Cómo configurar Visión en LM Studio para una RTX 3090

Estás utilizando LM Studio con solo unos pocos modelos instalados y te preguntas qué debes configurar para poder subir una imagen que puedas describir. La respuesta es más sencilla de lo que parece, pero hay un requisito fundamental: no basta con tener cualquier modelo de lenguaje instalado.

Para que la aplicación pueda procesar imágenes, necesitas explícitamente un modelo con capacidad de visión, conocido como VLM (Vision-Language Model). LM Studio maneja esto claramente en su interfaz. En lugar de instalar plugins complejos o herramientas externas, simplemente debes buscar y descargar una versión del modelo que incluya capacidades visuales.

Con tu hardware actual, una RTX 3090 de 24 GB de VRAM, tienes un punto de partida excelente. Puedes acceder a modelos robustos sin necesidad de instalar entornos pesados como Python o CUDA. Un modelo estándar de 7B cuantizado en Q4_K_M o Q5_K_M es el punto ideal para empezar.

Llegado aquí, surge una duda muy común: ¿qué pasa con la censura? Es importante entender que «puede ver imágenes» no significa automáticamente «la describirá sin restricciones». Modelos como Gemma 3 Vision tienen alineamientos de seguridad claros y pueden suavizar o negarse a describir ciertos contenidos. Por otro lado, existen variantes modificadas de modelos como Qwen2.5-VL, llamadas comúnmente *abliterated* o *uncensored*, que han tenido reducidos sus mecanismos de rechazo.

Si tu objetivo es obtener una descripción lo más exacta posible—incluyendo anatomía, poses y detalles visuales sin respuestas moralizantes—debes buscar específicamente estas versiones modificadas. Es particularmente útil configurar LM Studio como un «image captioner local» para que procese las imágenes de ComfyUI directamente.

Vamos a ver ahora cómo separar los modelos que realmente funcionan de los que son simplemente humo y espejos para tu tarjeta gráfica.

Optimización de Hardware: RTX 3090 vs. Modelos Gigantes

No necesitas meterte en modelos gigantes solo porque tengas una potente GPU. Para descripciones detalladas, un modelo especializado de 7B es mucho más útil y rápido que uno generalista enorme.

La ventaja de tener 24 GB de VRAM te permite ser flexible con la cuantización. Un Qwen2.5-VL-7B normal ocupa aproximadamente entre 4.68 GB para una versión Q4_K_M hasta 15.2 GB para FP16, más su componente visual adicional.

Basado en esto, mi recomendación directa es utilizar **Q5_K_M**. Este punto medio te ofrece un equilibrio perfecto: aprovechas la velocidad de tu RTX 3090 sin saturar la memoria.

Un modelo interesante a probar es el `thesby/Qwen2.5-VL-7B-NSFW-Caption-V3-GGUF`, que está orientado específicamente a generar *captions* de imágenes NSFW, o su variante V4.

También vale la pena considerar un modelo como `Qwen2.5-VL-7B-Abliterated-Caption-it` para el segundo experimento, combinando captioning con reducción de rechazos.

Es crucial evitar modelos de 30B o más inicialmente; no necesitas tanto parámetros para esta tarea concreta y solo añadirías fricción al sistema.

Estrategia de Prompting

Una vez que tienes el modelo cargado, la clave está en cómo interactúas con él. Para maximizar la utilidad de las descripciones, especialmente para alimentar flujos de trabajo como ComfyUI, puedes pedirle al modelo que produzca un formato estructurado.

Puedes solicitar explícitamente que el modelo genere una salida organizada por categorías, incluyendo etiquetas específicas como SUBJECT 1, POSE, CLOTHING, ANATOMY, y ENVIRONMENT.

Esta estrategia te permite obtener un dato altamente procesable en lugar de un simple párrafo narrativo.

En resumen, configurar visión en LM Studio requiere descargar el modelo correcto, elegir una cuantización que respete tu VRAM y utilizar prompts que aprovechen la capacidad de análisis del modelo.