{"id":1360,"date":"2026-07-03T01:57:38","date_gmt":"2026-07-03T01:57:38","guid":{"rendered":"https:\/\/convly.ai\/?p=1360"},"modified":"2026-07-03T01:57:38","modified_gmt":"2026-07-03T01:57:38","slug":"ollama-models-list-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/ollama-models-list-2026\/","title":{"rendered":"Lista de modelos de Ollama (2026): todos los modelos populares, sus tama\u00f1os y requisitos de memoria RAM"},"content":{"rendered":"<p>Si ejecutas modelos localmente, la biblioteca de Ollama es la fuente principal de la mayor\u00eda de ellos; sin embargo, esta cambia constantemente y los nombres resultan cr\u00edpticos. Esta es una gu\u00eda pr\u00e1ctica <strong>lista de modelos de Ollama<\/strong> para 2026: los modelos que realmente usan las personas, los requisitos de memoria de cada uno y sus fortalezas espec\u00edficas, adem\u00e1s de c\u00f3mo listar los modelos ya instalados y descargar nuevos. Por defecto, Ollama descarga una versi\u00f3n cuantizada a 4 bits, raz\u00f3n por la cual un modelo etiquetado como \u00ab70B\u00bb puede ejecutarse en una estaci\u00f3n de trabajo potente, mientras que uno de \u00ab8B\u00bb funciona incluso en una laptop. Los tama\u00f1os indicados a continuaci\u00f3n son aproximados y corresponden a las versiones predeterminadas; siempre verifica la <a href=\"\/es\/models\/\">Base de datos de modelos de IA<\/a> documentaci\u00f3n oficial <code>ollama list<\/code> o ejecuta<\/p>\n<div class=\"convly-tldr\">\n<h3>Referencia r\u00e1pida<\/h3>\n<ul>\n<li><strong>Ejecutable en cualquier laptop (8 GB de RAM):<\/strong> Llama 3.2 de 3B, Phi-3 Mini, Gemma 3 de 4B: peque\u00f1os, r\u00e1pidos y funcionan sin conexi\u00f3n.<\/li>\n<li><strong>Mejor equilibrio general (16 GB):<\/strong> Llama 3.1 de 8B, Qwen 2.5 de 7B, Mistral 7B: el punto \u00f3ptimo para la mayor\u00eda de los usuarios.<\/li>\n<li><strong>Alta calidad (32 GB o m\u00e1s \/ GPU):<\/strong> Gemma 2 de 27B, Qwen 2.5 de 32B, Mixtral 8x7B.<\/li>\n<li><strong>Cerca del estado del arte (estaci\u00f3n de trabajo \/ 48 GB o m\u00e1s):<\/strong> Llama 3.3 de 70B, DeepSeek-R1 de 70B.<\/li>\n<li><strong>Razonamiento:<\/strong> DeepSeek-R1 es una versi\u00f3n refinada. <strong>Programaci\u00f3n:<\/strong> Qwen 2.5 Coder, Code Llama. <strong>Visi\u00f3n:<\/strong> LLaVA. <strong>Incrustaciones (embeddings):<\/strong> nomic-embed-text.<\/li>\n<li><strong>La regla:<\/strong> elige seg\u00fan la memoria disponible \u2014 verifica cualquier modelo con nuestra herramienta gratuita <a href=\"\/es\/llm-vram-calculator\/\">Calculadora de VRAM<\/a>.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a47792be6c47\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a47792be6c47\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#The_most_popular_Ollama_models_at_a_glance\" >Los modelos de Ollama m\u00e1s populares a primera vista<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#How_to_list_the_Ollama_models_you_have_installed\" >C\u00f3mo listar los modelos de Ollama que tienes instalados<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#How_to_find_and_pull_new_models_from_the_library\" >C\u00f3mo buscar y descargar nuevos modelos desde la biblioteca<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Small_models_%E2%80%94_run_on_almost_any_laptop\" >Modelos peque\u00f1os: funcionan en casi cualquier port\u00e1til<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Mid-size_models_%E2%80%94_the_16_GB_sweet_spot\" >Modelos de tama\u00f1o medio: el punto \u00f3ptimo para 16 GB<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Large_models_%E2%80%94_workstation_and_GPU_territory\" >Modelos grandes: estaciones de trabajo y entornos con GPU<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Specialised_models_coding_vision_and_embeddings\" >Modelos especializados: programaci\u00f3n, visi\u00f3n por computadora y incrustaciones (embeddings)<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Which_Ollama_model_should_you_actually_use\" >\u00bfQu\u00e9 modelo de Ollama deber\u00edas usar realmente?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Check_a_model_fits_before_you_download\" >Verifica si un modelo cabe en tu sistema antes de descargarlo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#Frequently_asked_questions\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/es\/ollama-models-list-2026\/#The_bottom_line\" >Conclusi\u00f3n<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"The_most_popular_Ollama_models_at_a_glance\"><\/span>Los modelos de Ollama m\u00e1s populares a primera vista<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Todos los modelos enumerados a continuaci\u00f3n est\u00e1n disponibles con un simple comando <code>ollama pull &lt;nombre&gt;<\/code>. \u00abDescarga\u00bb indica aproximadamente el tama\u00f1o predeterminado en cuantizaci\u00f3n de 4 bits (Q4); \u00abMemoria m\u00ednima\u00bb representa la cantidad pr\u00e1ctica m\u00ednima de RAM del sistema (CPU) o VRAM (GPU) necesaria para ejecutarlo c\u00f3modamente. Los recuentos de par\u00e1metros son exactos; los tama\u00f1os son aproximados y pueden variar con cada nueva versi\u00f3n.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Par\u00e1metros<\/th>\n<th>Descarga (Q4)<\/th>\n<th>Memoria m\u00ednima<\/th>\n<th>Ideal para<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3.2<\/td>\n<td>1B \/ 3B<\/td>\n<td>~1,3 \/ 2 GB<\/td>\n<td>4\u20138 GB<\/td>\n<td>Dispositivos perimetrales, tel\u00e9fonos m\u00f3viles, chat ultraligero<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.1<\/td>\n<td>8B<\/td>\n<td>~4,7 GB<\/td>\n<td>8\u201316 GB<\/td>\n<td>Mejor modelo peque\u00f1o vers\u00e1til<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.3<\/td>\n<td>70B<\/td>\n<td>~43 GB<\/td>\n<td>48 GB o m\u00e1s<\/td>\n<td>Modelo abierto cercano al estado del arte<\/td>\n<\/tr>\n<tr>\n<td>Gemma 3<\/td>\n<td>1B \/ 4B<\/td>\n<td>~0,8 \/ 3,3 GB<\/td>\n<td>4\u20138 GB<\/td>\n<td>Modelo peque\u00f1o eficiente (de Google)<\/td>\n<\/tr>\n<tr>\n<td>Gemma 2<\/td>\n<td>9B \/ 27B<\/td>\n<td>~5,4 \/ 16 GB<\/td>\n<td>12\u201332 GB<\/td>\n<td>Excelente relaci\u00f3n calidad-tama\u00f1o<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5<\/td>\n<td>0,5B\u201372B<\/td>\n<td>~0,4\u201347 GB<\/td>\n<td>4 GB o m\u00e1s<\/td>\n<td>Multiling\u00fce, amplio rango de tama\u00f1os<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5 Coder<\/td>\n<td>1,5B\u201332B<\/td>\n<td>~1\u201320 GB<\/td>\n<td>8 GB o m\u00e1s<\/td>\n<td>Asistente local de programaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Mistral<\/td>\n<td>7B<\/td>\n<td>~4,1 GB<\/td>\n<td>8 GB<\/td>\n<td>Cl\u00e1sico r\u00e1pido y fiable<\/td>\n<\/tr>\n<tr>\n<td>Mistral Nemo<\/td>\n<td>12B<\/td>\n<td>~7 GB<\/td>\n<td>16 GB<\/td>\n<td>Contexto largo de 128k<\/td>\n<\/tr>\n<tr>\n<td>Mixtral<\/td>\n<td>8\u00d77B<\/td>\n<td>~26\u00a0GB<\/td>\n<td>32\u00a0GB o m\u00e1s<\/td>\n<td>Calidad de mezcla de expertos (mixture-of-experts)<\/td>\n<\/tr>\n<tr>\n<td>Phi-4<\/td>\n<td>14B<\/td>\n<td>~9 GB<\/td>\n<td>16 GB<\/td>\n<td>Razonamiento en un modelo peque\u00f1o<\/td>\n<\/tr>\n<tr>\n<td>Phi-3 Mini<\/td>\n<td>3,8 mil millones de par\u00e1metros<\/td>\n<td>~2,3\u00a0GB<\/td>\n<td>8 GB<\/td>\n<td>Peque\u00f1o pero capaz<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek-R1 (versi\u00f3n destilada)<\/td>\n<td>1,5 mil millones \u2013 70 mil millones de par\u00e1metros<\/td>\n<td>~1,1\u201343\u00a0GB<\/td>\n<td>8 GB o m\u00e1s<\/td>\n<td>Razonamiento paso a paso<\/td>\n<\/tr>\n<tr>\n<td>LLaVA<\/td>\n<td>7B\u201334B<\/td>\n<td>~4,7\u201320\u00a0GB<\/td>\n<td>8 GB o m\u00e1s<\/td>\n<td>Visi\u00f3n (comprensi\u00f3n de im\u00e1genes)<\/td>\n<\/tr>\n<tr>\n<td>nomic-embed-text<\/td>\n<td>\u2014<\/td>\n<td>~0,3\u00a0GB<\/td>\n<td>2\u00a0GB<\/td>\n<td>Incrustaciones (embeddings) para recuperaci\u00f3n aumentada (RAG) y b\u00fasquedas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>\u00bfDesea comparar estos modelos locales con los modelos en la nube en t\u00e9rminos de precio y velocidad? La <a href=\"\/es\/models\/\">Base de datos de modelos de IA<\/a> lista muestra modelos abiertos y cerrados uno al lado del otro, y la <a href=\"\/es\/ai-api-cost-calculator\/\">Calculadora de costos de API de IA<\/a> tabla indica cu\u00e1ndo ejecutar localmente resulta m\u00e1s econ\u00f3mico que pagar por cada token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_list_the_Ollama_models_you_have_installed\"><\/span>C\u00f3mo listar los modelos de Ollama que tienes instalados<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Para ver todos los modelos ya instalados en su equipo, junto con su tama\u00f1o y la fecha de su \u00faltimo uso, ejecute:<\/p>\n<p><code>ollama list<\/code><\/p>\n<p>Esto mostrar\u00e1 el nombre, la etiqueta, el identificador \u00fanico y el tama\u00f1o de cada modelo. Para ver qu\u00e9 modelos est\u00e1n cargados actualmente en memoria, use <code>ollama ps<\/code>; para eliminar uno que ya no necesite y recuperar espacio en disco, use <code>ollama rm &lt;nombre&gt;<\/code>. Estos tres comandos \u2014 <code>list<\/code>, <code>ps<\/code> y <code>rm<\/code> \u2014 son todo lo que necesita para gestionar una colecci\u00f3n local de modelos.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_find_and_pull_new_models_from_the_library\"><\/span>C\u00f3mo buscar y descargar nuevos modelos desde la biblioteca<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El cat\u00e1logo completo de Ollama se aloja en su biblioteca en l\u00ednea, y descargar cualquier modelo requiere un solo comando:<\/p>\n<p><code>ollama pull llama3.1<\/code> &nbsp;o ejec\u00fatelo directamente con&nbsp; <code>ollama run llama3.1<\/code><\/p>\n<p>Los nombres de los modelos usan etiquetas para indicar su tama\u00f1o y variante: <code>llama3.1:8b<\/code>, <code>gemma2:27b<\/code>, <code>qwen2.5:14b<\/code>. Si omite la etiqueta, Ollama descargar\u00e1 una versi\u00f3n predeterminada razonable (normalmente la m\u00e1s popular, cuantizada a 4 bits). Para una instalaci\u00f3n inicial, nuestra <a href=\"\/es\/how-to-install-ollama-2026\/\">gu\u00eda paso a paso para instalar Ollama<\/a> cubre macOS, Windows y Linux.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Small_models_%E2%80%94_run_on_almost_any_laptop\"><\/span>Modelos peque\u00f1os: funcionan en casi cualquier port\u00e1til<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Los modelos de 1 mil millones a aproximadamente 4 mil millones de par\u00e1metros funcionan sin problemas en un port\u00e1til moderno con 8\u00a0GB de RAM, sin necesidad de GPU. <strong>Llama 3.2 de 3B<\/strong>, <strong>Gemma 3 de 4B<\/strong> y <strong>Phi-3 Mini<\/strong> son los destacados: r\u00e1pidos, realmente \u00fatiles para resumir, redactar y responder preguntas sencillas, y lo suficientemente peque\u00f1os como para mantenerlos cargados en memoria. No igualar\u00e1n la calidad de los modelos punteros en la nube, pero s\u00ed son excelentes para tareas cotidianas privadas y sin conexi\u00f3n, y constituyen el punto de partida ideal si es nuevo en la inteligencia artificial local.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Mid-size_models_%E2%80%94_the_16_GB_sweet_spot\"><\/span>Modelos de tama\u00f1o medio: el punto \u00f3ptimo para 16 GB<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La categor\u00eda de 7B\u201314B es donde la mayor\u00eda de los usuarios deber\u00edan centrarse. <strong>Llama 3.1 de 8B<\/strong>, <strong>Qwen 2.5 de 7B<\/strong> y <strong>Mistral 7B<\/strong> ofrecen un salto significativo en coherencia respecto a los modelos peque\u00f1os, manteni\u00e9ndose c\u00f3modamente dentro de los 16\u00a0GB de RAM o en una GPU convencional. <strong>Phi-4<\/strong> y <strong>Mistral Nemo<\/strong> impulsan a\u00fan m\u00e1s la calidad y la longitud del contexto. Si busca un \u00fanico modelo para uso general, elija uno de esta fila: representa el mejor equilibrio entre capacidades y demanda de hardware.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Large_models_%E2%80%94_workstation_and_GPU_territory\"><\/span>Modelos grandes: estaciones de trabajo y entornos con GPU<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A partir de los 27B entramos en el terreno del hardware exigente. <strong>Gemma 2 27B<\/strong> y <strong>Qwen 2.5 de 32B<\/strong> requiere 32\u00a0GB o m\u00e1s; <strong>Mixtral 8x7B<\/strong> y los modelos de la clase 70B \u2014 <strong>Llama 3.3 de 70B<\/strong> y el <strong>DeepSeek-R1 70B<\/strong> (versi\u00f3n destilada) \u2014 necesitan 48\u00a0GB o m\u00e1s de memoria r\u00e1pida, lo que en la pr\u00e1ctica significa una GPU con mucha VRAM o un Mac con chip Apple Silicon de alta memoria. La recompensa es una calidad que se acerca a la de los grandes modelos en la nube, ejecut\u00e1ndose \u00edntegramente en su propia m\u00e1quina. Consulte nuestra <a href=\"\/es\/best-gpus-for-ai-2026\/\">mejoras GPUs para IA<\/a> gu\u00eda sobre qu\u00e9 hardware puede ejecutar efectivamente estos modelos.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Specialised_models_coding_vision_and_embeddings\"><\/span>Modelos especializados: programaci\u00f3n, visi\u00f3n por computadora y incrustaciones (embeddings)<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>M\u00e1s all\u00e1 de las conversaciones generales, Ollama aloja modelos especializados para tareas espec\u00edficas. <strong>Qwen 2.5 Coder<\/strong> y <strong>Code Llama<\/strong> est\u00e1n dise\u00f1ados para programaci\u00f3n y se integran bien con herramientas locales de entornos de desarrollo integrados (IDE). <strong>LLaVA<\/strong> a\u00f1ade visi\u00f3n, de modo que un modelo pueda describir o razonar sobre im\u00e1genes. Y los modelos de incrustaci\u00f3n (embedding) como <strong>nomic-embed-text<\/strong> y <strong>mxbai-embed-large<\/strong> no conversan en absoluto: convierten texto en vectores para b\u00fasquedas y generaci\u00f3n aumentada con recuperaci\u00f3n (RAG), la columna vertebral de una configuraci\u00f3n RAG local.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Which_Ollama_model_should_you_actually_use\"><\/span>\u00bfQu\u00e9 modelo de Ollama deber\u00edas usar realmente?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La respuesta sincera es: el m\u00e1s grande que su memoria pueda alojar dentro de la categor\u00eda que necesita. Para uso general, comience con un modelo de 8B y suba solo si la calidad resulta insuficiente. Para razonamiento, pruebe una versi\u00f3n distilada de DeepSeek-R1; para programaci\u00f3n, Qwen 2.5 Coder; para im\u00e1genes, LLaVA. Clasificamos las mejores opciones seg\u00fan su caso de uso en <a href=\"\/es\/best-local-llms-to-run-on-ollama-2026\/\">los mejores modelos de lenguaje local (LLM) para ejecutar en Ollama<\/a>, y comparamos Ollama con sus alternativas en <a href=\"\/es\/ollama-vs-lm-studio-vs-vllm-vs-llama-cpp-2026\/\">Ollama frente a LM Studio frente a vLLM frente a llama.cpp<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Check_a_model_fits_before_you_download\"><\/span>Verifica si un modelo cabe en tu sistema antes de descargarlo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El error m\u00e1s frecuente es descargar un modelo demasiado grande para su equipo: bien se negar\u00e1 a cargarse, bien funcionar\u00e1 extremadamente lento al recurrir al intercambio con disco. Antes de descargarlo, eval\u00fae su tama\u00f1o: como regla aproximada, un modelo cuantizado a 4 bits requiere poco menos de 1 GB de memoria por cada mil millones de par\u00e1metros, adem\u00e1s de margen adicional para el contexto. Nuestra herramienta gratuita <a href=\"\/es\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> proporciona la cifra exacta para cualquier modelo y tipo de cuantizaci\u00f3n, y <a href=\"\/es\/ollama-system-requirements-2026\/\">Requisitos del sistema de Ollama<\/a> explican detalladamente el compromiso entre RAM y VRAM.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfC\u00f3mo listo los modelos instalados en Ollama?<\/strong> Ejecutar <code>ollama list<\/code> para ver todos los modelos instalados junto con su tama\u00f1o, <code>ollama ps<\/code> para ver qu\u00e9 modelo est\u00e1 cargado actualmente y <code>ollama rm &lt;nombre&gt;<\/code> para eliminar uno.<\/p>\n<p><strong>\u00bfCu\u00e1l es el mejor modelo de Ollama?<\/strong> No existe un \u00fanico \u00abmejor\u00bb modelo: depende de su capacidad de memoria. Llama 3.1 8B es la opci\u00f3n m\u00e1s equilibrada para equipos con 16 GB de RAM; consulte <a href=\"\/es\/best-local-llms-to-run-on-ollama-2026\/\">nuestra lista clasificada<\/a> para cada caso de uso.<\/p>\n<p><strong>\u00bfCu\u00e1ntos modelos ofrece Ollama?<\/strong> Cientos, distribuidos entre familias de modelos para conversaci\u00f3n, programaci\u00f3n, visi\u00f3n e incrustaci\u00f3n (embedding), con m\u00faltiples tama\u00f1os en cada una. La tabla anterior incluye los que la mayor\u00eda de los usuarios realmente ejecutan.<\/p>\n<p><strong>\u00bfCu\u00e1nta memoria RAM necesito para ejecutar modelos de Ollama?<\/strong> Con 8 GB puede ejecutar modelos peque\u00f1os (1B\u20134B); con 16 GB, la popular clase de 7B\u20138B; y para modelos de 27B o mayores se requieren 32 GB o m\u00e1s de RAM, o bien una GPU. Verifique cualquier modelo con nuestra <a href=\"\/es\/llm-vram-calculator\/\">Calculadora de VRAM<\/a>.<\/p>\n<p><strong>\u00bfPuedo ejecutar estos modelos sin conexi\u00f3n?<\/strong> S\u00ed: una vez descargado, cada modelo de Ollama se ejecuta \u00edntegramente en su equipo sin necesidad de conexi\u00f3n a Internet, lo cual constituye precisamente la principal raz\u00f3n para usar modelos locales.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>Conclusi\u00f3n<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La lista de modelos de Ollama es extensa, pero su selecci\u00f3n es sencilla: decida qu\u00e9 necesita \u2014conversaci\u00f3n general, razonamiento, programaci\u00f3n, visi\u00f3n o incrustaciones\u2014 y luego elija el modelo m\u00e1s grande de esa categor\u00eda que su memoria pueda alojar. Comience con un modelo de 8B, use <code>ollama list<\/code> para llevar un registro de los que tiene instalados y conf\u00ede en la <a href=\"\/es\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> antes de cada descarga, para evitar jam\u00e1s instalar un modelo que su equipo no pueda ejecutar. A partir de ah\u00ed, ejecutar inteligencia artificial potente, local y privada requiere tan solo unos pocos comandos.<\/p>\n<p><em>Los nombres, tama\u00f1os y disponibilidad de los modelos cambian con frecuencia; las cifras son valores aproximados basados en configuraciones predeterminadas vigentes a mediados de 2026 \u2014verif\u00edquelas siempre con <code>ollama list<\/code> y la biblioteca oficial antes de depender de ellas.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>The full Ollama models list for 2026 \u2014 every popular model with parameters, download size and RAM\/VRAM needs, plus how to list and pull models.<\/p>","protected":false},"author":1,"featured_media":1361,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[3],"tags":[421,268,256,259,859,422,649],"class_list":["post-1360","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-llms","tag-deepseek","tag-llama-3","tag-local-llm","tag-ollama","tag-open-source-models","tag-qwen","tag-run-llm-locally"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1360","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=1360"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1360\/revisions"}],"predecessor-version":[{"id":1362,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1360\/revisions\/1362"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/1361"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=1360"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=1360"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=1360"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}