 9V3A, 15V3A, 20V6.5A, 28V5.89A, 36V5.83A, 48V5.83A); No se especifica la versión de PD. ¡En el rango de 20-48V, estos perfiles PD utilizan intensidades de corriente no estándar! | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adaptador de 240W incluido; la potencia de entrada requerida, el perfil de tensión y la versión de PD no están especificados. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Entrada USB-C dedicada, fuente de alimentación de 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Entrada USB-C dedicada con USB PD 3.1; fuente de alimentación incluida de 240W | |
MSI EdgeXpert AI | GB10 | 64/128GB | Fuente de alimentación de serie USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | USB-C PD3.1 240W de serie | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Fuente de alimentación incluida; no se indican la potencia ni el modo PD |
Portátiles y estaciones de trabajo con Ryzen AI Max+ 395/495
Los modelos Ryzen AI Max 385/390 y Ryzen AI Max PRO 485/490 con GPU Radeon 8050S no se incluyen debido a su «obsolescencia».
Portátil | Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Documentación y tienda |
|---|---|---|---|
❌ | Acer Veriton RA110 | Max+ 395 | 64/128GB | - | |
❌ | AMD Ryzen AI Halo | Max+ 395 | 128GB | Entrada USB-C dedicada para cargar con la fuente de alimentación de serie | |
❌ | AMD Ryzen AI Halo | Max+ PRO 495 | 192GB de memoria unificada | Entrada de alimentación USB-C | |
❌ | ACEMAGIC F9A | Max+ PRO 495 | 192GB | - | |
✅ | ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Admite USB PD 45-100W | |
✅ | ASUS ROG Flow Z13 GZ302 | Max+ 395 en la versión superior | 32-128GB | USB PD 3.0, 45-100W | |
❌ | Beelink GTR9 Pro | Max+ 395 | 128GB | - | |
❌ | CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | |
❌ | Framework Desktop | Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | |
❌ | GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de memoria compartida | - | |
❌ | GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | |
❌ | GMKtec EVO-X3 | Max+ 395 | 128GB | - | |
❌ | GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de memoria unificada | - | |
❌ | HP Z2 Mini G1a | Max+ PRO 395 en la versión superior | 16-128GB | - | |
✅ | HP ZBook Ultra 14 G1a | Max+ PRO 395 en la versión superior | 16-128GB | USB-C 140W | |
✅ | HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | hasta 192GB de memoria unificada | Entrada USB-C; adaptador recomendado 180W, alternativa 140W | |
❌ | Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | hasta 128GB de memoria unificada | - | |
❌ | MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | |
❌ | MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de memoria unificada | - | |
❌ | MINISFORUM N5 MAX-P495 | Max+ PRO 495 | 192GB | - | |
❌ | MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | - |
Portátiles y estaciones de trabajo con Apple Silicon: las dos últimas generaciones
Para MacBook Pro se consideran M5 Max y M4 Max con GPU de 40 núcleos y 128GB. Para Mac Studio, la generación M5 Max / M5 Ultra y la anterior M4 Max / M3 Ultra. Apple anunció la versión M3 Ultra de 512GB en su lanzamiento, pero la página actual de especificaciones muestra un máximo de 256GB.
Portátil | Modelo, chip y rango de memoria | Carga mediante cargador USB-C (PD) | Documentación y tienda |
|---|---|---|---|
✅ | MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.0 (<100W) | |
✅ | MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.1 (140W) | |
✅ | MacBook Pro 14" | M5 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.0 (<100W) | |
✅ | MacBook Pro 16" | M5 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | PD3.1 (140W) | |
❌ | Mac Studio (2025) | M4 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | - | |
❌ | Mac Studio (2025) | M3 Ultra | 96-256GB en la especificación actual; 512GB en el lanzamiento | - | |
❌ | Mac Studio | M5 Ultra | 96/256/512GB; 512GB: entregas más adelante en octubre de 2026 | - | |
❌ | Mac Studio | M5 Max | 36-128GB; 128GB requiere GPU de 40 núcleos | - | Especificaciones | Amazon.com(36GB) |
MagSafe 3 en MacBook es un conector propietario en el portátil, que recibe alimentación de un cargador USB-C mediante el cable correspondiente.
Cómo garantizar una alimentación fiable del ordenador
Compruebe el contenido del paquete: algunas configuraciones se venden sin cargador, especialmente en Europa; otras lo incluyen.
Para trabajar varias horas cada día con un modelo de IA local hace falta una fuente de alimentación fiable, capaz de suministrar la potencia necesaria durante periodos prolongados sin fallos.
Compare la tensión, la corriente, el protocolo y el cable permitido con la documentación de la máquina concreta. Si el fabricante exige una fuente de alimentación propia o un modo no estándar, disponer de un conector USB-C no basta para sustituirla por cualquier cargador potente.
Si piensa conectar varios dispositivos a una fuente de alimentación con varios puertos, compruebe la potencia de un puerto y cómo se redistribuye al conectar otros dispositivos.