Cómo hacer que LM Studio detecte tu hardware correctamente

LM Studio es una aplicación potente para ejecutar modelos de IA localmente, pero su capacidad depende totalmente de saber hablar con tu tarjeta gráfica. A veces, el software parece ignorar tu GPU y se queda atrapado en la CPU sin avisarte mucho.

El primer paso es siempre revisar si realmente está usando la GPU. Entra a Settings → Hardware / Inference y mira qué aparece. Si no ves tu tarjeta o solo dice CPU, ahí está el problema.

Tu tarjeta NVIDIA (el camino más común)

Si tienes una NVIDIA, LM Studio necesita que todo esté alineado. Específicamente, necesitas drivers actualizados y soporte para CUDA. El software usa backends como llama.cpp o cuBLAS, y si CUDA no está bien instalado, la GPU simplemente no será visible.

La solución suele ser actualizar los drivers desde NVIDIA y reiniciar el sistema. Es clásico, pero necesario para que el kernel reconozca el hardware nuevo.

Gestión con tarjetas AMD

Aquí la cosa se pone más delicada. Para las GPUs de AMD, necesitas soporte ROCm, y hay que tener en cuenta que no todas las tarjetas lo tienen bien soportado en Windows. En muchos casos, si no está todo perfecto, LM Studio terminará usando CPU igual.

Si estás en AMD + Windows, la solución no siempre es limpia; Linux suele ser mucho más amigable con este ecosistema.

Compatibilidad del modelo y Offload

No todos los modelos usan la GPU de la misma manera. Los modelos muy grandes pueden no caber en tu VRAM, lo que obliga al sistema a hacer un fallback a CPU. Además, formatos como GGUF dependen de cuántas capas mandes a la tarjeta gráfica.

Dentro de LM Studio puedes ajustar las GPU offload layers. Si este valor está en 0, todo el modelo corre en la CPU. Súbelo y observa si empieza a usar VRAM.

Revisa los logs internos

Si nada funciona, la mejor herramienta es mirar el log de LM Studio. Busca mensajes específicos como «GPU not found», «Falling back to CPU» o «CUDA init failed».

Aquí te dirá exactamente qué está fallando sin maquillaje.

Limitaciones de VRAM y conflictos

Es posible que detecte la GPU pero no pueda usarla porque tienes poca memoria, por ejemplo 4–6 GB, y cargas un modelo pesado mal cuantizado. La solución es usar modelos más ligeros como Q4 o Q5.

También ten cuidado con conflictos de entorno: tener varias versiones de CUDA instaladas, drivers viejos mezclados con runtimes nuevos, o entornos de Python incompatibles pueden romper todo silenciosamente.