~/ / Artículos de IA / LLM locales en un VPS / Empieza con un LLM local sin un PC caro: guía para principiantes sobre cómo usar un VPS
Empieza con un LLM local sin un PC caro: guía para principiantes sobre cómo usar un VPS
No necesitas comprar un ordenador potente para probar un modelo de lenguaje local. Puedes alquilar un servidor, llamado VPS, instalar allí el modelo y hablar con él desde el navegador de cualquier dispositivo. Esta guía te lleva desde cero hasta una pantalla de chat que funciona y está protegida, en seis pasos. Por el camino usa las herramientas de este sitio y explica con claridad lo que un VPS sin GPU puede y no puede prometer.
Publicado: · 5 min de lectura · Datos comprobados con la documentación oficial y las páginas oficiales de los servicios VPS el 2026-10-26. Los planes, los precios y los valores por defecto cambian, así que confírmalos antes de pagar.
Qué puedes esperar y qué no
Un VPS es un ordenador alquilado que está en un centro de datos. Aquí, un LLM local es un modelo que se ejecuta en ese ordenador, en lugar de un servicio al que llamas por internet. Tus conversaciones se quedan en un servidor que controlas tú.
Un VPS no sustituye a un PC con una tarjeta gráfica potente, y esta guía no lo afirma. Esto es lo que pudimos confirmar y lo que no.
| Pregunta | Lo que encontramos |
|---|---|
| ¿Los planes de VPS tienen GPU? | Ninguna de las seis páginas de VPS que revisamos incluye un plan con GPU. Las páginas de ConoHa y XServer remiten a servicios de GPU distintos. |
| Entonces, ¿dónde se ejecuta el modelo? | En la memoria del servidor, con la CPU. Las preguntas frecuentes de Ollama dicen que ollama ps muestra 100% CPU cuando un modelo se cargó por completo en la memoria del sistema. |
| ¿Qué tan rápido es? | No lo sabemos. Los documentos que revisamos no dan cifras de velocidad para el funcionamiento solo con CPU, y nosotros no medimos ninguna. Empieza con un modelo pequeño y pruébalo. |
| ¿Qué decide si funciona o no? | La memoria. Un modelo que no cabe en la memoria del servidor no funcionará bien. El paso 1 muestra cómo estimarla. |
Si solo chateas de vez en cuando, un servicio de IA de pago al que llamas por internet puede costar menos que un servidor que funciona todo el mes. El paso 3 incluye una calculadora para que compares con tus propios números.
Paso 1: estima la memoria que necesitas
Un modelo necesita memoria para su archivo, para la caché que crece con la longitud de la conversación y para el sistema operativo. La tabla muestra nuestra estimación para seis modelos con una longitud de contexto de 4,096 tokens, una solicitud a la vez y 1 GiB reservado para el sistema. Las estimaciones se calculan a partir de los tamaños de la biblioteca de Ollama y de las configuraciones oficiales de los modelos, así que son estimaciones y no mediciones.
| Modelo | Total estimado (GiB) | Tamaño de memoria habitual más pequeño (GiB) |
|---|---|---|
| Qwen3 0.6B | 1.92 | 2 |
| Qwen3 1.7B | 2.74 | 4 |
| Qwen3 4B | 3.89 | 4 |
| Qwen3 8B | 6.41 | 8 |
| Qwen3 14B | 10.29 | 12 |
| Mistral 7B (v0.3) | 5.60 | 8 |
Pruébalo: Local LLM Memory Estimator
Estimación
- Pesos del modelo
- 4.84 GiB
- Caché KV
- 0.56 GiB
- Reserva
- 1.00 GiB
- Total
- 6.41 GiB (6.88 GB)
- Tamaño de memoria habitual más pequeño que lo contiene
- 8 GiB
Es una estimación. No incluye los búferes de cálculo del runtime y supone que todas las capas tienen la misma forma de KV. Mide una ejecución real antes de elegir un plan.
Datos del modelo comprobados el 2026-10-26.
Fuentes: Ollama library · Configuración del modelo (config.json) · Ollama FAQ
Todo se ejecuta en tu navegador. No se sube nada.
Paso 2: elige un modelo
La biblioteca de Ollama etiqueta cada modelo con lo que puede hacer. Un modelo con la etiqueta tools (herramientas) puede llamar a funciones que tú defines, thinking (razonamiento) muestra su razonamiento por separado de la respuesta, vision (visión) acepta imágenes y embedding (incrustaciones) convierte texto en vectores para la búsqueda. Para un primer chat no necesitas ninguna de ellas, así que elige primero según la memoria.
| Etiqueta | Labels | Tamaño de descarga | Clase de memoria que conviene prever |
|---|---|---|---|
| qwen3:4b | tools, thinking | 2.5 GB | 4 GiB |
| llama3.2:3b | tools | 2.0 GB | no se estima aquí |
| gemma3:4b | vision | 3.4 GB | no se estima aquí |
| mistral:7b | tools | 4.4 GB | 8 GiB |
El tamaño de descarga es la memoria mínima que necesita un modelo. Los modelos sin estimación no están en los valores predefinidos de la calculadora, porque esta necesita las capas y los tamaños de cabeza de la configuración del modelo; puedes introducirlos como un modelo personalizado.
Paso 3: elige un VPS
Fíjate primero en la memoria, después en el disco para los archivos del modelo y por último en la CPU. El disco importa porque un solo archivo de modelo ocupa varios gigabytes. Después mira cuánto de la configuración ha preparado ya el servicio. De los seis servicios que aparecen al final de esta guía, las páginas de ConoHa VPS, KAGOYA CLOUD VPS y XServer VPS mencionan Dify, y la página de ConoHa VPS también incluye n8n y Claude Code entre sus scripts de inicio. Ninguno de los seis incluye un servidor de modelos como Ollama, así que lo instalas tú mismo en el paso 4.
La sección del final de esta página compara los seis servicios a partir de sus páginas oficiales. Aquí puedes comparar un servidor con un servicio de IA al que llamas por internet.
Pruébalo: LLM API Cost Calculator
Coste estimado
Introduce los precios y el número de tokens para ver el coste.
Páginas oficiales de precios
Esto solo multiplica los números que introduces. No conoce los precios del proveedor, ni descuentos, caché, tarifas por lotes, precios escalonados ni impuestos.
Para saber los tokens de entrada de un prompt, usa el Token Counter.
Paso 4: instala Ollama
Estos son los comandos de la documentación oficial de Ollama para Linux. Lee un script antes de ejecutarlo en un servidor que te importe.
| Paso | Comando |
|---|---|
| Instalar | curl -fsSL https://ollama.com/install.sh | sh |
| Comprobar que funciona | ollama -v |
| Ejecutar un modelo de la biblioteca | ollama run qwen3:4b |
Para que Ollama arranque con el sistema y siga en funcionamiento, la documentación describe un servicio de systemd. Los pasos completos, los ajustes y las actualizaciones están en los artículos detallados que se enumeran cerca del final.
Paso 5: chatea en tu navegador
Escribir en una terminal basta para probar un modelo. Para el uso diario, Open WebUI te ofrece una pantalla de chat en el navegador. Su inicio rápido lo ejecuta con un solo comando y lo sirve en http://localhost:3000. Sustituye your-secret-key por un valor que generes con openssl rand -hex 32.
| Paso | Comando |
|---|---|
| Iniciar Open WebUI | docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data -e WEBUI_SECRET_KEY=your-secret-key --name open-webui --restart always ghcr.io/open-webui/open-webui:main |
- La primera cuenta que crees es la del administrador, y el registro se desactiva solo cuando ya existe la cuenta de administrador. Créala enseguida.
- La guía muestra dos formas de conectar Open WebUI con Ollama, y el artículo detallado explica ambas.
Paso 6: mantenlo privado
Ollama escucha por defecto en 127.0.0.1, puerto 11434, que es el ajuste más seguro, y su documentación no describe ninguna autenticación propia. Nuestra recomendación, no una afirmación de los documentos: no abras ese puerto a internet. Pon nginx delante con una contraseña y HTTPS, y usa un cortafuegos que admita solo las direcciones que utilizas.
- Mantén la clave secreta y las contraseñas fuera de todo lo que subas a un repositorio.
- Actualiza Ollama y Open WebUI de vez en cuando, y conserva el volumen de datos de Open WebUI al hacerlo.
Más en detalle
- 1¿Cuánta memoria necesita un LLM local en un VPS? Archivo del modelo más caché KVArchivo del modelo más caché KV: lo que dicen la biblioteca de Ollama, las preguntas frecuentes de Ollama y las configuraciones oficiales de los modelos sobre la memoria que necesita un LLM local en un VPS.
- 2¿Qué puede hacer un modelo local? Tools, thinking, vision y embeddings en Ollama, y qué cabe en un VPSTools, thinking, vision, embeddings: qué significan las etiquetas de la biblioteca de Ollama, qué modelos las llevan y cuánto pesan las descargas.
- 3Instalar Ollama en un VPS y mantenerlo en marcha: instalación, servicio systemd, ajustes y actualizacionesInstala Ollama en un VPS con Linux y mantenlo en marcha: el comando de instalación, el servicio systemd, las variables de entorno, el almacenamiento de modelos y las actualizaciones, según la documentación oficial.
- 4Open WebUI en un VPS: ejecútalo en Docker y conéctalo a OllamaEjecuta Open WebUI con Docker y conéctalo a Ollama en tu propio servidor: los comandos, la primera cuenta, los dos tipos de conexión y cómo actualizar.
- 5Poner nginx delante de Ollama: autenticación básica, HTTPS y ajustes para el streamingAcceder a Ollama desde fuera de forma segura: nginx como proxy, autenticación básica, HTTPS, ajustes de streaming y de tiempo de espera, y una regla de cortafuegos, según la documentación oficial.
- 6IA en tu propio VPS: cuánta memoria planificar y qué no exponer¿Piensas ejecutar Ollama o Dify en un VPS? Lo que dice la documentación oficial sobre la memoria, la inferencia solo con CPU y los puertos que conviene mantener cerrados.
Fuentes
Sigue leyendo
- Poner nginx delante de Ollama: autenticación básica, HTTPS y ajustes para el streamingAcceder a Ollama desde fuera de forma segura: nginx como proxy, autenticación básica, HTTPS, ajustes de streaming y de tiempo de espera, y una regla de cortafuegos, según la documentación oficial.
- Open WebUI en un VPS: ejecútalo en Docker y conéctalo a OllamaEjecuta Open WebUI con Docker y conéctalo a Ollama en tu propio servidor: los comandos, la primera cuenta, los dos tipos de conexión y cómo actualizar.
- Llamar a un modelo local desde tu código: salidas estructuradas y la API compatible con OpenAI en OllamaLimita la salida de un modelo local con un JSON Schema y llama a Ollama desde clientes al estilo OpenAI: qué dice la documentación oficial y qué no se admite.
- ¿Qué puede hacer un modelo local? Tools, thinking, vision y embeddings en Ollama, y qué cabe en un VPSTools, thinking, vision, embeddings: qué significan las etiquetas de la biblioteca de Ollama, qué modelos las llevan y cuánto pesan las descargas.