Migliori LLM Locali nel 2026: Qwen3.6, Gemma 4, gpt-oss e Phi-4 (Confronto)
Sei LLM locali classificati per RAM/VRAM, carichi di lavoro e runner: dimensioni quantizzate a 4-bit, prezzi 2026, guida al setup e modelli da evitare.
Il miglior LLM locale per una macchina da 32 GB è Qwen3.6-35B-A3B: la sua attuale build a 4-bit per Ollama pesa 24 GB, lasciando 8 GB liberi prima che runtime, sistema operativo e cache di contesto richiedano la propria quota. Per macchine da 8 GB, la scelta ideale è Qwen3.5-9B; per 16 GB, opta per Gemma 4 12B per attività multimodali o per gpt-oss-20b per compiti di puro ragionamento.
Risposta rapida: i migliori LLM locali per ogni configurazione hardware
Un modello locale deve prima di tutto entrare in memoria, prima ancora di valutare qualsiasi benchmark. Sembra un concetto banale, eppure è l'errore alla base di gran parte dei consigli errati: un modello sparse può attivare solo pochi miliardi di parametri per ciascun token, ma richiede comunque che l'insieme completo dei pesi risieda fisicamente in memoria.
Questa classifica parte dall'effettivo artefatto scaricabile, aggiunge il margine operativo necessario e solo successivamente analizza le capacità del modello. Si tratta di confronti basati sulle attuali model card e pagine dei runner, non di stime prestazionali arbitrarie.
La migliore scelta predefinita in assoluto è Qwen3.6-35B-A3B su una macchina con circa 32 GB di memoria unificata o di sistema disponibile. Unisce pesi aperti, input multimodale e capacità di agentic coding in un pacchetto Q4_K_M da 24 GB. Se quel file non lascia abbastanza spazio operativo, scendere a Qwen3.5-9B è una scelta decisamente più saggia rispetto a forzare il modello più grande a ricorrere allo swap su disco.
La fascia da 16 GB vede due vincitori a seconda del tipo di carico di lavoro. Gemma 4 12B è l'opzione più versatile quando l'assistente deve analizzare immagini, video o audio. gpt-oss-20b è la scelta ideale per logica, ragionamento e tool use, ma il suo pacchetto da 14 GB lascia solo 2 GB liberi prima che il resto del sistema operativo richieda memoria.
Di quanta memoria ha davvero bisogno un LLM in locale?
Nelle discussioni sui modelli locali si tende spesso a fare confusione tra quattro valori differenti: parametri totali, parametri attivi, dimensione del file quantizzato e memoria operativa reale. Ognuno risponde a una domanda specifica.
I parametri totali descrivono tutti i pesi appresi dal modello. I parametri attivi descrivono il sottoinsieme che un'architettura mixture-of-experts (MoE) impiega per generare un singolo token. Questo secondo valore indica l'efficienza di calcolo, ma il primo resta determinante per lo spazio su disco e per la memoria occupata. Google chiarisce bene questa distinzione per Gemma 4 26B A4B: solo 4 miliardi di parametri sono attivi per token, ma tutti i 26 miliardi devono essere caricati in memoria.
La quantizzazione archivia tali pesi con una precisione numerica ridotta. Una build a 4-bit è sensibilmente più compatta rispetto alla precisione intera, a fronte di un potenziale compromesso sulle capacità. L'effetto è simile a comprimere una mappa geografica dettagliata in un'edizione tascabile: la struttura complessiva resta intatta, ma si perde parte della precisione microscopica.
La memoria operativa comprende il file del modello più tutto ciò che serve per farlo funzionare. Il runner ha un proprio consumo di memoria. Il sistema operativo necessita di RAM. La KV cache, che funge da blocco per appunti ad altissima velocità per il prompt e il testo generato, cresce man mano che il contesto si allunga. La stessa documentazione ufficiale di Gemma precisa che le stime sui pesi statici escludono sia il software a supporto che la finestra di contesto.
Ecco perché un modello pubblicizzato con un limite di contesto di 256K può entrare fisicamente in memoria, ma non riuscire a gestire 256K token effettivi. Un limite di contesto è il massimo supportato dall'architettura, non una promessa per il tuo computer portatile. Sia Qwen3.5-9B che Qwen3-Coder-Next suggeriscono esplicitamente agli utenti di ridurre la lunghezza del contesto in presenza di errori di memoria esaurita (OOM).
Parti dalla fascia di memoria, poi seleziona il modello
Considera questi requisiti come soglie minime di deployment, non come garanzie per finestre di contesto massime:
- 4 GB di VRAM dedicata: il file Q4_K_M da 2.5 GB di Phi-4-mini è la scelta compatta più affidabile, purché la macchina disponga anche di normale RAM di sistema. Per l'uso esclusivo su CPU, 8 GB di RAM di sistema rappresentano una base più realistica.
- 8 GB di VRAM dedicata: il pacchetto da 6.6 GB di Qwen3.5-9B entra bene se il contesto resta contenuto. Una macchina con 12 GB o più di memoria totale o unificata offre maggiore stabilità.
- 16 GB di memoria disponibile: Gemma 4 12B offre l'allocazione più equilibrata. gpt-oss-20b rispetta la soglia ufficiale dei 16 GB indicata da OpenAI, ma rimane una configurazione al limite.
- 32 GB di memoria disponibile: Qwen3.6-35B-A3B è il consiglio più completo in questa fascia, poiché il suo pacchetto da 24 GB lascia 8 GB liberi prima dell'impatto del runtime e del contesto.
- 64 GB o più: Qwen3-Coder-Next diventa finalmente utilizzabile. Il suo file da 52 GB lascia comunque circa 12 GB per il resto dello stack.
Il calcolo del margine operativo mostra chiaramente le differenze tra queste soluzioni. Qwen3.5-9B lascia 1.4 GB liberi su un'allocazione da 8 GB, pari al 17.5%. gpt-oss-20b lascia 2 GB su 16 GB, ossia il 12.5%. Qwen3.6 lascia 8 GB su 32 GB, pari al 25%. Qwen3-Coder-Next lascia 12 GB su 64 GB, cioè il 18.75%.
Queste percentuali non rappresentano la memoria libera effettiva dopo l'avvio, bensì il margine massimo teorico prima che il runner, il sistema operativo e la KV cache prelevino le proprie risorse. L'accoppiata con gpt-oss è quindi un limite tecnico tirato, mentre quella con Qwen3.6 offre il margine più sano tra le quattro opzioni.
1. Qwen3.6-35B-A3B: il miglior LLM locale in assoluto per sistemi da 32 GB
Qwen3.6-35B-A3B rappresenta la migliore opzione complessiva tra i modelli locali quando si hanno a disposizione 32 GB di memoria reale. Qwen lo descrive come un modello mixture-of-experts da 35 miliardi di parametri complessivi con 3 miliardi di parametri attivi, pesi aperti, capacità di ragionamento multimodale e una forte specializzazione nell'agentic coding. Il pacchetto Ollama attuale pesa 24 GB in formato Q4_K_M: è questo il parametro che determina se la tua macchina è in grado di gestirlo.
Il modello è ideale per un founder o uno sviluppatore senior alla ricerca di un unico assistente privato per analizzare codebase, pianificare architetture software, esaminare immagini e gestire sessioni di programmazione estese. Risulta una scelta decisamente migliore rispetto a un modello dedicato unicamente al codice quando il medesimo assistente locale deve anche interpretare schermate, diagrammi o documenti. Il dato dei 3 miliardi di parametri attivi ottimizza la velocità di calcolo, ma non riduce il pacchetto a 3 GB: l'artefatto a 4-bit installato richiede pur sempre 24 GB.
L'ostacolo principale è rappresentato dal contesto. Il file impegna tre quarti di un totale di 32 GB prima ancora di iniziare la conversazione. Repository estesi, molteplici immagini e cronologie lunghe fanno lievitare rapidamente la cache: è quindi preferibile mantenere un contesto utile più compatto anziché puntare a massimi teorici che farebbero slittare il computer nello swap.
Ideale per: Macchine da 32 GB che necessitano di un modello locale polivalente per programmazione, ragionamento e immagini.
Caratteristica distintiva: 35 miliardi di parametri totali, 3 miliardi attivi, input multimodale e build Q4_K_M da 24 GB.
Prezzo: Pesi aperti sotto licenza Apache License 2.0 associati all'attuale artefatto Ollama; l'hardware locale costituisce il solo costo operativo.
Prova gratuita: Non applicabile per pesi scaricabili.
- Il miglior equilibrio tra capacità moderne e requisiti realistici per sistemi da 32 GB in questo confronto.
- L'input multimodale evita di dover orchestrare un modello di visione separato.
- L'agentic coding è una priorità di rilascio nativa, non un caso d'uso secondario.
- Comando Ollama e artefatto ufficiali facilmente verificabili.
- Il file da 24 GB è troppo ingombrante per una macchina da 24 GB nell'uso ordinario.
- Finestre di contesto molto ampie possono esaurire in fretta il margine di 8 GB.
- Modelli di taglia inferiore risulteranno più rapidi su configurazioni hardware intermedie.
Come eseguire la scelta principale con Ollama
Verifica la memoria effettivamente allocabile
Imposta 32 GB come base operativa minima per questo pacchetto da 24 GB. Sui sistemi a memoria unificata, sottrai la quota già occupata da sistema operativo e altre applicazioni aperte.
Installa Ollama
Scarica l'applicazione desktop o la versione a riga di comando più recente dal sito di Ollama. Il piano Free è sufficiente per un utilizzo illimitato sul proprio hardware.
Avvia il tag esatto del modello
Esegui il comando
ollama run qwen3.6:35b-a3b. Questo comando scarica e avvia l'attuale pacchetto Q4_K_M da 24 GB documentato nella pagina del modello su Ollama.Inizia con una finestra di contesto contenuta
Carica inizialmente solo i file del repository o i documenti strettamente necessari per l'attività in corso, evitando archivi completi per impostazione predefinita. In caso di swap del disco o errori di memoria insufficiente (OOM), riduci il contesto prima di ricorrere a una quantizzazione più aggressiva.
2. Qwen3.5-9B: il miglior LLM locale per GPU da 8 GB
Qwen3.5-9B rappresenta il miglior LLM compatto per sistemi con una GPU dedicata da 8 GB. La scheda tecnica ufficiale illustra un modello linguistico causale da 9 miliardi di parametri con un encoder visivo integrato; l'attuale pacchetto Ollama occupa 6.6 GB con supporto per input testuale e visivo. È la soluzione più compatta in questa lista in grado di operare come valido assistente multimodale quotidiano.
Il tipico scenario d'uso è quello di un assistente desktop per la programmazione capace di interpretare lo screenshot di un errore, il mockup di un'interfaccia o uno schema di flusso. Uno sviluppatore con una scheda grafica da 8 GB può utilizzarlo per farsi spiegare porzioni di codice, eseguire piccoli refactor e porre domande visive senza dover impegnare i 24 GB richiesti da Qwen3.6. È anche il naturale piano B se il modello più grande gira ma causa continui rallentamenti per paging della memoria.
La dicitura dei 256K di contesto richiede attenzione. La model card di Qwen indica un limite nativo di 262,144 token, raccomandando espressamente di ridurre il contesto qualora si verifichino errori di memoria esaurita. Il file da 6.6 GB lascia solo 1.4 GB liberi in un budget di 8 GB di VRAM prima dell'overhead di cache e runtime: sfruttare l'intero contesto richiede hardware nettamente superiore.
Ideale per: GPU dedicate da 8 GB, interazioni multimodali compatte e supporto quotidiano alla scrittura di codice.
Caratteristica distintiva: Pacchetto da 6.6 GB con supporto nativo per testo e immagini.
Prezzo: Pesi scaricabili senza abbonamento richiesto sulla fonte ufficiale; l'hardware e gli eventuali runner gestiti restano separati.
Prova gratuita: Non applicabile per pesi scaricabili.
- Funziona su comuni GPU da 8 GB mantenendo un contesto ragionevole.
- Supporta l'analisi di immagini oltre al testo.
- Molto più facile da allocare rispetto a pacchetti da 20 GB o 24 GB.
- Appartiene alla generazione recente anziché alle release Qwen2.5 precedenti.
- Restano appena 1.4 GB di VRAM nominale su una configurazione da 8 GB.
- Il limite massimo di contesto è impraticabile sulla configurazione hardware minima.
- Un'architettura da 9 miliardi di parametri offre meno capacità logica su compiti complessi rispetto ai modelli più grandi.
3. Gemma 4 12B: il miglior LLM locale multimodale per sistemi da 16 GB
Gemma 4 12B è l'opzione di riferimento nella fascia da 16 GB quando la multimodalità è un requisito cardine del flusso di lavoro. La famiglia moderna di Google gestisce testo, immagini e video, mentre la specifica taglia 12B elabora anche tracce audio. I pesi aperti consentono un uso commerciale responsabile conformemente ai termini di utilizzo di Gemma, rendendolo particolarmente adatto a progetti di analisi privata di file e contenuti multimediali.
Il modello risponde perfettamente alle esigenze di un product manager o professionista che deve confrontare screenshot, sintetizzare la registrazione di una chiamata, esaminare brevi video ed elaborare il testo correlato sulla stessa macchina. Si tratta di uno spettro di input più completo rispetto a gpt-oss-20b, che opera solo con testo. Anche la gestione della memoria è più agevole: l'attuale artefatto gemma4:12b su Ollama pesa 7.6 GB, offrendo un buon margine su un totale di 16 GB.
La stima di Google per la quantizzazione Q4_0 indica 6.7 GB, mentre il build corrente di Ollama segna 7.6 GB. La discrepanza è normale, dovendosi al differente packaging di quantizzazione. La vera indicazione utile risiede nell'avviso fornito da Google: la stima di memoria statica esclude i software di runtime e la finestra di contesto, per cui nessuno dei due dati va scambiato per il consumo totale della macchina in esecuzione.
Il modello 12B fa parte del gruppo intermedio di Gemma con un tetto di contesto di 256K token. Come per Qwen, questo limite teorico non va impostato come predefinito su sistemi da 16 GB. Carica solo i file e i media necessari per la sessione e amplia la memoria di contesto solo se la macchina mantiene una buona reattività.
Ideale per: Assistente multimodale su sistemi da 16 GB per elaborare testo, immagini, video e audio.
Caratteristica distintiva: Ampio supporto di formati in un file Ollama attuale da 7.6 GB.
Prezzo: Pesi aperti soggetti ai termini di utilizzo di Gemma; nessun costo di abbonamento per il download.
Prova gratuita: Non applicabile per pesi scaricabili.
- La migliore copertura di tipi di input nella classe da 16 GB.
- Il file da 7.6 GB garantisce un margine operativo superiore rispetto a gpt-oss-20b.
- Google documenta le linee guida di memoria con notevole chiarezza.
- L'uso commerciale responsabile è espressamente consentito secondo i termini di licenza Gemma.
- I termini di Gemma richiedono una verifica legale specifica per l'integrazione commerciale.
- Il contesto completo di 256K token non è sostenibile sulla configurazione hardware di base.
- La variante 12B non è né la più piccola né la più grande della famiglia, quindi è facile confondere i tag.
4. gpt-oss-20b: il miglior modello locale per il ragionamento su base 16 GB
gpt-oss-20b è il modello locale orientato specificamente al ragionamento per postazioni che soddisfano la soglia rigorosa dei 16 GB di memoria. OpenAI dichiara 21 miliardi di parametri totali, 3.6 miliardi di parametri attivi, supporto fino a 128K di contesto, licenza Apache 2.0 e piena compatibilità con tool use, function calling, Structured Outputs e livelli di sforzo di ragionamento (reasoning effort) configurabili su low, medium o high. Il pacchetto corrente su Ollama occupa 14 GB e accetta solo input testuale.
È l'opzione perfetta per automazioni locali che devono elaborare passaggi logici complessi e restituire dati in schemi JSON rigorosi, come la classificazione e il triage di richieste di supporto prima della revisione umana. È altrettanto valido per programmatori che prediligono la regolazione dello sforzo computazionale rispetto all'analisi di immagini. Il training è avvenuto prevalentemente su testo in lingua inglese focalizzato su materie STEM, sviluppo software e cultura generale: non deve essere confuso con un modello di visione.
OpenAI certifica la compatibilità del modello 20B con sistemi da 16 GB di memoria. Il file da 14 GB su Ollama conferma la fattibilità teorica, ma i 2 GB restanti rappresentano appena il 12.5% dell'intera memoria prima di calcolare runtime, sistema operativo e KV cache. Una configurazione da 24 GB rimane la raccomandazione più solida per impieghi prolungati che vadano oltre brevi prompt mirati.
Ideale per: Ragionamento logico su testo, chiamate a tool esterni, output strutturato e workflow ad agenti.
Caratteristica distintiva: 3.6 miliardi di parametri attivi, sforzo di ragionamento regolabile e soglia minima ufficiale di 16 GB.
Prezzo: Pesi distribuiti sotto licenza Apache 2.0; nessun abbonamento previsto per l'esecuzione in locale.
Prova gratuita: Non applicabile per pesi scaricabili.
- Supporto nativo avanzato per flussi di lavoro imperniati su logica e uso di funzioni esterne.
- La licenza Apache 2.0 facilita l'integrazione in contesti aziendali e commerciali.
- Structured Outputs e reasoning effort configurabile semplificano lo sviluppo di applicazioni.
- Il file da 14 GB è significativamente più gestibile rispetto ai 24 GB di Qwen3.6.
- Opera esclusivamente su testo, non potendo fungere da assistente per immagini o grafica.
- Il requisito minimo di 16 GB lascia pochissimo margine per le attività di sistema.
- Dialoghi lunghi che sfruttano i 128K di contesto richiedono molta più RAM rispetto al solo peso del file base.
5. Phi-4-mini-instruct: il miglior LLM compatto per CPU e VRAM da 4 GB
Phi-4-mini-instruct è la soluzione compatta d'eccellenza per postazioni con risorse hardware limitate. La model card rilasciata da Microsoft specifica 3.8 miliardi di parametri, un tetto di contesto di 128K token, elaborazione solo testo, supporto per 24 lingue e licenza MIT. La build Q4_K_M su Ollama richiede appena 2.5 GB, trovando spazio agevolmente su schede video da 4 GB o su sistemi con sola CPU dotati di almeno 8 GB di RAM.
Il suo punto di forza risiede nelle utility locali mirate: riformulare una risposta di supporto clienti, estrarre campi chiave da documenti brevi, categorizzare appunti o generare veloci script Python senza condividere dati con API cloud. Microsoft lo posiziona espressamente per scenari con vincoli stringenti di memoria, potenza di calcolo o latenza, oltre che per piccoli problemi logico-matematici. Sono questi i motivi per cui sceglierlo, senza la pretesa che possa competere con modelli da 24 GB su compiti ampi ed eterogenei.
Il limite principale è esplicitato chiaramente: il cutoff dei dati di addestramento è fermo a giugno 2024 e Microsoft segnala che un modello di questa taglia non può memorizzare una quantità massiccia di nozioni fattuali, potendo quindi incorrere in allucinazioni storiche o di cronaca. La documentazione consiglia espressamente tecniche di retrieval-augmented generation (RAG) o ricerca web per colmare questa lacuna. In sintesi: forniscigli direttamente i testi da elaborare anziché interrogarlo sulla sua memoria enciclopedica.
Ideale per: Esecuzione efficiente su sola CPU, PC non recenti, elaborazioni testuali rapide e GPU con soli 4 GB.
Caratteristica distintiva: Pacchetto compatto da 2.5 GB in formato Q4_K_M con licenza MIT.
Prezzo: Pesi scaricabili con licenza MIT; l'unico costo è la macchina su cui viene ospitato.
Prova gratuita: Non applicabile per pesi scaricabili.
- Il pacchetto più leggero e accessibile tra i modelli principali raccomandati.
- Licenza MIT estremamente permissiva per qualsiasi scopo.
- Ottimizzato in modo specifico per contesti a bassa latenza e memoria ridotta.
- Il supporto alle function call tramite tool è documentato nativamente.
- Elabora solo input testuale.
- Conoscenza ferma a giugno 2024.
- Microsoft avverte che la ridotta capienza fattuale interna può generare errori sui fatti.
- Le conversazioni molto lunghe tendono a perdere coerenza nonostante il supporto teorico ai 128K di contesto.
6. Qwen3-Coder-Next: il miglior LLM locale per la programmazione per macchine da 64 GB o più
Qwen3-Coder-Next è il modello specialistico per la programmazione locale destinato a stazioni di lavoro con almeno 64 GB di memoria. Progettato dal team di Qwen per fungere da coding agent e supportare lo sviluppo software locale avanzato, integra 80 miliardi di parametri totali, 3 miliardi di parametri attivi, capacità di ragionamento a lungo raggio, uso di tool complessi, autorisoluzione degli errori di compilazione ed esecuzione e un contesto nativo di 262,144 token. La build Q4_K_M su Ollama si attesta a 52 GB.
È lo strumento concepito per sviluppatori senior che desiderano un agente locale in grado di esplorare interi repository, invocare strumenti di sistema, modificare file e correggere autonomamente comandi falliti. Non è pensato per conversazioni generiche, compiti visivi o portatili standard da 32 GB. La documentazione ufficiale avverte che il modello opera esclusivamente in "non-thinking mode", evitando l'output visibile dei blocchi di ragionamento intermedi.
Anche in questo caso, i 3 miliardi di parametri attivi possono trarre in inganno. Il file su Ollama richiede 52 GB perché l'intero insieme degli 80 miliardi di parametri deve comunque essere mappato all'interno del pacchetto. Caricare 52 GB su una macchina da 64 GB lascia circa 12 GB (il 18.75%) per sistema e cache: 64 GB rappresentano la base minima assoluta, mentre quantità superiori sono fortemente raccomandate per gestire contesti su scala di progetto.
La documentazione raccomanda di ridurre il contesto a 32,768 token in caso di errore di out-of-memory. Questa è la prima contromisura da attuare su sistemi da 64 GB: un contesto mirato che garantisce risposte stabili è preferibile rispetto a forzare il limite estremo dei 262,144 token mandando in crisi l'hardware.
Ideale per: Agenti software autonomi, analisi di codebase complete e programmazione assistita su configurazioni da 64 GB o superiori.
Caratteristica distintiva: 80 miliardi di parametri complessivi, 3 miliardi attivi, file Q4_K_M da 52 GB e architettura specializzata per il codice.
Prezzo: Pesi aperti con licenza Apache License 2.0 associati al pacchetto Ollama; l'hardware dedicato è a carico dell'utente.
Prova gratuita: Non applicabile per pesi scaricabili.
- Sviluppato specificamente per agenti di programmazione e flussi di sviluppo software.
- Gestione di tool e recupero dagli errori integrati nella progettazione nativa.
- Finestra di contesto nativa imponente per stazioni di lavoro con ampia memoria.
- Pacchetto verificato e avviabile direttamente tramite tag Ollama.
- La mole del file da 52 GB esclude la quasi totalità dei computer portatili commerciali.
- L'estrema specializzazione nel codice lo rende sconsigliabile come assistente universale.
- Funziona unicamente in non-thinking mode.
- L'uso dell'intero contesto teorico può causare crash di memoria esaurita sulla configurazione minima.
Ollama vs LM Studio vs llama.cpp: quale runner scegliere?
Se il modello determina le prestazioni massime teoriche, è il runner a stabilire quanto sia agevole passare dal download all'utilizzo di un endpoint locale operativo. Ollama è la scelta orientata all'automazione, LM Studio è ideale per chi predilige un'interfaccia grafica intuitiva e llama.cpp offre il massimo controllo granulare. Tutte e tre le soluzioni possono tranquillamente coesistere sulla medesima workstation.
Ollama: la via più rapida per integrare riga di comando e API
Ollama è l'opzione migliore quando l'obiettivo è trasformare un modello locale in un comando da terminale, in uno script o in un endpoint compatibile con API esterne. Il suo piano Free comprende l'esecuzione illimitata dei modelli sul proprio hardware, utility da riga di comando, API locali e applicativi desktop. I modelli ospitati localmente non hanno restrizioni d'uso, elemento cardine per chi opera in totale autonomia.
I piani a pagamento di Ollama aggiungono capacità di elaborazione su infrastruttura cloud, senza applicare tariffe per i modelli eseguiti in locale. Costi e limitazioni sono stati verificati il 5 agosto 2026.
I limiti per singola sessione cloud si azzerano ogni 5 ore, mentre i tetti settimanali si resettano ogni 7 giorni. Questi vincoli non riguardano in alcun modo i modelli eseguiti sul proprio hardware. Per il modello al primo posto della guida, la configurazione completa richiede un unico comando dopo l'installazione: ollama run qwen3.6:35b-a3b.
Ideale per: Sviluppatori che cercano una riga di comando pulita, API locali pronte all'uso, app desktop e tag di versione affidabili.
Caratteristica distintiva: Utilizzo locale al 100% gratuito e illimitato, con livelli cloud opzionali.
Prezzo: Free $0; Pro $20 al mese o $200 all'anno; Max $100 al mese (nuove registrazioni momentaneamente bloccate); Team $25 per utente/mese con soglia minima di 5 postazioni; Enterprise personalizzato.
Prova gratuita: Il piano Free è a tempo indeterminato, non un periodo di prova limitato.
LM Studio: la migliore esperienza visiva con interfaccia grafica
LM Studio è l'ambiente ideale per chi preferisce esplorare, scaricare, caricare ed eseguire modelli locali tramite un'interfaccia visiva completa. La guida interna accompagna l'utente attraverso la schermata Discover per trovare i modelli, il selettore di caricamento e la scheda Chat dedicata al dialogo. Il piano Free permette di eseguire LLM locali e trascrizioni audio direttamente sul computer; la documentazione specifica che nessun dato abbandona il dispositivo durante l'inferenza locale.
LM Studio integra anche l'accesso a modelli remoti via cloud; è opportuno quindi distinguere l'uso locale da quello a consumo. I prezzi sono stati verificati il 5 agosto 2026:
- Free, $0: LLM in locale, Bionic Agent, motori di esecuzione llama.cpp e MLX, trascrizione vocale offline, motore di ricerca web senza conservazione dei dati per utenti autenticati e LM Link fino a un massimo di 5 dispositivi.
- Pay as you go: crediti cloud tariffati per 1 milione di token. DeepSeek V4 Flash ha un costo di $0.13 per input, $0.028 per input memorizzato in cache e $0.26 per output. DeepSeek V4 Pro costa $1.74 per input, $0.15 per input in cache e $3.48 per output.
- Pay as you go (continua): GLM-5.2 costa $1.50 per input, $0.30 per input in cache e $4.50 per output. Kimi K2.6 prevede $0.95 per input, $0.16 per input in cache e $4.00 per output. Kimi-K2.7-Code richiede le medesime tariffe: $0.95 input, $0.16 cached input e $4.00 output. Kimi K3 costa $3.00 per input, $0.30 per input in cache e $15.00 per output.
- Bionic Pass: dettagli sul piano e prezzi ufficiali in arrivo.
Per chi desidera confrontare e provare vari modelli su un singolo computer, l'interfaccia grafica gratuita di LM Studio è imbattibile per semplicità d'uso. Per progetti che richiedono microservizi controllati da script o integrati in pipeline di deployment, Ollama o llama.cpp offrono un'operatività più lineare.
Ideale per: Ricerca visiva dei modelli, caricamento intuitivo e sessioni di chat guidate da interfaccia grafica.
Caratteristica distintiva: Esperienza desktop completa a costo $0 basata sui motori llama.cpp e MLX.
Prezzo: Free $0; le chiamate ai modelli cloud avvengono a consumo con le tariffe sopra indicate; il piano Bionic Pass non ha ancora un prezzo formalizzato.
Prova gratuita: Il livello Free non ha limitazioni temporali.
llama.cpp: la soluzione d'elezione per il controllo hardware e l'inferenza ibrida
llama.cpp costituisce la scelta imprescindibile quando si desidera gestire minuziosamente flag di compilazione, allocazione dei layer di calcolo e risorse hardware della macchina. Il progetto, rilasciato con licenza MIT, garantisce supporto per chip Apple Silicon tramite Metal, GPU NVIDIA via CUDA, schede AMD attraverso HIP e modalità ibride CPU+GPU per eseguire modelli che superano la capienza della sola VRAM. Include un tool CLI, un server HTTP dedicato e un'interfaccia web integrata.
Il contesto tipico è una workstation avanzata in cui parte del modello risiede sulla GPU e i restanti layer vengono scaricati sulla memoria RAM di sistema, oppure dove serve compilare per un'architettura specifica. Il comando llama serve attiva istantaneamente il server locale. Tale flessibilità richiede però maggiori competenze di configurazione, dalla scelta manuale del file GGUF alla gestione precisa dei parametri di esecuzione.
llama.cpp non presenta tabelle di prezzi commerciali: è un progetto open source sotto licenza MIT pura. L'investimento necessario risiede unicamente nell'hardware impiegato e nel tempo di configurazione dedicato dallo sviluppatore.
Ideale per: Workstation personalizzate, carichi ibridi distribuiti tra CPU e GPU e controllo capillare dell'ambiente di calcolo.
Caratteristica distintiva: Supporto per un'ampia varietà di backend hardware e server locale nativo senza alcun piano a pagamento.
Prezzo: Progetto open source con licenza MIT; nessun costo commerciale previsto.
Prova gratuita: Non applicabile.
- Ollama offre il percorso più immediato per esporre comandi di sistema e API riproducibili.
- LM Studio fornisce la configurazione grafica più accogliente e immediata.
- llama.cpp garantisce il controllo più profondo sui layer hardware e sui motori di calcolo.
- La presenza dei piani cloud di Ollama può distogliere dal fatto che l'utilizzo locale è interamente illimitato.
- L'interfaccia grafica di LM Studio si presta meno all'orchestrazione automatizzata da riga di comando.
- llama.cpp richiede maggiore autonomia decisionale nella selezione dei formati dei modelli e dei parametri di avvio.
Criteri di selezione dei migliori modelli LLM in locale
La data limite considerata per l'analisi e i dati di questa guida è il 5 agosto 2026. Per figurare nella selezione, ciascun modello doveva possedere documentazione ufficiale aggiornata, pesi aperti scaricabili, utilità pratica per professionisti o sviluppatori e un pacchetto verificabile sulle pagine ufficiali dei relativi runner.
La valutazione si è basata su sei parametri precisi:
- Requisiti reali con quantizzazione a 4-bit: il pacchetto del modello doveva rientrare comodamente in una specifica fascia di memoria lasciando un margine operativo adeguato.
- Utilità e compiti specifici: ogni soluzione doveva avere una ragion d'essere chiara (funzionalità multimodali, tool di ragionamento, requisiti ultra-ridotti o orientamento agli agenti di codice).
- Appartenenza a famiglie aggiornate: i modelli di generazioni precedenti sono stati esclusi a favore dei successori già rilasciati e stabili.
- Specifiche e limiti ufficiali: finestre di contesto, modalità supportate, vincoli di licenza e limitazioni note sono stati ricavati direttamente dalle schede dei produttori o dai repository di progetto.
- Supporto operativo nei runner: disponibilità immediata di un artefatto Ollama o compatibilità accertata nei software di esecuzione moderni.
- Esclusioni trasparenti: modelli da datacenter non sono stati inseriti tra i consigli consumer per il solo fatto di presentare un basso numero di parametri attivi per token.
Nessun punteggio sintetico di benchmark inter-vendor è stato impiegato come criterio di ordinamento globale, poiché i diversi laboratori non condividono un protocollo di test uniforme. La classificazione poggia sull'idoneità all'implementazione e sui carichi di lavoro concreti, ovvero gli aspetti che chi scarica un LLM locale può testare direttamente sulla propria macchina.
Questo approccio motiva anche la scelta di limitare la rassegna a sei soluzioni mirate anziché allungare l'elenco con alternative ridondanti. Famiglie recenti come Qwen3.6 e Gemma 4 rendono superati molti modelli del passato, mentre la suddivisione per scaglioni di RAM evita doppioni superflui nella stessa categoria.
Quali modelli evitare sull'hardware consumer ordinario
Evitare non significa che un modello sia scarso: significa che non rappresenta una risposta sensata per chi cerca modelli da eseguire sul proprio computer desktop o portatile.
Mistral Small 4 è un modello potente e moderno dotato di input per testo e immagini, ragionamento configurabile, contesto fino a 256K token e licenza Apache 2.0. Integra tuttavia 119 miliardi di parametri complessivi con 6 miliardi attivi per singolo token. Tale massa complessiva di pesi lo rende ideale per server dedicati o workstation di fascia alta, non per un comune computer portatile.
Llama 4 Scout possiede 109 miliardi di parametri totali e 17 miliardi attivi. Meta indica che la versione quantizzata Int4 è progettata per occupare una GPU NVIDIA H100. Llama 4 Maverick sale a 400 miliardi di parametri totali con 17 miliardi attivi, con Meta che delinea installazioni su nodi di calcolo dotati di GPU H100. Dati tecnici preziosi, ma estranei alla realtà dell'hardware consumer ordinario.
DeepSeek-V4-Flash può sembrare compatto dal nome, ma include 284 miliardi di parametri totali con 13 miliardi attivi. DeepSeek-V4-Pro raggiunge addirittura 1.6 trilioni di parametri complessivi con 49 miliardi attivi. Entrambi supportano finestre di contesto da 1 milione di token sulle piattaforme gestite di DeepSeek: un vantaggio per le soluzioni cloud, non un segnale di fattibilità per l'hardware da scrivania.
Nel 2026 non ha più molto senso inaugurare un nuovo progetto partendo da modelli storici come Llama 3.1 8B, Mistral 7B, Phi-3.5 Mini, Gemma 2 9B o Qwen2.5 7B solo perché menzionati in vecchie guide. Possono ancora assolvere egregiamente il loro compito in installazioni preesistenti, ma per nuove configurazioni sono le generazioni Qwen3.5, Qwen3.6, Gemma 4 e Phi-4 a dover essere vagliate per prime.
Questa riflessione incide direttamente sui costi di transizione: un'infrastruttura già attiva e affidabile non va modificata per semplice moda, mentre un nuovo applicativo dovrebbe nascere direttamente attorno alle famiglie più recenti, a parità di memoria allocabile e requisiti di licenza.
Guida alla scelta finale
Con una disponibilità di 4 GB di VRAM dedicata, impiega Phi-4-mini-instruct per operazioni testuali circoscritte, avendo cura di fornirgli i documenti di riferimento per argomenti che richiedono precisione fattuale. Con 8 GB di VRAM dedicata, orientati su Qwen3.5-9B mantenendo una finestra di contesto moderata per ottenere il miglior mix compatto tra testo, visione e codice.
Con 16 GB di memoria, scegli Gemma 4 12B qualora l'analisi di immagini, tracce audio o video sia prioritaria. Preferisci invece gpt-oss-20b se le tue esigenze vertono su ragionamento analitico, chiamate a tool ed emissione di formati strutturati, optando idealmente per 24 GB di memoria di sistema se la macchina ospita contemporaneamente altri ambienti di programmazione.
A quota 32 GB, la raccomandazione primaria è Qwen3.6-35B-A3B. Rappresenta la soluzione più equilibrata e completa di questo confronto, poiché la sua build da 24 GB preserva un margine nominale adeguato a sostenere la cache di contesto e contemporaneamente compiti complessi di visione e agentic coding.
Con 64 GB o più, seleziona Qwen3-Coder-Next unicamente se lo sviluppo basato su agenti costituisce l'attività principale. La mole del pacchetto da 52 GB e la sua verticalizzazione sul codice risultano sproporzionate per una chat convenzionale, ma perfette per interagire in locale su repository estesi.
Per uno sguardo panoramico sui modelli a pesi aperti non vincolati ai confini dell'hardware consumer, consulta il nostro confronto sui migliori LLM open source. Se hai individuato il modello ideale ma desideri alternative a Ollama, approfondisci le migliori alternative a Ollama attualmente disponibili.
La scelta del runner segue criteri lineari: Ollama per automatizzare script e API riproducibili, LM Studio per la comodità dell'interfaccia grafica, llama.cpp per la gestione chirurgica dei componenti hardware. Il miglior LLM locale rimane sempre quello che risiede stabilmente nella memoria della tua macchina, supporta il tuo carico di lavoro reale e lascia spazio sufficiente a portare a termine ogni generazione.
Domande frequenti
Qual è il miglior LLM locale per la programmazione nel 2026?
Qwen3-Coder-Next è la scelta specialistica per computer dotati di 64 GB o più di memoria: l'attuale artefatto Q4_K_M pesa 52 GB ed è ottimizzato nativamente per agenti autonomi di sviluppo. Per macchine da 32 GB, Qwen3.6-35B-A3B è la scelta più completa e bilanciata per programmare e interagire.
Qual è il miglior LLM locale per configurazioni con 16 GB di RAM?
Gemma 4 12B rappresenta la scelta più sicura per attività multimodali, grazie al pacchetto Ollama da 7.6 GB che lascia ampio margine al sistema. Per attività di puro ragionamento, gpt-oss-20b soddisfa i requisiti minimi di OpenAI a 16 GB, ma il suo file da 14 GB lascia solo 2 GB liberi per runtime e contesto.
È preferibile usare Ollama oppure LM Studio per eseguire LLM in locale?
Ollama è ideale per operare da riga di comando (CLI), creare script automatizzati ed esporre API di sistema. LM Studio è consigliato a chi desidera un'interfaccia grafica completa con gestione visiva dei download, caricamento dei modelli e chat integrata. Entrambi offrono un percorso d'uso in locale completamente a costo $0.
Quanta RAM o VRAM serve per eseguire un LLM in locale?
Il calcolo parte dalla dimensione del file quantizzato a cui va sommato il fabbisogno per il runner, il sistema operativo e la KV cache del contesto. Le alternative analizzate vanno da modelli leggeri con file da 2.5 GB (adatti a sistemi minimi) fino a pacchetti da 52 GB che necessitano di almeno 64 GB di RAM.
I modelli LLM locali sono gratuiti?
I modelli descritti in questo confronto offrono pesi scaricabili con licenze aperte o permissive, eliminando qualsiasi costo a consumo o per singolo prompt durante l'inferenza locale. Rimangono a carico dell'utente i costi legati a hardware, consumo elettrico, spazio di archiviazione, tempo di setup ed eventuali infrastrutture cloud opzionali.
Scarica la checklist per l'audit dei flussi di lavoro AI per valutare in modo concreto quali processi aziendali conviene sviluppare in locale e quali delegare a modelli ospitati in cloud.
4 set 2026
Preferisca questo sito su Google
Segni omidsaffari.com come fonte preferita e Google lo mette in evidenza per lei in Top Stories, AI Overviews e AI Mode.
