Los modelos de lenguaje de visión local evolucionaron de un truco de fiesta a una herramienta real en los últimos doce meses. Llama 3.2 Vision funciona en una GPU de rango medio. Qwen2.5-VL lee capturas de pantalla mejor que la mayoría de las API en la nube hace dos años. Gemma 3 multimodal de Google maneja gráficos y recibos sin mayor dificultad. Lo que cambió no son solo los modelos. Las aplicaciones que los alojan también han avanzado. Puedes soltar una captura de pantalla en una ventana de chat en tu propia computadora portátil, preguntar qué dice y obtener una respuesta clara en unos pocos segundos, sin que la imagen salga de la máquina. Probamos siete de las mejores aplicaciones de escritorio para ejecutar modelos de lenguaje de visión local en Windows, macOS y Linux, todas gratis para empezar.
Qué buscar
Algunos factores separan los clientes de visión útiles de los que se desinstalan en el fin de semana.
- Soporte multimodal. La aplicación debe cargar GGUF de visión recientes (Llama 3.2 Vision, Qwen2.5-VL, LLaVA, Gemma 3 multimodal) sin una compilación manual de llama.cpp.
- Margen de VRAM. Un modelo de visión de 7B con cuantización de 4 bits se ajusta en aproximadamente 6 a 8 GB. La aplicación debe advertirte antes de intentar cargar un checkpoint que no cabe.
- Entrada de imagen arrastra y suelta. Pegar una ruta de archivo funciona, arrastrar una imagen al campo de mensaje se siente como software real.
- API o GUI, idealmente ambos. Un punto final compatible con OpenAI local te permite conectar visión a extensiones de editor y scripts.
- Descubrimiento de modelos. Hugging Face es el catálogo; las aplicaciones que lo buscan en su lugar ahorran un paso de descarga manual.
- OCR de lotes y carpetas. Algunos flujos de trabajo procesan una imagen a la vez. Otros necesitan leer una carpeta de escaneos.
Comparación rápida
| Aplicación | Mejor para | Plataformas | Plan gratuito | Precio inicial/mes | Clasificación |
|---|---|---|---|---|---|
| Ollama | CLI y API local que todo se conecta | Windows, macOS, Linux | Sí (código abierto) | $0 | 4.8/5 |
| LM Studio | GUI pulida con imágenes de arrastrar-soltar | Windows, macOS, Linux | Sí | $0 | 4.7/5 |
| Open WebUI | Frontend del navegador para un servidor doméstico | Windows, macOS, Linux (Docker) | Sí (código abierto) | $0 | 4.6/5 |
| Jan | Cliente completamente de código abierto sin conexión | Windows, macOS, Linux | Sí (código abierto) | $0 | 4.5/5 |
| Msty | Comparación de modelos de visión lado a lado | Windows, macOS, Linux | Sí | $0 (nivel de pago disponible) | 4.5/5 |
| AnythingLLM | Visión más RAG sobre documentos locales | Windows, macOS, Linux | Sí (código abierto) | $0 | 4.4/5 |
| GPT4All | Cliente ligero para máquinas VRAM baja | Windows, macOS, Linux | Sí (código abierto) | $0 | 4.3/5 |
Las aplicaciones
1. Ollama para la CLI y la API local detrás de todas las demás aplicaciones
Ollama ejecuta modelos locales detrás de un punto final compatible con OpenAI en localhost, y la compatibilidad multimodal ahora cubre Llama 3.2 Vision, Qwen2.5-VL, LLaVA y Gemma 3 multimodal. Extrae un modelo con un comando de una línea, canaliza una ruta de imagen en la CLI y obtén una descripción en la terminal. Todas las demás aplicaciones en esta lista pueden apuntar a un punto final de Ollama para la capa de inferencia.
Dónde se queda corta: Sin GUI nativo para arrastrar imágenes. O utilizas la terminal o conectas un cliente de chat encima.
Precio: Gratis.
Plataformas: Windows, macOS, Linux.
Descargar: Ollama
Conclusión: Empieza aquí. Los otros clientes se vuelven más útiles una vez que Ollama ya está en funcionamiento.
2. LM Studio para una GUI pulida con entrada de imagen de arrastrar-soltar
LM Studio combina una ventana de chat limpia con una búsqueda integrada de Hugging Face que filtra por GGUF quant y capacidad de visión. Suelta una imagen en el campo de mensaje y la aplicación la enruta a través del archivo de proyector del modelo, de modo que la misma conversación puede pasar de texto a una captura de pantalla sin ninguna configuración. El motor MLX en Apple Silicon ejecuta Qwen2.5-VL a una velocidad utilizable en un MacBook sin una GPU discreta.
Dónde se queda corta: Código cerrado. Eso importa más una vez que el flujo de trabajo comienza a tocar imágenes sensibles que preferirías auditar de principio a fin.
Precio: Gratuito para uso personal y de trabajo interno.
Plataformas: Windows, macOS, Linux.
Descargar: LM Studio
Conclusión: La forma más rápida de probar un modelo de visión local sin tocar una terminal.
3. Open WebUI para un frontend del navegador que se empareja con Ollama
Open WebUI es la superficie de chat basada en navegador en la que terminan la mayoría de los usuarios de Ollama. El modo multiusuario lo convierte en una buena opción para un servidor doméstico al que puede acceder todos los dispositivos en la red. Arrastra una imagen a un chat y la aplicación la enruta a cualquier modelo multimodal que hayas sacado. El cambio de modelo por chat significa que puedes saltar entre una Qwen de solo texto y una Llama 3.2 con capacidad de visión a mitad de la conversación.
Dónde se queda corta: Estás ejecutando Docker o una instalación de Python como punto de entrada. Si un icono de aplicación nativa en el dock importa, esta no es la tuya.
Precio: Gratis.
Plataformas: Docker en Windows, macOS y Linux; también funciona bare-metal a través de Python.
Descargar: Open WebUI
Conclusión: La opción cuando la pila de LLM reside en un servidor doméstico y todos los dispositivos de la red deben poder comunicarse con él.
4. Jan para un cliente completamente de código abierto sin conexión
Jan es el cliente de chat de escritorio completamente de código abierto que trata sin conexión como estándar en lugar de opción. La compatibilidad de visión cubre LLaVA y Llama 3.2 Vision, y el centro de modelos marca checkpoints multimodales para que no descargues una compilación de solo texto por error. Sin telemetría a menos que optes por ella. Cada configuración es un toggle claro, no un menú tres niveles adentro.
Dónde se queda corta: El catálogo de modelos es más pequeño que el de LM Studio, y los quants raros a veces necesitan una importación GGUF manual.
Precio: Gratis.
Plataformas: Windows, macOS, Linux.
Descargar: Jan
Conclusión: La opción cuando el registro de auditoría importa y los clientes de código cerrado están fuera de la mesa.
5. Msty para un cliente de chat que compara dos modelos de visión lado a lado
Msty ejecuta múltiples modelos locales en una ventana con vista dividida, que es exactamente el flujo que deseas cuando eliges entre Qwen2.5-VL y Llama 3.2 Vision en la misma captura de pantalla. Adjunta una imagen una vez, obtén dos respuestas, quédate con la que leyó correctamente el recibo. La función Knowledge Stacks también indexa documentos locales para RAG, por lo que las consultas de imágenes y texto comparten un espacio de trabajo.
Dónde se queda corta: El nivel gratuito es generoso pero un puñado de características de calidad de vida se encuentran detrás del plan Aurum de pago.
Precio: Nivel gratuito disponible. Plan Aurum de pago para extras.
Plataformas: Windows, macOS, Linux.
Descargar: Msty
Conclusión: La opción correcta cuando el flujo de trabajo es realmente “qué modelo manejó esta imagen mejor”.
6. AnythingLLM para visión más RAG en modelos locales
AnythingLLM es un chatbot privado autohospedado que trata cada documento, y cada vez más cada imagen, como un ciudadano de primera clase en un espacio de trabajo. Apúntalo a un punto final Ollama o LM Studio local ejecutando un modelo multimodal, y aceptará cargas de imagen dentro de un chat, las indexará junto a PDF y te permitirá consultar la mezcla. La aplicación de escritorio es un solo instalador; la compilación del servidor se introduce en Docker.
Dónde se queda corta: La tubería de RAG agrega piezas móviles, por lo que la primera configuración es más lenta que un cliente de chat desnudo.
Precio: Aplicación de escritorio gratis. El nivel alojado para equipos se encuentra detrás de un plan de pago.
Plataformas: Windows, macOS, Linux.
Descargar: AnythingLLM
Conclusión: La opción cuando el flujo de trabajo de visión es realmente “lee esta imagen y responde contra el resto de mi biblioteca”.
7. GPT4All para un cliente ligero en máquinas VRAM baja
GPT4All de Nomic mantiene la instalación pequeña y la barra de hardware baja. La compatibilidad de visión se limita a un puñado de checkpoints multimodales más pequeños, lo que está en línea con una aplicación que se dirige a computadoras portátiles sin una GPU discreta. La función LocalDocs convierte una carpeta en una fuente RAG sin girar un contenedor. No competirá con LM Studio en amplitud de modelo, pero funcionará en hardware que Msty o Open WebUI ahogarían.
Dónde se queda corta: Menos modelos de visión compatibles que el resto de la lista, y los checkpoints multimodales más grandes simplemente se niegan a cargarse en hardware de especificación inferior.
Precio: Gratis.
Plataformas: Windows, macOS, Linux.
Descargar: GPT4All
Conclusión: La opción cuando la máquina es una laptop modesta y el modelo necesita caber en RAM del sistema.
Cómo elegir la correcta
Empareja el cliente con cómo realmente trabajas.
- Usuario de CLI power: instala Ollama y listo. Scripts, cron y extensiones de editor hacen el resto a través del punto final compatible con OpenAI.
- GUI primero: LM Studio en una sola máquina, Open WebUI una vez que más de una persona o un dispositivo necesite acceso.
- VRAM baja: GPT4All con un checkpoint multimodal pequeño, o LM Studio en Apple Silicon aprovechando la memoria unificada.
- OCR privada a escala: AnythingLLM apuntado a un punto final de Ollama, indexando una carpeta de escaneos para que las respuestas puedan citar páginas específicas.
- API para un flujo de trabajo de codificación: el punto final de Ollama conectado a una extensión de VS Code que acepta entradas de imagen.
- Comparar modelos en la misma imagen: vista dividida de Msty, luego mantén al ganador como predeterminado en cualquier cliente que uses día a día.
Preguntas frecuentes
¿Puedes ejecutar un LLM de visión en una laptop sin GPU?
Sí, pero lentamente. Un modelo multimodal de 3B o 4B con cuantización de 4 bits se ejecuta en 8 GB de RAM y una CPU moderna con tiempos de respuesta tolerables para consultas de una sola vez. Cualquier cosa más grande quiere una GPU discreta o Apple Silicon.
¿Cuál es el mejor modelo de visión para leer capturas de pantalla y recibos?
Qwen2.5-VL es la opción actual para tareas de imagen densas en texto como capturas de pantalla, recibos y formularios. Llama 3.2 Vision es más fuerte en fotos naturales y descripción de escenas. Ambos se ejecutan localmente a través de Ollama o LM Studio, por lo que puedes mantener ambos instalados y cambiar por tarea.
¿La imagen alguna vez abandona mi máquina?
No si la aplicación está configurada correctamente. Ollama, Jan, Open WebUI, GPT4All y AnythingLLM ejecutan inferencia localmente de forma predeterminada y nunca envían bytes de imagen a un servidor remoto. LM Studio y Msty también son local-first, aunque ambos ofrecen rutas de modelo en la nube opcionales que puedes dejar desactivadas.
¿Cuánta VRAM necesito para un LLM de visión?
Un modelo de visión de 7B con cuantización de 4 bits cabe en aproximadamente 6 a 8 GB de VRAM incluido el archivo del proyector. Un multimodal de 13B quiere 10 a 12 GB. Apple Silicon usa memoria unificada, por lo que un Mac de 16 GB maneja la mayoría de los modelos de visión de 7B sin una GPU separada.
¿Puedo conectar un modelo de visión local a una extensión de editor?
Sí. El punto final compatible con OpenAI de Ollama acepta entradas de imagen en la carga estándar de chat/completions, por lo que cualquier extensión de editor que hable el formato de OpenAI puede llamar a un modelo de visión local en lugar de uno alojado. La configuración es un cambio de URL base único en la configuración de extensión.
¿Es un LLM de visión local lo suficientemente bueno para reemplazar una API en la nube para OCR?
Para escaneos y capturas de pantalla limpios, sí. Qwen2.5-VL en una GPU de rango medio lee texto impreso con precisión cercana a las API alojadas. Para escritura a mano, recibos decolorados o páginas fuertemente rotadas, un motor OCR dedicado aún gana. Empareja un LLM de visión con un pase OCR clásico para los casos complicados.
