Ejecutar LLMs Locales en un Portátil: RAM, Velocidad y Temperatura 2026

Puedes ejecutar un LLM local en cualquier portátil con 8 GB de RAM — un modelo 7B en Q4_K_M funciona a 10–25 tok/s en CPU y 30–80 tok/s en Apple Silicon. Combina tu hardware con el modelo adecuado a continuación:

Un LLM local puede ejecutarse en un portátil usando modelos cuantizados, reduciendo el uso de memoria hasta un 75% mientras se mantiene una calidad de salida utilizable.

Ejecutar un LLM localmente es como instalar ChatGPT en tu portátil — pero más lento y completamente privado.

Sí -- con el tamaño de modelo correcto. Un portátil con 8 GB de RAM ejecutando un modelo 7B con cuantización Q4_K_M produce 10–25 tokens/seg en CPU y 50–80 tokens/seg en Apple Silicon. Esto es lento comparado con APIs en la nube, pero suficientemente rápido para uso interactivo.

El techo práctico en la mayoría de portátiles de 8 GB es un modelo 7B. Un modelo 13B en Q4_K_M requiere aproximadamente 9 GB de RAM -- técnicamente posible en máquinas de 16 GB, pero deja poco margen para el sistema operativo y otras aplicaciones.

Para conocer benchmarks de velocidad detallados por nivel de hardware (solo CPU hasta 16 GB de VRAM), consulta **LLMs locales más rápidos para PCs de gama baja** — incluye los compromisos de cuantización y comandos de Ollama para cada nivel.

Sí -- RAG funciona cómodamente en un portátil, porque la restricción determinante sigue siendo el modelo de chat, no la capa de recuperación. Un stack RAG en portátil tiene tres partes: un modelo de embeddings pequeño, un almacén de vectores local y tu modelo de chat.

El modelo de embeddings es pequeño -- normalmente unos pocos cientos de MB -- así que añade poca presión de RAM. En un portátil de 8 GB puedes ejecutar cómodamente un modelo de chat 3B más un modelo de embeddings pequeño; con 16 GB tienes margen para un modelo de chat 7B junto a la recuperación.

2 GB de RAM no es realmente utilizable para RAG. Después del SO, no hay espacio para un modelo de chat y un modelo de embeddings sin un swap intenso, lo que baja la inferencia a 1–3 tok/s. Planifica 8 GB como el mínimo práctico.

Requisitos de RAM con cuantización Q4_K_M — aproximadamente un 75% menos de RAM que la precisión fp16 completa. Siempre añade 2–4 GB de margen para el SO y el navegador:

Estos modelos se han seleccionado específicamente para las limitaciones de los portátiles -- equilibrando calidad, uso de RAM y velocidad de generación sostenida. Para una guía detallada sobre los requisitos de VRAM para diferentes modelos y configuraciones de portátil, consulta la guía de requisitos VRAM →. Instala Ollama para ejecutar cualquiera de estos con un solo comando. ¿Ejecutas sin ninguna GPU? Consulta la guía dedicada: **Mejores LLMs locales solo para CPU 2026**.

El hardware del portátil limita el tamaño del modelo, pero la ingeniería de prompts elimina el techo de calidad de salida. Un modelo 7B con prompts estructurados supera consistentemente a un modelo 13B mal promoteado. Consulta la guía de ingeniería de prompts para técnicas optimizadas para modelos más pequeños.

Los MacBook con Apple Silicon (M1 a M4) son los mejores portátiles de consumo para inferencia local de LLMs. La arquitectura de memoria unificada significa que la GPU y la CPU comparten el mismo banco de memoria -- un MacBook Pro M3 con 18 GB de memoria puede ejecutar un modelo 13B íntegramente en memoria GPU, alcanzando 50–80 tok/seg.

Los portátiles Windows con GPUs NVIDIA discretas pueden ser más rápidos si el VRAM es suficiente (8 GB o más). Una GPU NVIDIA RTX 4060 para portátil (8 GB VRAM) ejecuta un modelo 7B a 60–90 tok/seg -- comparable al Apple M3 Pro. El inconveniente es un mayor consumo de batería y generación de calor.

Los portátiles Windows con gráficos integrados Intel Iris Xe o AMD Radeon usan solo inferencia por CPU, lo que resulta en 8–20 tok/seg para modelos 7B.

Mejores modelos para gráficos integrados (Intel Iris Xe / AMD Radeon): Con 16 GB de RAM, el punto óptimo es un modelo 3B–7B en Q4_K_M. Llama 3.2 3B funciona en la parte alta del rango de 8–20 tok/seg, mientras que Mistral Small (7B) se sitúa en la parte baja pero ofrece una calidad notablemente mejor. La GPU integrada no acelera la inferencia aquí -- el trabajo lo hace la CPU -- así que prioriza un modelo que se mantenga cómodamente dentro de la RAM en lugar de buscar un tamaño mayor. Para una configuración de gama baja paso a paso, consulta LLMs locales más rápidos para PCs de gama baja.

Los portátiles ejecutan modelos 3B–13B eficazmente, pero los escritorios los superan gracias a mejor refrigeración y GPUs dedicadas. Un escritorio con RTX 4090 (24 GB VRAM) ejecuta un modelo 70B a 40–60 tok/seg; un portátil con la misma tarea requiere inferencia por CPU a 1–3 tok/seg.

Usa un portátil para la portabilidad y experimentación. Usa un escritorio para modelos grandes (13B+), cargas de trabajo sostenidas o inferencia en producción. ¿Dudas entre plataformas? Consulta la guía de compra portátil vs escritorio para LLMs locales para un análisis completo de coste y rendimiento.

El throttling térmico ocurre cuando la CPU o GPU alcanza su límite de temperatura y reduce la velocidad de reloj para enfriarse. En la inferencia local de LLMs, esto suele ocurrir después de 10–15 minutos de generación sostenida, reduciendo la velocidad un 20–40%.

El consumo de batería durante la inferencia local es significativo. La inferencia activa por CPU en un modelo 7B consume 15–25 W en una CPU de portátil típica, reduciendo la duración de la batería a 2–3 horas desde carga completa en una batería de 60 Wh.

Apple Silicon es notablemente más eficiente. Un MacBook Pro M3 ejecutando un modelo 7B consume aproximadamente 12–18 W durante la inferencia, ofreciendo 3–4 horas de generación activa desde carga completa.

Para sesiones largas, conecta a la corriente. Si necesitas inferencia local eficiente en batería, usa un modelo 3B en Q4_K_M -- consume 6–10 W y extiende la duración de la batería a 5–6 horas en la mayoría de portátiles.

La cuantización reduce la precisión del modelo para bajar los requisitos de RAM y cómputo. Para portátiles, Q4_K_M es el valor predeterminado recomendado:

Unión Europea (RGPD): Ejecutar un LLM local en un portátil significa que toda la inferencia ocurre en el dispositivo -- no sale ningún dato del equipo. Esto cumple con el artículo 25 del RGPD (protección de datos desde el diseño) y elimina la necesidad de acuerdos de tratamiento de datos. Los profesionales del sector legal, médico y financiero en la UE pueden procesar datos sensibles de clientes localmente sin la sobrecarga de cumplimiento de las APIs en la nube.

España (LOPDGDD / AEPD): La Ley Orgánica de Protección de Datos y Garantía de los Derechos Digitales (LOPDGDD) exige garantías para el tratamiento de datos personales. La inferencia local en un portátil cumple con los principios de minimización de datos y privacidad por diseño, especialmente relevante para pymes y autónomos que manejan datos de clientes.

Latinoamérica: Países como México (LFPDPPP), Argentina (Ley 25.326) y Brasil (LGPD) tienen leyes de protección de datos que imponen restricciones a la transferencia internacional de datos. Ejecutar la inferencia de LLMs localmente en un portátil elimina el riesgo de transferencia transfronteriza, siendo adecuado para empresas que manejan datos de clientes bajo estas normativas.

Estados Unidos: No existe una ley federal de datos de IA a abril de 2026, pero se aplican normas sectoriales: HIPAA para sanidad (la inferencia local evita los requisitos de BAA), FERPA para educación y leyes de privacidad estatales (CCPA en California). La inferencia local en portátil es la opción más segura para sectores regulados.