Ollama или LM Studio: что выбрать — вопрос про то, где вы будете работать. Ollama даёт терминал, локальный сервер на порту 11434 и MIT-лицензию. LM Studio даёт графическое приложение, сервер на порту 1234 и проприетарные условия. Дальше — по осям: интерфейс, загрузка модели, API, headless, хранение, лицензия, память.
Интерфейс, сервер и порт: три разные сущности
Разговор про «Ollama или LM Studio» часто смешивает три вещи: приложение, локальный сервер и API-порт. У Ollama приложение ставится на macOS, Windows или Linux, а сервер поднимается отдельно. В документации проекта сказано: на Linux запустите сервер командой ollama serve, если он ещё не работает. Приложение и сервер — разные процессы, и порт принадлежит серверу.
У LM Studio сущностей три, и это описано в документации проекта. Первая — десктопное приложение с графическим интерфейсом: поиск и загрузка моделей с Hugging Face, чат, загрузка документов для RAG, настройка шаблонов промптов и пресетов, локальный сервер через REST API или OpenAI/Anthropic-совместимые эндпоинты, подключение MCP-серверов. Вторая — llmster, headless-демон без GUI. Третья — lms, командная строка для управления и приложением, и демоном.
Порт — свойство сервера. Ollama по умолчанию слушает 127.0.0.1:11434, это указано в FAQ проекта. LM Studio после запуска сервера слушает http://localhost:1234, это указано в документации проекта. Два раннера занимают два разных порта, и это позволяет держать оба одновременно.
| Сущность | Ollama | LM Studio |
|---|---|---|
| Приложение | Ставится на macOS, Windows, Linux | Десктопное приложение с GUI |
| Сервер | ollama serve |
lms server start |
| Порт по умолчанию | 11434 | 1234 |
| CLI | ollama |
lms |
| Headless-демон | Сервер без GUI | llmster |
Практический вывод: если вам нужен только API для скрипта, приложение можно не открывать. Если нужен графический выбор моделей и настройка пресетов, начинайте с LM Studio. Оба варианта оставляют сервер доступным по HTTP.
Как загружается модель: команда против витрины
Загрузка модели — первое место, где подходы расходятся заметно. У Ollama это команда. В quickstart проекта описан порядок: скачайте Ollama и откройте приложение, на Linux запустите сервер через ollama serve, затем скачайте модель командой ollama pull gemma4:e2b. После этого модель можно запустить через ollama run gemma4:e2b — Ollama скачает её и откроет чат на вашем компьютере. Выйти из чата — /bye.
У LM Studio загрузка идёт через витрину или через CLI. В документации проекта перечислены команды lms: lms get <model> скачивает модель, lms load <model> загружает её в память, lms ls показывает модели на диске, lms server start запускает локальный HTTP-сервер, lms chat открывает интерактивную сессию в терминале, lms log stream транслирует логи запросов. Пример из той же документации: lms get openai/gpt-oss-20b, затем lms load openai/gpt-oss-20b, затем lms server start.
Разница в том, что витрина LM Studio показывает совместимость и параметры модели до скачивания, а команда Ollama требует знать имя модели заранее. Для читателя это означает: если вы выбираете модель по описанию и размеру, начните с витрины. Если у вас есть точное имя тега, команда короче.
Есть и третий путь у LM Studio — загрузка по требованию. В документации проекта описан JIT-режим: когда он включён, вызовы OpenAI-совместимого /v1/models возвращают все скачанные модели, а вызовы inference-эндпоинтов загружают модель в память, если она ещё не загружена. Когда JIT выключен, /v1/models возвращает только модели в памяти, и загрузить модель нужно заранее. JIT-модели по умолчанию выгружаются из памяти после периода неактивности.
У Ollama похожая логика решается параметром keep_alive. В FAQ проекта сказано: по умолчанию модели держатся в памяти 5 минут, затем выгружаются. Команда ollama stop llama3.2 выгружает модель сразу. Через API параметр keep_alive принимает строку длительности вроде «10m» или «24h», число секунд, отрицательное число для постоянного удержания и «0» для выгрузки сразу после ответа. Параметр API переопределяет переменную OLLAMA_KEEP_ALIVE.
Порты 11434 и 1234, OpenAI-совместимые эндпоинты
Оба инструмента дают OpenAI-совместимый эндпоинт, и это главное, что нужно для подключения сторонних клиентов. У Ollama локальный сервер отвечает на http://localhost:11434. В quickstart проекта показаны четыре варианта запроса к локальной модели: нативный /api/chat, OpenAI Chat Completions через /v1/chat/completions, OpenAI Responses через /v1/responses и Anthropic Messages через /v1/messages. Ответ из Chat Completions читается из choices[0].message.content, из Responses — из блоков output_text внутри output, из Anthropic-совместимого — из текстовых блоков content.
У LM Studio после lms server start сервер слушает http://localhost:1234. В документации проекта сказано: направьте base URL на http://localhost:1234, чтобы подключить SDK или совместимый инструмент к OpenAI- или Anthropic-совместимым эндпоинтам. Там же отмечено, что LM Studio используется как локальный бэкенд для IDE-расширений и скриптов автоматизации.
| Параметр | Ollama | LM Studio |
|---|---|---|
| Базовый адрес | http://localhost:11434 | http://localhost:1234 |
| OpenAI Chat Completions | /v1/chat/completions |
OpenAI-совместимые эндпоинты |
| OpenAI Responses | /v1/responses |
Не указан в первичке |
| Anthropic Messages | /v1/messages |
Anthropic-совместимые эндпоинты |
| Нативный API | /api/chat, /api/generate |
REST API |
Практический пример для проверки: возьмите любой клиент, который умеет OpenAI-совместимый base URL, и укажите адрес нужного раннера. Если клиент требует ключ, у Ollama для локальных моделей ключ не нужен — в quickstart сказано, что для локальных моделей шаг с API-ключом пропускается. У LM Studio в первичке про ключ для локального сервера не сказано; проверьте настройки сервера в приложении.
Оба порта могут работать одновременно. Это удобно, если вы сравниваете качество ответов на одной задаче: один клиент смотрит на 11434, второй на 1234, модели загружены в обоих раннерах.
Headless: ollama serve против llmster
Headless-режим — это работа сервера без графического интерфейса. У Ollama это основной способ: на Linux сервер запускается командой ollama serve, и приложение не требуется. В FAQ проекта описано, как настраивать сервер переменными окружения: на macOS через launchctl setenv, на Linux через systemctl edit ollama.service с добавлением строки Environment в секцию [Service], на Windows через переменные пользователя. После правки на Linux нужно выполнить systemctl daemon-reload и systemctl restart ollama.
У LM Studio headless-путь описан в документации проекта в двух вариантах. Первый — llmster, отдельный демон без GUI. Он предназначен для запуска на Linux-сервере или облачном инстансе, на GPU-машине без экрана, в CI/CD-конвейере и как фоновая служба, стартующая при загрузке машины. Установка на Linux и macOS: curl -fsSL https://lmstudio.ai/install.sh | bash. На Windows: irm https://lmstudio.ai/install.ps1 | iex. Запуск: lms daemon up. Второй вариант — десктопное приложение в headless-режиме: в настройках включается запуск LLM-сервера при входе в систему, при этом выход из приложения сворачивает его в системный трей, а сервер продолжает работать.
| Сценарий | Ollama | LM Studio |
|---|---|---|
| Сервер без GUI | ollama serve |
llmster или приложение в headless-режиме |
| Старт при загрузке | systemd-служба на Linux | lms daemon up, задача автозапуска |
| CI/CD | Сервер в контейнере | llmster |
| Настройка через переменные | OLLAMA_HOST, OLLAMA_MODELS и другие |
Настройки приложения |
Для серверного сценария у Ollama есть отдельные детали. В FAQ проекта сказано: Ollama привязывается к 127.0.0.1:11434 по умолчанию, адрес меняется переменной OLLAMA_HOST. Сервер можно выставить через Nginx, пример конфигурации приведён в документации: proxy_pass http://localhost:11434 с заголовком Host localhost:11434. Для туннелей есть примеры с ngrok (ngrok http 11434 --host-header="localhost:11434") и Cloudflare Tunnel (cloudflared tunnel --url http://localhost:11434 --http-host-header="localhost:11434").
Где хранятся модели и что известно о переиспользовании
Хранение — ось, которая решает, сколько места займут две установки. У Ollama пути описаны в FAQ проекта: на macOS это ~/.ollama/models, на Linux — /usr/share/ollama/.ollama/models, на Windows — C:\Users\%username%\.ollama\models. Чтобы сменить каталог, задайте переменную OLLAMA_MODELS. На Linux при стандартной установке пользователю ollama нужны права чтения и записи на этот каталог; назначить каталог можно командой sudo chown -R ollama:ollama <directory>.
У LM Studio структура описана в документации проекта: каталог моделей строится как ~/.lmstudio/models/publisher/model/file.gguf. Проект сохраняет структуру каталогов моделей, скачанных с Hugging Face. Пример из документации: модель ocelot-v1 от издателя infra-ai ложится в соответствующую вложенную папку с файлом вида ocelot-v1-instruct-q4_0.gguf.
Импорт внешней модели у LM Studio описан отдельно. В документации проекта сказано: совместимые модели, скачанные вне LM Studio, можно использовать, положив их в ожидаемую структуру каталогов. Для GGUF-файла есть экспериментальная команда lms import <path/to/model.gguf> с интерактивным подтверждением.
Про переиспользование одного и того же файла модели двумя раннерами первичка даёт только один подтверждённый путь: внешний GGUF импортируется в LM Studio через lms import. Про прямое подключение каталога ~/.ollama/models к LM Studio в первичке не сказано. Практический вывод: если у вас уже лежит GGUF-файл, импортируйте его в LM Studio и скачайте модель в Ollama отдельно; если места мало, задайте OLLAMA_MODELS на диск побольше и держите каталог LM Studio там же.
Лицензия и открытость кода
Лицензии у инструментов разные, и это влияет на то, что можно делать с кодом. Ollama распространяется по MIT License: в файле LICENSE проекта сказано, что разрешение даётся бесплатно любому лицу, получившему копию программного обеспечения, на использование, копирование, изменение, слияние, публикацию, распространение, сублицензирование и продажу копий. ПО предоставляется «как есть», без гарантий.
LM Studio — проприетарное приложение. В условиях использования, опубликованных на сайте проекта, сказано: пользователю выдаётся неисключительная непередаваемая лицензия на использование ПО для личных и внутренних деловых целей в соответствии с документацией. Там же указано, что структура, организация и исходный код ПО составляют ценные коммерческие тайны и конфиденциальную информацию компании. Условия запрещают модификацию, перевод, создание производных работ, интеграцию с другим ПО вне опубликованных интерфейсов, сублицензирование, распространение и продажу, а также обратную разработку и декомпиляцию, кроме случаев, прямо разрешённых законом.
| Критерий | Ollama | LM Studio |
|---|---|---|
| Лицензия | MIT | Проприетарная |
| Исходный код | Открыт | Коммерческая тайна |
| Модификация | Разрешена | Запрещена |
| Распространение | Разрешено | Запрещено |
| Использование в продукте | Разрешено по MIT | По условиям приложения |
Практический вывод для выбора: если вы встраиваете раннер в продукт, распространяете сборку или патчите код, MIT-лицензия Ollama снимает вопросы. Если вы используете готовое приложение для личных и внутренних задач, условия LM Studio это допускают. Условия использования LM Studio датированы 23 августа 2026 года.
Требования к памяти: только для названных моделей
Универсального правила N миллиардов параметров → M гигабайт памяти в первичке нет, и строить такую таблицу не стоит. Документация даёт пороги для конкретных моделей. В quickstart проекта описан пример с Gemma 4 E2B: загрузка модели — около 7.2 ГБ, рекомендуется 8 ГБ доступной видеопамяти или объединённой памяти на Mac. Там же сказано: большие контекстные окна требуют больше памяти, а при нехватке видеопамяти Ollama может использовать системную память, но ответы могут быть медленнее.
| Модель | Квантование | Загрузка | Рекомендация | Источник |
|---|---|---|---|---|
| Gemma 4 E2B | Не указано | ~7.2 ГБ | 8 ГБ VRAM или объединённой памяти | quickstart Ollama |
Для других моделей ориентируйтесь на карточку конкретной модели и её квантование. В FAQ проекта описаны инструменты, которые помогают понять, куда загрузилась модель. Команда ollama ps показывает загруженные модели: колонка PROCESSOR показывает 100% GPU, 100% CPU или смешанное значение вроде 48%/52% CPU/GPU. Пример вывода в документации: llama3:70b с размером 42 GB и 100% GPU.
Контекст тоже влияет на память. В FAQ проекта сказано: по умолчанию Ollama использует контекстное окно 4096 токенов, оно меняется переменной OLLAMA_CONTEXT_LENGTH или параметром num_ctx в API. Параллельные запросы увеличивают контекст: 2K контекста при 4 параллельных запросах дают 8K и дополнительное выделение памяти. Переменная OLLAMA_NUM_PARALLEL задаёт число параллельных запросов на модель, по умолчанию 1, а требуемая память масштабируется как OLLAMA_NUM_PARALLEL * OLLAMA_CONTEXT_LENGTH.
Для экономии памяти у Ollama есть квантование K/V-кэша. В FAQ проекта сказано: переменная OLLAMA_KV_CACHE_TYPE задаёт тип квантования, по умолчанию f16. Доступны q8_0 — примерно половина памяти от f16 с очень малой потерей точности, и q4_0 — примерно четверть памяти с небольшой или средней потерей, заметной на больших контекстах. Это глобальная настройка: все модели работают с выбранным типом.
Таблицы выбора: что стоит сейчас и что нужно
Первый практический артефакт — таблица перехода. Она отвечает на вопрос у меня уже стоит X, мне нужно Y, что меняется.
| Уже стоит | Нужно | Что меняется |
|---|---|---|
| Ollama | LM Studio | Ставится приложение, сервер переезжает на 1234, модели качаются заново или импортируются как GGUF |
| LM Studio | Ollama | Ставится Ollama, сервер переезжает на 11434, модели качаются через ollama pull |
| Ollama | Оба | Порт 11434 остаётся, добавляется 1234, каталоги моделей разные |
| LM Studio | Оба | Порт 1234 остаётся, добавляется 11434, для Ollama задаётся OLLAMA_MODELS |
| Ничего | Ollama | Установка, ollama serve, ollama pull <модель> |
| Ничего | LM Studio | Установка приложения, lms get, lms load, lms server start |
Второй артефакт — таблица «задача → инструмент → почему».
| Задача | Инструмент | Почему |
|---|---|---|
| Скрипт обращается к модели по HTTP | Ollama | Сервер на 11434, нативный и OpenAI-совместимый API |
| Выбор модели по описанию и размеру | LM Studio | Витрина с поиском и загрузкой с Hugging Face |
| Сервер без экрана | Ollama или llmster | ollama serve или llmster без GUI |
| Встраивание в продукт | Ollama | MIT-лицензия разрешает модификацию и распространение |
| Графическая настройка пресетов | LM Studio | Настройка шаблонов промптов и пресетов в приложении |
| Работа с документами в чате | LM Studio | Загрузка документов для RAG в приложении |
| Подключение MCP-серверов | LM Studio | Подключение MCP-серверов к локальным моделям |
| Туннель наружу | Ollama | Примеры с ngrok и Cloudflare Tunnel в документации |
Проверка на своей машине занимает несколько минут. Сначала посмотрите, какие порты уже заняты: 11434 у Ollama и 1234 у LM Studio не конфликтуют между собой. Затем проверьте, куда загрузилась модель: у Ollama это ollama ps, у LM Studio — состояние сервера и список загруженных моделей. После этого отправьте один и тот же запрос в оба эндпоинта и сравните ответы на своей задаче.
Версии продуктов с датой съёма
Версии в первичке указаны точечно. Условия использования LM Studio датированы 23 августа 2026 года. Документация Ollama по FAQ имеет дату последнего изменения 22 октября 2026 года. Страница quickstart Ollama зафиксирована 27 октября 2026 года. Документация LM Studio по headless-режиму ссылается на релизный пост версии 0.4.0, где описан llmster.
Эти даты важны, потому что обе экосистемы меняются. Если вы читаете статью позже, сверьте команды и переменные с актуальной документацией проекта: у Ollama это docs.ollama.com, у LM Studio — lmstudio.ai/docs. Переменные окружения Ollama перечислены в FAQ, команды lms — в документации LM Studio.
Редакция не запускала интерфейс, команды или платные запросы. Все примеры команд и путей приведены по документации проектов и служат образцом для проверки на вашей машине.
Частые вопросы
Что лучше, Ollama или LM Studio?
Оба запускают модели локально, разница в интерфейсе и лицензии. Ollama даёт терминал, сервер на 11434 и MIT-лицензию. LM Studio даёт графическое приложение, сервер на 1234 и проприетарные условия. Выбор зависит от того, нужен вам GUI или скрипт.
Можно ли держать оба раннера одновременно?
Да, порты разные: 11434 у Ollama и 1234 у LM Studio. Каталоги моделей тоже разные, поэтому место на диске удвоится, если скачивать одни и те же модели в оба раннера. Внешний GGUF можно импортировать в LM Studio командой lms import.
Как подключить сторонний клиент к локальной модели?
Укажите base URL нужного раннера: http://localhost:11434 для Ollama или http://localhost:1234 для LM Studio. Оба дают OpenAI-совместимые эндпоинты. У Ollama для локальных моделей API-ключ не нужен.
Сколько памяти нужно для локальной модели?
Порог зависит от модели и квантования. В quickstart Ollama для Gemma 4 E2B указана загрузка около 7.2 ГБ и рекомендация 8 ГБ видеопамяти или объединённой памяти. Для других моделей смотрите карточку модели и проверяйте загрузку командой ollama ps.
Чем llmster отличается от приложения LM Studio?
llmster — headless-демон без графического интерфейса, предназначенный для серверов, GPU-машин без экрана и CI/CD. Десктопное приложение можно запустить в headless-режиме, включив старт LLM-сервера при входе в систему. У Ollama аналогичную роль играет ollama serve.