Ollama vs LM Studio: quale strumento di IA locale fa per te?

Se hai deciso di eseguire modelli di IA sul tuo computer, quasi certamente ti sei imbattuto negli stessi due nomi: Ollama e LM Studio. Sono due degli strumenti più noti per eseguire grandi modelli linguistici in locale nel 2026 e la maggior parte delle guide ti dirà che uno dei due è "migliore". È il modo sbagliato di porre la questione.

Sono progettati per persone diverse. Scegli in base a come lavori davvero, non allo screenshot di un benchmark. Questo articolo analizza le differenze concrete, spiega a chi è adatto ciascuno strumento e mostra come collegare al browser quello che scegli, così potrai chattare con qualsiasi pagina web usando il tuo modello locale.

Nessuna sponsorizzazione, nessun interesse di affiliazione. Vogliamo solo aiutarti a usare l'IA locale e lavoriamo con entrambi.

La versione in una frase

Ollama privilegia l'automazione; LM Studio privilegia l'esplorazione. Ollama è incentrato sulla CLI e sull'API locale, anche se ora offre app di chat per macOS e Windows. LM Studio è incentrato sull'interfaccia desktop, anche se la CLI lms e il daemon llmster ora supportano un utilizzo headless avanzato.

Se passi molto tempo nel terminale e vuoi qualcosa di automatizzabile con cui altri strumenti possano comunicare, Ollama si adatta al tuo modo di lavorare. Se vuoi fare clic su un pulsante, esplorare visivamente i modelli e non toccare mai la riga di comando, LM Studio è la porta d'ingresso più semplice.

Entrambi sono gratuiti per l'inferenza locale e funzionano su macOS, Windows e Linux, con un'importante eccezione: le versioni attuali di LM Studio non supportano i Mac Intel. Entrambi supportano note famiglie a pesi aperti come Llama, Mistral, Qwen, DeepSeek e Gemma, ma cataloghi, formati, quantizzazioni, template dei prompt e impostazioni predefinite dei runtime non sono identici. Le chat locali rimangono sul tuo computer; i modelli cloud, la ricerca web e gli strumenti remoti opzionali inviano i dati pertinenti all'esterno del dispositivo. Quindi non stai scegliendo tra "buono" e "cattivo". Stai scegliendo un flusso di lavoro.

Ollama: la scelta predefinita per gli sviluppatori

Ollama esegue un servizio locale ed espone sia una CLI sia un'API. Puoi scaricare ed eseguire un modello con due comandi:

ollama pull llama3.2
ollama run llama3.2

Ciò che lo rende la scelta predefinita per gli sviluppatori non è la chat, ma tutto ciò che la circonda:

• È facile da integrare. Ollama espone la propria API locale sulla porta 11434, così script, editor ed estensioni del browser possono usarla senza aprire una finestra di chat. Il servizio può rimanere in esecuzione, ma per impostazione predefinita i modelli vengono scaricati dalla memoria dopo cinque minuti, quindi la richiesta successiva può comunque subire un ritardo dovuto al caricamento del modello.
• È automatizzabile tramite script. Installazioni ripetibili, Dockerfile, pipeline CI e distribuzioni come servizio si adattano al suo approccio basato sui comandi. La sua immagine Docker ufficiale supporta configurazioni CPU, NVIDIA, AMD ROCm e Vulkan, anche se Docker Desktop su macOS non può fornire al container l'accesso diretto alla GPU Apple.
• Offre anche modelli cloud. Ollama può inviare richieste a modelli ospitati opzionali tramite la stessa interfaccia, consentendoti di usare l'inferenza locale per le attività sensibili e di noleggiare maggiore potenza di calcolo quando serve. I nomi e la disponibilità dei modelli cloud cambiano, quindi consulta il catalogo cloud di Ollama aggiornato invece di affidarti al tag di un modello meno recente.

Il compromesso è che il flusso di lavoro di Ollama per la gestione e l'integrazione dei modelli continua a privilegiare i comandi. Le sue app per macOS e Windows ora offrono chat, download, allegati e un'impostazione per la lunghezza del contesto, ma LM Studio resta nettamente superiore per la scoperta visiva dei modelli e la regolazione dettagliata.

Scegli Ollama se scrivi codice, automatizzi attività, vuoi che altri strumenti comunichino con il tuo modello o semplicemente preferisci la tastiera al mouse.

LM Studio: la soluzione visiva e accessibile

LM Studio è un'applicazione desktop ben rifinita. La scarichi, la apri e ti trovi davanti a un catalogo ricercabile di modelli con una vera finestra di chat. Non serve il terminale.

Ecco dove eccelle:

• Scoperta dei modelli. LM Studio cerca i modelli supportati su Hugging Face e nel proprio catalogo curato, così puoi confrontare le quantizzazioni e scaricarle con un clic. Per capire "quale modello dovrei usare?", offre più informazioni di un catalogo accessibile solo dal terminale.
• È davvero intuitivo. I cursori consentono di controllare la lunghezza del contesto, l'offload sulla GPU e i parametri di generazione, mentre un'interfaccia di chat completa funziona immediatamente. Anche se non hai mai aperto un terminale, puoi comunque avviare rapidamente un modello efficace.
• Ottimizzazione dell'hardware. LM Studio offre controlli per l'offload sulla GPU, la selezione delle singole GPU, la lunghezza del contesto, Flash Attention e altre opzioni di caricamento. Può anche stimare l'uso di RAM e VRAM prima del caricamento.
• Strumenti MCP. LM Studio può collegarsi a server MCP locali o remoti per funzionalità come la ricerca web e la lettura delle pagine. Il modello può rimanere locale, ma gli strumenti connessi alla rete non costituiscono un flusso di lavoro offline.
• È maturato anche per gli sviluppatori. La GUI non è più l'unica porta d'ingresso. LM Studio include la CLI lms, mentre llmster è il daemon headless consigliato per server Linux, sistemi con GPU e altre distribuzioni come servizio. La sua immagine Docker ufficiale resta un'anteprima tecnica limitata alla CPU.

Il compromesso è che LM Studio è proprietario e continua a privilegiare l'ambiente desktop, mentre il suo supporto Docker è meno maturo. Il supporto headless nativo, tuttavia, non è più sperimentale e può eseguire un server locale configurabile che usa per impostazione predefinita la porta 1234. Ollama resta la scelta predefinita più semplice per l'infrastruttura; LM Studio è l'ambiente di lavoro migliore per scegliere e ottimizzare i modelli.

Scegli LM Studio se vuoi una GUI, stai ancora cercando di capire quali modelli preferisci o desideri semplicemente il modo meno complesso per iniziare.

Confronto diretto

Prestazioni: cosa cambia in base a sistema operativo, RAM e GPU

Non esiste una risposta universale e onesta alla domanda: "Qual è il più veloce?" Quando entrambe le app eseguono lo stesso file GGUF tramite un backend llama.cpp simile, con lo stesso contesto e lo stesso offload sulla GPU, in genere l'hardware e le impostazioni contano più dell'applicazione usata per eseguirlo. Le versioni dei runtime possono comunque differire, quindi esegui un benchmark sul tuo modello specifico invece di applicare un risultato ottenuto con una quantizzazione o un computer diversi.

Parti dalla memoria, non dal numero di parametri

I pesi del modello, il contesto o la cache KV, l'overhead del runtime, gli input visivi e le richieste simultanee consumano tutti memoria. Un file di modello che entra a malapena sul disco può comunque non riuscire a caricarsi e l'aumento della lunghezza del contesto può richiedere diversi gigabyte aggiuntivi. Ollama avverte esplicitamente che contesti più ampi richiedono più memoria, mentre LM Studio può eseguire lms load --estimate-only <model> prima del caricamento.

Queste dimensioni indicative dei file di modelli Q4 sono utili per pianificare, ma non rappresentano garanzie:

Lascia memoria disponibile per il sistema operativo, il browser e la cache del contesto. Anche i modelli mixture-of-experts possono contraddire queste indicazioni, perché parametri totali, parametri attivi e pesi archiviati descrivono aspetti diversi.

macOS: Apple Silicon e Mac Intel

Apple Silicon offre spesso la configurazione più semplice su un portatile, perché la sua GPU può accedere allo stesso pool di memoria unificata della CPU. Entrambi gli strumenti accelerano l'inferenza tramite Metal; LM Studio può anche eseguire i modelli MLX supportati. La quantità di memoria unificata determina quali modelli possono essere caricati, mentre la larghezza di banda della memoria consente a un chip Pro, Max o Ultra di generare più velocemente rispetto a un chip base con una capacità di memoria simile. La generazione del chip, l'architettura del modello, la quantizzazione e il contesto continuano a essere importanti, quindi la sola dicitura "serie M" non indica un livello di prestazioni.

Ollama supporta macOS 14+ sui chip Apple della serie M con accelerazione CPU e GPU, e sui Mac Intel con la sola inferenza tramite CPU. LM Studio richiede macOS 14+ e Apple Silicon; i Mac Intel non sono supportati. Su un Mac Intel, Ollama è quindi l'unica scelta tra i due, ma la generazione basata esclusivamente sulla CPU sarà in genere molto più lenta dell'accelerazione Metal su Apple Silicon.

Windows e Linux: NVIDIA, AMD, Intel e sola CPU

Con una GPU dedicata, la configurazione più veloce consiste normalmente nel modello più grande che entra interamente nella VRAM senza trasferire layer nella RAM di sistema. L'offload parziale tra CPU e GPU consente di eseguire un modello più grande, ma il trasferimento delle operazioni attraverso il bus può ridurre la velocità.

Su Windows x64, entrambi gli strumenti supportano l'inferenza locale tramite CPU e GPU, mentre LM Studio richiede AVX2 e consiglia almeno 16GB di RAM e 4GB di VRAM dedicata. LM Studio documenta inoltre il supporto nativo per Windows ARM; prima di scegliere Ollama per un computer Windows ARM, verifica i pacchetti attualmente disponibili per la piattaforma. Linux offre la scelta più ampia per l'uso headless e tramite container, con pacchetti x64 e ARM64 per entrambi gli strumenti. In genere NVIDIA è semplice da configurare su entrambi i sistemi operativi desktop, mentre i dispositivi AMD supportati e i requisiti dei driver variano maggiormente tra Windows e Linux.

Come indicazione approssimativa per la VRAM dedicata, 4GB-8GB sono adatti ai modelli piccoli, 12GB-16GB sono un buon obiettivo per le quantizzazioni da 7B-14B e 24GB rendono possibili molte opzioni da 20B-32B. Per eseguire interamente su GPU una quantizzazione 70B servono in genere una quantità di VRAM da workstation o più GPU. Verifica sempre la matrice delle GPU di Ollama e i requisiti di sistema di LM Studio aggiornati, perché la compatibilità con AMD e con le GPU NVIDIA meno recenti dipende dai driver e dalle specifiche generazioni dei dispositivi.

Come confrontare Ollama e LM Studio in modo equo

Usa esattamente lo stesso file GGUF e la stessa quantizzazione, lo stesso prompt, la stessa lunghezza del contesto, le stesse impostazioni di campionamento e lo stesso livello di offload sulla GPU. Esegui una volta il modello per riscaldarlo, in modo che il tempo di caricamento non alteri la velocità di generazione, quindi ripeti il prompt almeno tre volte. Confronta sia la velocità di elaborazione del prompt sia i token generati al secondo, controllando anche l'uso della memoria e verificando se tutti i layer rimangono sulla GPU. Con Ollama, ollama ps indica la ripartizione tra CPU e GPU e il contesto attivo. Con LM Studio, usa lo strumento di stima del caricamento e i log per sviluppatori.

Se uno strumento è nettamente più lento a parità di impostazioni, controlla innanzitutto la versione del runtime, il backend GPU, Flash Attention, la lunghezza del contesto e se una parte del modello è stata trasferita sulla CPU.

La verità: non devi scegliere per sempre

Molte persone li usano entrambi. Usa LM Studio per scoprire e provare visivamente un modello, quindi riproduci la configurazione in Ollama quando vuoi sfruttare la sua maggiore semplicità per script e distribuzione. Possono coesistere sullo stesso computer e usano porte predefinite diverse, anche se i file dei modelli scaricati non vengono condivisi automaticamente.

Questo confronto, inoltre, spesso trascura un punto ancora più importante: lo strumento con cui esegui il modello non è quello in cui trascorrerai la giornata. Ollama e LM Studio sono motori. Quello che vuoi davvero è usare il modello nel lavoro concreto, per esempio sulla pagina che hai davanti in questo momento.

In ogni caso, collegalo al browser

Un modello locale in un terminale o in una finestra di chat desktop è utile. Un modello locale capace di leggere la pagina web che stai visitando, l'articolo scientifico, il contratto, la documentazione o i prezzi della concorrenza e di rispondere alle tue domande senza costringerti a copiare e incollare nulla offre un livello di utilità completamente diverso.

È proprio quello che fa SurfMind. È un'estensione per browser che legge la pagina che stai visitando e ti consente di conversare davvero sui suoi contenuti, usando qualsiasi modello tu scelga. Considera i modelli locali una componente fondamentale, quindi funziona sia con Ollama sia con LM Studio. Ecco come collegare ciascuno dei due.

Se hai scelto Ollama

Consenti le origini delle estensioni del browser prima di avviare Ollama:

# Mac/Linux (interactive server)
OLLAMA_ORIGINS="chrome-extension://*,moz-extension://*,safari-web-extension://*" ollama serve

# Windows (PowerShell)
$env:OLLAMA_ORIGINS="chrome-extension://*,moz-extension://*,safari-web-extension://*"; ollama serve

Se l'app desktop di Ollama o il servizio Linux è già in esecuzione, configura OLLAMA_ORIGINS per quel servizio e riavvialo invece di avviare un secondo server. Quando conosci l'ID di SurfMind, usare l'origine specifica della sua estensione è più sicuro che consentire l'accesso a tutte le estensioni. Questa impostazione modifica solo l'accesso delle origini del browser; OLLAMA_HOST controlla separatamente se il server resta in ascolto anche al di fuori di localhost.

In SurfMind, apri il selettore dei modelli → scheda Custom → Add Custom Models, quindi scegli il preset Ollama. Tutti i campi vengono compilati automaticamente (http://localhost:11434/api/chat). Salva e i modelli installati appariranno pronti all'uso. La procedura completa con schermate è disponibile nella nostra guida a Ollama.

Se hai scelto LM Studio

LM Studio espone un'API compatibile con OpenAI. Apri LM Studio, vai alla scheda Developer, abilita CORS per l'accesso dal browser, carica un modello e avvia il server. L'indirizzo predefinito è http://localhost:1234, ma la porta è configurabile.

In SurfMind, apri il selettore dei modelli → scheda Custom → Add Custom Models e usa il preset generico OpenAI-compatible:

• API URL: http://localhost:1234/v1/chat/completions
• Models URL: http://localhost:1234/v1/models
• API Key Header: Nessuno quando l'autenticazione di LM Studio è disabilitata
• API Key: Lascia vuoto quando l'autenticazione di LM Studio è disabilitata

Per impostazione predefinita, LM Studio non richiede l'autenticazione. Se abiliti l'autenticazione dell'API di LM Studio, seleziona Authorization e inserisci un token generato; SurfMind aggiunge lo schema Bearer. Salva e SurfMind elencherà i modelli caricati oppure tutti quelli scaricati, se in LM Studio è abilitato il caricamento just-in-time. Scegline uno e inizia a chattare con la pagina.

Quindi, quale scegliere?

• Scrivi codice o automatizzi attività: Ollama.
• Vuoi usare clic e controlli dettagliati: LM Studio.
• Hai un Mac Intel: Ollama, con inferenza basata esclusivamente sulla CPU.
• Vuoi confrontare e valutare i modelli prima di caricarli in memoria: LM Studio.
• Davvero non riesci a decidere: installa LM Studio per esplorare e conserva Ollama per servizi e script.

Qualunque strumento tu scelga, il vero vantaggio consiste nel mettere il modello al lavoro sulle pagine che leggi ogni giorno. Installa oggi stesso il motore che preferisci, aggiungilo a SurfMind e apri il prossimo articolo che avevi già intenzione di leggere.

Domande frequenti

Qual è il migliore tra Ollama e LM Studio?

Nessuno dei due è oggettivamente migliore. Ollama è preferibile se vuoi un servizio locale automatizzabile tramite script che altri strumenti possano richiamare. LM Studio è preferibile se vuoi un'app desktop intuitiva, con esplorazione visiva dei modelli e controlli di caricamento dettagliati. Molte persone usano LM Studio per scoprire i modelli e Ollama per renderli disponibili come servizio.

LM Studio ha una CLI?

Sì. LM Studio include lms, uno strumento da riga di comando che può scaricare e caricare modelli, avviare e arrestare il server e gestire in rete un'istanza remota di LM Studio. Dalla versione 0.4, il daemon autonomo llmster consente anche un funzionamento completamente headless. Solo l'immagine Docker, non il funzionamento headless in sé, rimane un'anteprima tecnica.

Posso usare Ollama e LM Studio contemporaneamente?

Sì. Si installano fianco a fianco e usano porte predefinite diverse: Ollama usa 11434, mentre LM Studio usa 1234. La porta di LM Studio è configurabile, quindi evita di assegnarle la porta di Ollama. I file dei modelli scaricati vengono archiviati separatamente, quindi un modello scaricato in uno strumento non è automaticamente disponibile nell'altro.

Ollama è sicuro da usare?

Il codice di Ollama è open source e l'inferenza locale non invia prompt o risposte a Ollama. I modelli cloud e le funzionalità web opzionali elaborano i dati pertinenti all'esterno del dispositivo. L'API locale non prevede autenticazione, quindi mantienila vincolata a localhost, a meno che tu non aggiunga un proxy autenticato e controlli di rete adeguati. OLLAMA_ORIGINS controlla quali origini del browser possono richiamare l'API; OLLAMA_HOST controlla le interfacce di rete a cui si associa.

LM Studio è gratuito?

LM Studio è gratuito per uso personale e aziendale interno, incluso il server locale, ma l'app desktop è proprietaria. Il codice di Ollama è gratuito e distribuito con licenza MIT. L'inferenza locale non prevede costi per token, mentre entrambi i prodotti offrono ora un'inferenza cloud a pagamento opzionale. I pesi dei singoli modelli hanno licenze e condizioni d'uso proprie.

Ollama e LM Studio usano gli stessi modelli?

La sovrapposizione è notevole, ma non completa. Entrambi eseguono molti modelli GGUF; LM Studio supporta anche i modelli MLX su Apple Silicon, mentre Ollama può importare modelli GGUF e Safetensors supportati oltre ai pacchetti della propria libreria. Anche quando il modello di base è lo stesso, quantizzazioni, template dei prompt, lunghezze del contesto, impostazioni predefinite dei campionatori e versioni dei runtime differenti possono cambiare qualità e velocità.

Serve una GPU per eseguire modelli locali?

No, ma l'accelerazione è importante. L'inferenza basata esclusivamente sulla CPU funziona meglio con modelli quantizzati piccoli e una quantità sufficiente di RAM di sistema. Apple Silicon usa la GPU integrata tramite Metal, mentre le GPU NVIDIA e AMD supportate impiegano backend di accelerazione dedicati su Windows e Linux. La RAM o la VRAM disponibile determina quali modelli possono essere caricati; la larghezza di banda della memoria, l'offload sulla GPU, la lunghezza del contesto e l'architettura del modello influenzano notevolmente la velocità. Consulta la sezione precedente sulle prestazioni per indicazioni pratiche sulle diverse fasce hardware.

---

Scegli il tuo strumento di IA locale. Poi usalo su tutto il web.

Ottieni SurfMind gratis →