{"id":1738,"date":"2026-07-31T02:52:54","date_gmt":"2026-07-31T02:52:54","guid":{"rendered":"https:\/\/convly.ai\/?p=1738"},"modified":"2026-08-01T06:45:58","modified_gmt":"2026-08-01T06:45:58","slug":"ollama-vs-lm-studio","status":"publish","type":"post","link":"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/","title":{"rendered":"Ollama vs. LM Studio (2026): Qual ferramenta local de LLM voc\u00ea deve usar?"},"content":{"rendered":"<p><strong>LM Studio vs. Ollama<\/strong> \u00e9 a primeira decis\u00e3o real que a maioria das pessoas enfrenta ao decidir executar modelos de IA em seu pr\u00f3prio hardware. Ambos s\u00e3o gratuitos, ambos executam os mesmos modelos de pesos abertos e ambos mant\u00eam todos os prompts em sua m\u00e1quina. A diferen\u00e7a n\u00e3o est\u00e1 na capacidade \u2014 est\u00e1 na filosofia: um \u00e9 uma ferramenta para desenvolvedores que voc\u00ea controla por scripts, o outro \u00e9 um aplicativo desktop que voc\u00ea usa com cliques. Esta compara\u00e7\u00e3o aborda o que realmente os distingue em 2026, com as realidades de hardware por tr\u00e1s de cada um.<\/p>\n<div style='background:#faf9ff;border:1px solid #e6e1f5;border-left:4px solid #6d28d9;border-radius:10px;padding:18px 22px;margin:28px 0;'>\n<p style='margin:0 0 10px;font-weight:700;color:#4c1d95;font-size:14px;letter-spacing:.5px;text-transform:uppercase;'>Quick answer<\/p>\n<p style='margin:0;'><strong>Escolha o Ollama se voc\u00ea for um desenvolvedor<\/strong> \u2014 ele \u00e9 executado como um servi\u00e7o em segundo plano com uma API compat\u00edvel com OpenAI, funciona sem interface gr\u00e1fica em servidores e integra-se limpa e facilmente a aplicativos e Docker. <strong>Choose LM Studio if you want a graphical app<\/strong> \u2014 ele possui um navegador integrado de modelos, uma janela de chat e, em chips Apple Silicon, pode utilizar o runtime MLX da Apple para infer\u00eancia mais r\u00e1pida do que o caminho do llama.cpp. Ambos s\u00e3o gratuitos, ambos executam os mesmos modelos no formato GGUF, e muitas pessoas instalam ambos.<\/p>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a705c3e722e1\" 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-6a705c3e722e1\"  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\/pt\/ollama-vs-lm-studio\/#Ollama_vs_LM_Studio_at_a_glance\" >Ollama vs. LM Studio em poucas palavras<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/#What_Ollama_actually_is\" >O que o Ollama realmente \u00e9<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/#What_LM_Studio_actually_is\" >O que o LM Studio realmente \u00e9<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/#Speed_and_memory_mostly_the_same_with_two_exceptions\" >Velocidade e mem\u00f3ria: basicamente iguais, com duas exce\u00e7\u00f5es<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/#Which_one_should_you_install_first\" >Qual deles voc\u00ea deve instalar primeiro?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/#Beyond_the_two_vLLM_and_llamacpp\" >Al\u00e9m desses dois: vLLM e llama.cpp<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/pt\/ollama-vs-lm-studio\/#Frequently_asked_questions\" >Perguntas frequentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Ollama_vs_LM_Studio_at_a_glance\"><\/span>Ollama vs. LM Studio em poucas palavras<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div style='background:#faf9ff;border:1px solid #e6e1f5;border-radius:10px;padding:18px 22px;margin:28px 0;overflow-x:auto;'>\n<table style='width:100%;border-collapse:collapse;font-size:15px;'>\n<tr>\n<th style='text-align:left;padding:8px 10px;border-bottom:2px solid #e6e1f5;color:#4c1d95;'><\/th>\n<th style='text-align:left;padding:8px 10px;border-bottom:2px solid #e6e1f5;color:#4c1d95;'>Ollama<\/th>\n<th style='text-align:left;padding:8px 10px;border-bottom:2px solid #e6e1f5;color:#4c1d95;'>LM Studio<\/th>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Interface principal<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Linha de comando + servidor em segundo plano<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Interface gr\u00e1fica desktop com janela de chat<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Obter um modelo<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'><code>ollama pull llama3.1<\/code><\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Pesquisar e clicar dentro do aplicativo<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>API para seus pr\u00f3prios aplicativos<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Sempre ativo, porta 11434, compat\u00edvel com OpenAI<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Servidor local opcional que voc\u00ea ativa manualmente<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Servidores sem interface gr\u00e1fica\/remotos<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Sim \u2014 projetado especificamente para isso, com imagem oficial do Docker<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>N\u00e3o \u2014 requer uma sess\u00e3o desktop<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Runtime para Apple Silicon<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>llama.cpp (Metal)<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>llama.cpp <em>ou<\/em> MLX \u2014 geralmente mais r\u00e1pido em Macs<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Descoberta de modelos<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Biblioteca curada, com nomes previs\u00edveis<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Pesquisa completa no Hugging Face diretamente no aplicativo<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Ideal para<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Desenvolvedores, automa\u00e7\u00e3o e servi\u00e7os sempre ativos<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Experimenta\u00e7\u00e3o, compara\u00e7\u00e3o de modelos e usu\u00e1rios n\u00e3o programadores<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;'>Pre\u00e7o<\/td>\n<td style='padding:8px 10px;'>Gratuito e de c\u00f3digo aberto<\/td>\n<td style='padding:8px 10px;'>Gratuito (c\u00f3digo fechado)<\/td>\n<\/tr>\n<\/table>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Ollama_actually_is\"><\/span>O que o Ollama realmente \u00e9<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O Ollama instala um pequeno servi\u00e7o em segundo plano e uma ferramenta de linha de comando. Voc\u00ea obt\u00e9m um modelo pelo nome, e, a partir desse momento, qualquer coisa em sua m\u00e1quina pode se comunicar com ele por meio de um endpoint HTTP local que fala o mesmo dialeto da API da OpenAI. Essa \u00fanica decis\u00e3o de design explica grande parte de sua popularidade: c\u00f3digos existentes que se comunicam com um modelo em nuvem normalmente precisam apenas de uma URL base modificada para conversar com seu laptop em vez disso.<\/p>\n<p>\u00c9 tamb\u00e9m a op\u00e7\u00e3o que funciona fora do ambiente desktop. O Ollama roda em servidores Linux sem interface gr\u00e1fica, dentro de cont\u00eaineres Docker ou em m\u00e1quinas ociosas em outra sala \u2014 raz\u00e3o pela qual a maioria das pilhas de IA auto-hospedadas e configura\u00e7\u00f5es de laborat\u00f3rio dom\u00e9stico \u00e9 constru\u00edda sobre ele. A contrapartida \u00e9 que a descoberta de modelos \u00e9 deliberadamente restrita \u2014 uma biblioteca curada com nomes limpos, em vez da torrente ilimitada de modelos de pesos abertos. Veja nosso <a href='\/pt\/what-is-ollama-complete-guide-2026\/'>guia completo do Ollama<\/a> e o <a href='\/pt\/ollama-models-list-2026\/'>Lista de modelos Ollama<\/a> pelo que realmente est\u00e1 dispon\u00edvel.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_LM_Studio_actually_is\"><\/span>O que o LM Studio realmente \u00e9<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>LM Studio \u00e9 um aplicativo desktop. Voc\u00ea pesquisa um modelo, acompanha seu download por meio de uma barra de progresso e conversa com ele em uma janela \u2014 sem precisar usar o terminal em nenhum momento. Seu navegador de modelos busca diretamente no Hugging Face, de modo que ajustes finos pouco conhecidos e lan\u00e7amentos brand-new aparecem muito antes de chegarem a uma biblioteca curada, e o aplicativo informa claramente se determinado arquivo caber\u00e1 na mem\u00f3ria do seu sistema.<\/p>\n<p>Sua vantagem silenciosa reside no hardware da Apple. O LM Studio pode executar modelos por meio de <strong>MLX<\/strong>, o pr\u00f3prio framework de aprendizado de m\u00e1quina da Apple, em vez do caminho llama.cpp \u2014 e, nos chips Apple Silicon, isso normalmente significa gera\u00e7\u00e3o sensivelmente mais r\u00e1pida para o mesmo modelo. Se sua m\u00e1quina for um MacBook ou um Mac Studio, essa \u00e9 a diferen\u00e7a de desempenho mais concreta entre as duas ferramentas.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Speed_and_memory_mostly_the_same_with_two_exceptions\"><\/span>Velocidade e mem\u00f3ria: basicamente iguais, com duas exce\u00e7\u00f5es<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ambas as ferramentas executam, no final das contas, os mesmos arquivos de modelos quantizados; portanto, para configura\u00e7\u00f5es id\u00eanticas no mesmo hardware, a diferen\u00e7a de throughput costuma ser pequena. As exce\u00e7\u00f5es, por\u00e9m, s\u00e3o relevantes. Primeiro, o MLX no Apple Silicon, conforme mencionado acima. Segundo, as configura\u00e7\u00f5es padr\u00e3o: o LM Studio exp\u00f5e, em um painel de configura\u00e7\u00f5es, o tamanho do contexto, o n\u00famero de camadas descarregadas para a GPU e o tamanho do lote (batch size), enquanto os valores-padr\u00e3o do Ollama s\u00e3o conservadores e s\u00f3 podem ser alterados por meio de um modelfile ou vari\u00e1veis de ambiente \u2014 assim, uma compara\u00e7\u00e3o 'out-of-the-box' frequentemente mede a configura\u00e7\u00e3o, e n\u00e3o os pr\u00f3prios mecanismos.<\/p>\n<p>Os requisitos de mem\u00f3ria s\u00e3o id\u00eanticos, pois a restri\u00e7\u00e3o vem do modelo, n\u00e3o da ferramenta. Um modelo de 7\u20138B em 4 bits exige aproximadamente 5\u20136&nbsp;GB; um modelo de 70B, cerca de 40\u201348&nbsp;GB, al\u00e9m de espa\u00e7o adicional para o contexto. Voc\u00ea pode verificar qualquer modelo espec\u00edfico contra sua pr\u00f3pria GPU usando nossa <a href='\/pt\/llm-vram-calculator\/'>calculadora gratuita de VRAM para LLMs<\/a>.<\/p>\n<div style='background:#fffdf5;border:1px solid #f0e6c8;border-left:4px solid #b45309;border-radius:10px;padding:18px 22px;margin:28px 0;'>\n<p style='margin:0 0 10px;font-weight:700;color:#92400e;font-size:14px;letter-spacing:.5px;text-transform:uppercase;'>Convly&#8217;s take<\/p>\n<p style='margin:0;'>Isso n\u00e3o \u00e9 propriamente uma competi\u00e7\u00e3o \u2014 trata-se de uma divis\u00e3o de trabalho, e a recomenda\u00e7\u00e3o honesta \u00e9 deixar de encar\u00e1-la como uma escolha exclusiva (um ou outro). Use o LM Studio para <em>descobrir<\/em>: navegue pelo Hugging Face, experimente tr\u00eas vers\u00f5es quantizadas de um novo modelo e veja qual delas seu computador suporta. Em seguida, use o Ollama para <em>implantar<\/em>: uma vez definido o modelo desejado, baixe-o uma \u00fanica vez e deixe que todos os scripts, plugins de editores e projetos secund\u00e1rios em sua m\u00e1quina acessem o mesmo endpoint. As pessoas que tiram maior proveito da IA local em 2026 quase sempre usam ambas as ferramentas \u2014 e o espa\u00e7o em disco \u00e9 bem mais barato do que o tempo perdido escolhendo um lado.<\/p>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"Which_one_should_you_install_first\"><\/span>Qual deles voc\u00ea deve instalar primeiro?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Voc\u00ea escreve c\u00f3digo e quer integrar IA em seus pr\u00f3prios aplicativos<\/strong> \u2192 Ollama. O endpoint sempre ativo, compat\u00edvel com a API da OpenAI, \u00e9 exatamente o prop\u00f3sito principal dessa ferramenta.<\/li>\n<li><strong>Voc\u00ea quer experimentar IA local sem usar o terminal<\/strong> \u2192 LM Studio. Voc\u00ea estar\u00e1 conversando com o modelo menos de dez minutos ap\u00f3s a conclus\u00e3o do download.<\/li>\n<li><strong>Voc\u00ea usa um MacBook ou um Mac Studio<\/strong> \u2192 LM Studio primeiro, aproveitando a vantagem de desempenho do MLX; adicione o Ollama quando come\u00e7ar a desenvolver algo concretamente.<\/li>\n<li><strong>Voc\u00ea quer execut\u00e1-lo em um servidor dom\u00e9stico ou dentro de um cont\u00eainer Docker<\/strong> \u2192 Ollama \u2014 e n\u00e3o h\u00e1 compara\u00e7\u00e3o.<\/li>\n<li><strong>Voc\u00ea precisa comparar diversos modelos rapidamente<\/strong> \u2192 O navegador do LM Studio e seus avisos sobre compatibilidade de mem\u00f3ria economizam tempo real.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Beyond_the_two_vLLM_and_llamacpp\"><\/span>Al\u00e9m desses dois: vLLM e llama.cpp<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Se voc\u00ea estiver atendendo muitos usu\u00e1rios simultaneamente, em vez de trabalhar sozinho, nenhuma dessas duas ferramentas representa o limite m\u00e1ximo \u2014 <strong>vLLM<\/strong> lida muito melhor com requisi\u00e7\u00f5es simult\u00e2neas, e <strong>llama.cpp<\/strong> oferece o controle mais granular sobre quantiza\u00e7\u00e3o e hardware. Comparamos as quatro ferramentas em <a href='\/pt\/ollama-vs-lm-studio-vs-vllm-vs-llama-cpp-2026\/'>Ollama vs. LM Studio vs. vLLM vs. llama.cpp<\/a>. E, se voc\u00ea estiver avaliando a aquisi\u00e7\u00e3o de hardware local versus o pagamento por token, a <a href='\/pt\/self-hosting-vs-api-calculator\/'>calculadora de autohospedagem versus API<\/a> mostra exatamente onde fica seu ponto de equil\u00edbrio.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Perguntas frequentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>O LM Studio \u00e9 mais r\u00e1pido que o Ollama?<\/h3>\n<p>No Apple Silicon, geralmente sim \u2014 o LM Studio pode utilizar o runtime MLX da Apple, que normalmente supera o caminho llama.cpp usado pelo Ollama. No Windows e no Linux com GPU NVIDIA, as duas ferramentas t\u00eam desempenho pr\u00f3ximo, e as diferen\u00e7as medidas costumam decorrer do tamanho do contexto e das configura\u00e7\u00f5es de descarga para a GPU, e n\u00e3o dos pr\u00f3prios mecanismos.<\/p>\n<h3>Posso usar o Ollama e o LM Studio ao mesmo tempo?<\/h3>\n<p>Sim, e muitas pessoas fazem exatamente isso. Ambos s\u00e3o instalados de forma independente e mant\u00eam pastas separadas para os modelos. A \u00fanica precau\u00e7\u00e3o pr\u00e1tica diz respeito \u00e0 mem\u00f3ria: evite manter um modelo grande carregado simultaneamente nas duas ferramentas, e, se voc\u00ea executar ambos os servidores locais, atribua a eles portas diferentes.<\/p>\n<h3>O LM Studio possui uma API como a do Ollama?<\/h3>\n<p>Sim \u2014 o LM Studio inclui um modo de servidor local com um endpoint compat\u00edvel com a API da OpenAI. A diferen\u00e7a \u00e9 que esse modo deve ser ativado manualmente dentro do aplicativo desktop em execu\u00e7\u00e3o, enquanto o servi\u00e7o do Ollama inicia automaticamente junto com o sistema e espera estar sempre dispon\u00edvel.<\/p>\n<h3>O Ollama e o LM Studio s\u00e3o gratuitos?<\/h3>\n<p>Ambos s\u00e3o gratuitos para download e uso, inclusive em ambientes comerciais. O Ollama \u00e9 de c\u00f3digo aberto; o LM Studio \u00e9 gratuito, mas seu c\u00f3digo-fonte n\u00e3o \u00e9 aberto. Seu \u00fanico custo real, em qualquer dos dois casos, \u00e9 o hardware e a energia el\u00e9trica.<\/p>\n<h3>Qual deles consome menos RAM, o Ollama ou o LM Studio?<\/h3>\n<p>Nenhum dos dois, de forma significativa \u2014 o consumo de mem\u00f3ria \u00e9 determinado pelo arquivo do modelo e pelo tamanho do contexto, n\u00e3o pela ferramenta. Um determinado modelo em 4 bits requer a mesma quantidade de mem\u00f3ria em ambas as ferramentas. O LM Studio simplesmente torna esse requisito mais vis\u00edvel ainda antes do download.<\/p>","protected":false},"excerpt":{"rendered":"<p>Ollama and LM Studio both run large language models on your own machine, and both are free \u2014 but they are built for different people. Here is an honest comparison of interface, performance, API access and hardware use, plus which one to pick for your setup.<\/p>","protected":false},"author":1,"featured_media":1789,"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":[5],"tags":[740,260,256,259,1047],"class_list":["post-1738","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-tools","tag-ai-tools","tag-lm-studio","tag-local-llm","tag-ollama","tag-self-hosting"],"_links":{"self":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1738","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/comments?post=1738"}],"version-history":[{"count":2,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1738\/revisions"}],"predecessor-version":[{"id":1864,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1738\/revisions\/1864"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media\/1789"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media?parent=1738"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/categories?post=1738"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/tags?post=1738"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}