Continuando con nuestras publicaciones relacionadas con la exploración y prueba de aplicaciones de Inteligencia Artificial, más específicamente de Clientes de escritorio para la gestión y aprovechamiento de modelos IA (LLM) de forma local, es decir, directamente sobre el hardware de nuestro ordenador, hoy abordaremos a una de las más recientes e innovadoras y de código abierto llamada «Unsloth Desktop».

Y si nunca has escuchado antes sobre «Unsloth», es importante que sepas que este nombre hace referencia a un ecosistema de herramientas de código abierto diseñado para entrenar, hacer fine-tuning (ajuste fino) y ejecutar modelos de lenguaje (LLMs) y de difusión de forma local, rápida y con un consumo de memoria drásticamente reducido. Por ello, el proyecto Unsloth actualmente ofrece al público los siguientes 3 software: Unsloth Desktop (aplicación nativa para Windows/macOS/Linux), Unsloth Studio (interfaz web autoalojada ejecutable vía Docker) y Unsloth Core (Librería de Python). Además, ofrece muchísimos LLM propios, innovadores y de gran eficiencia, que pueden ser probados por muchos, tanto en su propia aplicación de escritorio como otras similares como: LM Studio, AnythingLLM, Jan y Pinokio, entre muchas otras más.

Pero, antes de introducirnos en esta nueva publicación sobre la novedosa e innovadora aplicación de escritorio de Inteligencia Artificial Generativa llamada «Unsloth Desktop», la cual es bastante completa, multiplataforma y versátil; les recomendamos explorar la anterior publicación relacionada de esta serie, al finalizar de leer la misma:

Pinokio es un lanzador universal con un solo clic, el cual facilita que Humanos y Desarrollos IA instalen, ejecuten y controlen cualquier aplicación de código abierto dentro de un ordenador. Además, es una genial alternativa a ChatGPT, pero de código abierto, que se ejecuta 100% sin conexión a Internet desde cualquier computadora. Y también, es capaz de ejecutarse en cualquier tipo de hardware, es decir, desde ordenadores para el hogar como estaciones de trabajo y hasta clústeres de múltiples GPU. Ya que, es capaz de trabajar sobre arquitecturas universales: Nvidia GPUs, Apple Series M, Apple Intel, GNU/Linux (Debian) y Windows (x64).

Unsloth Desktop: Cliente de escritorio de IA Local para probar LLM

¿Qué es Unsloth Desktop?

Según sus desarrolladores en su sitio web oficial, «Unsloth Desktop» es descrito brevemente de la siguiente forma:

Unsloth Desktop es la primera aplicación de escritorio para ejecutar y entrenar modelos de Inteligencia Artificial. Además, es de código abierto, gratuita y funciona 100 % localmente, es decir, en tu ordenador y sin necesidad de conexión a Internet.

Sin embargo, en su sección oficial en el repositorio de GitHub añaden y complementan lo siguiente:

Unsloth Desktop ofrece una interfaz local para ejecutar y entrenar LLM y modelos de difusión. Además, es compatible con el uso de archivos de almacenamiento de modelos IA «GGUF«, el framework IA «MLX» para los modernos procesadores de la Serie M de Apple, y la ejecución de modelos IA abiertos como Qwen3.8, DeepSeek-V4, MiniMax-H3, Gemma 4, FLUX y otros más.

Mientras que, de forma personal añadiría brevemente lo siguiente:

Unsloth Desktop es una moderna e innovadora herramienta gratuita y de código abierto (con licencia Apache-2.0), aún en estado de desarrollo (fase beta), idónea para hacer fine-tuning (ajuste fino) y ejecutar modelos de IA en nuestro propio ordenador casero y profesional, lo cual no solo se limita a LLMs de texto, sino también modelos de difusión (generación de imagen/video), texto a voz (TTS) y embeddings. Y lo mejor de todo es que, adicionalmente se distribuye al público en general de 2 formas más: La primera, como una interfaz web autoalojada (Unsloth Studio), y la segunda, como una librería original de Python (Unsloth Core), instalable a través de pip. Además, soporta LoRA, QLoRA, fine-tuning completo, preentrenamiento, aprendizaje por refuerzo (GRPO, DPO) y métodos de entrenamiento FP8. Incluye soporte Multi-GPU en GPUs NVIDIA, AMD e Intel, además de funcionamiento solo con CPU mediante un backend Vulkan, en Windows, Linux, WSL y macOS. Por ultimo, también permite el uso de sistemas RAG, Agentes IA y de «Datasets» para facilitar las tareas de entrenamiento de modelos LLM propios en nuestro ordenador.

Características destacadas

A más detalles técnicos, estas son 10 de las muchas características técnicas relevantes según sus desarrolladores:

Básicas

1. Ejecución de código y corrección automática de llamadas a herramientas: Permite a los LLM ejecutar Bash y Python (no solo JavaScript) con permisos de acceso directo. También utiliza entornos aislados (*sandboxes*), similares a Claude Artifacts, para que los modelos puedan probar código, generar archivos y verificar respuestas mediante cálculos reales. Ejemplo: Unsloth crea un entorno aislado para permitir que GLM-5.2 ejecute código que se visualiza como una previsualización HTML en el Canvas.
2. Búsqueda web mejorada: Ofrece una función de búsqueda web privada, ilimitada y segura que facilita la visita directamente de las páginas para recopilar información y datos relevantes, en lugar de limitarse a escanear resúmenes de sitios web. Esto proporciona resultados con información y contexto mucho más precisos y detallados. Ejemplo: Qwen3.5-4B puede buscar en más de 20 sitios web y citar las fuentes; y el proceso de búsqueda web se realiza dentro de su cadena de razonamiento (thinking trace).
3. Unsloth como punto final de API: Facilita la utilización de LLM locales a través de herramientas como Claude Code y Codex conectándolos al punto final de la API de Unsloth. Lo que permitirá ejecutar directamente modelos Qwen y Gemma en dichas herramientas aprovechando la inferencia de Unsloth, la cual incluye funciones como la corrección automática de llamadas a herramientas, búsqueda web, entre otras. También permite la conexión API con otros proveedores como OpenAI, Anthropic o vLLM.

Medianas

1. Entrenamiento sin código (no-code): Para esto añade la capacidad de cargar y almacenar documentos PDF, CSV, JSON o configuraciones YAML, para luego comenzar el entrenamiento al instante en infraestructura NVIDIA. Los núcleos (Kernels) de Unsloth optimizan LoRA, FP8, FFT y PT en más de 500 modelos de texto, visión, TTS/audio y *embeddings*. En consecuencia, permite realizar ajustes finos (fine-tuning) en los LLM más recientes, como Qwen3.5 y NVIDIA Nemotron 3. Además, la compatibilidad con múltiples GPU funciona automáticamente.
2. Ejecución de modelos en local: Facilita la búsqueda y ejecución de modelos en formatos GGUF y safetensors con funciones de corrección automática de llamadas a herramientas, búsqueda web avanzada, configuración automática de inferencia, ejecución de código (Bash + Python) y API. Además, permite la carga de imágenes, documentos, audio y código para su análisis. Además, facilita la comparación de modelos lado a lado. E impulsado por llama.cpp y Hugging Face, Unsloth admite inferencia multi-GPU, descarga y ajuste automático de carga (offloading) y es compatible con la mayoría de los modelos.

Avanzadas

1. Capacidad de crear Recetas: A través de su opción «Recetas» (Unsloth Data Recipes) ofrece la capacidad de transformar documentos en conjuntos de datos utilizables o sintéticos mediante un flujo de trabajo basado en nodos y grafos. Por ello, permite la carga de archivos no estructurados o estructurados, como PDF, CSV y JSON. Esta opción esta impulsado por NVIDIA Nemo Data Designer, que convierte automáticamente los documentos a los formatos que desees.
2. Excelente nivel de observabilidad: Provee un excelente nivel de visibilidad y control total sobre las ejecuciones de entrenamiento. Por ello, permite monitorear en tiempo real la pérdida de entrenamiento, las normas del gradiente y la utilización de la GPU, para así facilitar la personalización de la experiencia al gusto y necesidad del usuario. Incluso permite visualizar el progreso del entrenamiento en otros dispositivos, como un dispositivo móvil.
3. Exportar / Guardar modelos: Facilita la exportación de cualquier modelo (incluidos aquellos propios creados mediante ajuste fino (fine-tuned) a formatos como safetensors o GGUF para utilizarlos con llama.cpp, vLLM, Ollama, LM Studio y otras herramientas más. Y para ello, almacena el historial de entrenamiento, lo que permite revisar ejecuciones anteriores, volver a exportar y experimentar.
4. Privacidad y seguridad ante todo: Para lograr este objetivo permite su utilización totalmente sin conexión y de forma local sobre un equipo de cómputo robusto. Además, su sistema de autenticación basado en tokens (que incluye contraseñas cifradas y flujos de acceso/actualización mediante JWT) garantiza la seguridad de los datos de los usuarios.
5. Conexión segura con la web de Hugging Face (HF): A través de su opción «Centro de modelos» permite directamente la exploración, descarga y utilización de modelos LLM existentes en archivos GGUF descargados de la web Hugging Face (HF). Aunque, sin problema pueden ser descargados de otras plataformas en dicho formato para su aprovechamiento.

Requerimientos mínimos de HW/SW

De forma resumida y directa, estos son los requerimientos técnicos mínimos que debemos conseguir para un óptimo funcionamiento de «Unsloth Desktop»:

1. En Windows

• Windows 10 o Windows 11 (64 bits).
• GPU NVIDIA con controladores instalados (para generación de video o entrenamiento).
• Instalador de aplicaciones Winget).
• Python instalado (versión 3.11 hasta la 3.14).
• Entorno de trabajo Python como uv , venv o conda/mamba.

2. macOS

• macOS 12 Monterey o posterior (Intel o Apple Silicon).
• Homebrew instalado.
• Git instalado.
• Cmake instalado.
• Openssl instalado.
• Python instalado (versión 3.11 hasta la 3.14).
• Entorno de trabajo Python como uv , venv o conda/mamba.

3. Linux / WSL

• Ubuntu 20.04 en adelante o una Distribución Linux similar (de 64 bits).
• GPU NVIDIA con controladores instalados (para generación de video o entrenamiento).
• Kit de herramientas CUDA (se recomienda la versión 12.4 o superior, la 12.8 o superior para Blackwell).
• Git instalado.
• Python instalado (versión 3.11 hasta la 3.14).
• Entorno de trabajo Python como uv , venv o conda/mamba.

4. Otros requerimientos comunes para Unsloth Desktop y otras herramientas similares

• NPU: Aunque actualmente es un requerimiento opcional, cualquier NPU es ideal, ya que todas son procesadores modernos y dedicados para funciones IA.
• CPU: Procesadores Intel/AMD modernos (de 2023 en adelante) con 6 núcleos y 12 hilos son recomendables. En macOS, cualquier chip de la serie M es ideal.
• GPU: Lo mínimo debería ser tarjetas gráficas dedicadas de 8/16 GB de VRAM a +300 GB/s de transferencia. Mientras que, desde 24/32 GB VRAM a +500 GB/s sería lo ideal.
• RAM: El mínimo debería ser 16 GB DDR5. Ya que, la carga de LLM modernos y potentes consumen gran cantidad de RAM. Mientras que, 64 GB RAM sería lo ideal.
• SSD: Lo mínimo debería ser un SSD NVMe M.2 (SATA III) con una tasa de transferencia de 500 MB/s. Mientras que, un SSD NVMe PCIe 3/4/5 sería lo ideal.

Pantallazos de la GUI del Cliente IA de Escritorio Unsloth Desktop

Luego de la descarga y ejecución de su última versión disponible en GitHub, en formato AppImage, podemos apreciar su elegante interfaz visual y muy completa variedad de funciones de uso y opciones de configuración:

1. Primera ejecución: Pantalla inicial de instalación

2. Primera ejecución: Pantalla inicial de Bienvenida – Ventana de nuevo chat

3. Ventana de Centro de modelos

4. Ventana de Proyectos

5. Ventana de Imágenes – Opción de Creación

6. Ventana de Audio

7. Ventana de Recetas

8. Ventana de Exportar – Modelo local

9. Ventana de API

10. Menú de opciones avanzadas

11. Ventana de configuración – Opciones avanzadas

LM Studio es una potente y avanzada aplicación de escritorio diseñada para descubrir, descargar y ejecutar Modelos de Lenguaje Grande (LLMs) de código abierto y pesos abiertos directamente en el hardware de nuestro ordenador. A diferencia de los chatbots comerciales tradicionales que dependen de servidores externos, LM Studio traslada todo el procesamiento al ámbito estrictamente local. Esto no solo elimina la necesidad de tener que pagar costosas suscripciones o tokens por uso, sino que también nos facilita el intentar garantizar una privacidad absoluta de nuestros datos y conversaciones, ya que, estas jamás abandonaran nuestros dispositivos y redes.

Artículo original