¿Qué es Milvus y cuánto cuesta?

Milvus es una base de datos vectorial gratuita y de código abierto para almacenar y buscar embeddings vectoriales a gran escala, usada habitualmente como backend de recuperación en pipelines RAG. Es totalmente autoalojable y gratuita bajo la licencia Apache-2.0; Zilliz Cloud es un servicio de hospedaje gestionado independiente y de pago opcional, no un requisito para usar Milvus.

Inicio/LLM locales avanzados/Reseña de Milvus: La Base de Datos Vectorial de Código Abierto para RAG Local

RAG & Document Chat

Reseña de Milvus: La Base de Datos Vectorial de Código Abierto para RAG Local

Última actualización: 2 de noviembre de 2026·12 min de lectura·Por Hans Kuepper · Fundador de PromptQuorum · Motor de descubrimiento de IA de pesos abiertos y código abierto

Milvus es una base de datos vectorial gratuita y de código abierto (Apache-2.0) para almacenar y buscar embeddings, usada como capa de recuperación en RAG. Se autoaloja como Milvus Lite, Standalone o clúster Kubernetes. Milvus 3.0 (julio de 2026) añadió búsqueda lake-native; Zilliz Cloud es de pago y opcional.

Conclusiones clave

Milvus es gratuita y de código abierto bajo Apache-2.0, gobernada por la LF AI & Data Foundation, con Zilliz como principal contribuidor corporativo
Tres modos de despliegue autoalojados: Milvus Lite (embebido, pip install pymilvus, para prototipos), Standalone (Docker, una sola máquina) y Distributed (Kubernetes/Helm, para producción a escala de clúster)
Admite búsqueda híbrida — combina similitud de vectores densos, búsqueda dispersa/de texto completo (BM25) y filtrado por metadatos en una sola consulta
Admite indexación acelerada por GPU y múltiples tipos de índice (HNSW, IVF, FLAT, DiskANN y otros)
Soporte de multiinquilino (bases de datos, colecciones, particiones y control de acceso basado en roles) para aislar cargas de trabajo en infraestructura compartida
Se integra directamente con frameworks RAG/de orquestación —LangChain, LlamaIndex— y con modelos de embeddings de OpenAI, Hugging Face y fuentes locales/autoalojadas
El repositorio de GitHub muestra alrededor de 46.500 estrellas
Zilliz Cloud es un servicio de hospedaje gestionado independiente y opcional de Zilliz, no necesario para ejecutar Milvus por tu cuenta

📍 En una frase

Milvus es una base de datos vectorial gratuita, de código abierto y autoalojable —desde un simple pip install hasta un clúster de Kubernetes— creada para la búsqueda de similitud a gran escala que impulsa los pipelines RAG y la búsqueda semántica.

💬 En términos simples

Cuando construyes un sistema RAG local, primero conviertes tus documentos en embeddings (listas de números) con un modelo de embeddings, y luego necesitas un lugar donde guardar esos embeddings y encontrar rápidamente las coincidencias más cercanas a una nueva pregunta. Milvus es esa capa de almacenamiento y búsqueda. Puedes ejecutarla como un único archivo en tu portátil para pruebas, como un contenedor Docker para una pequeña app en producción, o como un clúster completo para miles de millones de vectores, todo gratis y autoalojado, sin necesidad de cuenta.

📌Nota: Esta reseña es el complemento en profundidad de la entrada de Milvus en el Directorio de Software LLM Local — consulta esa página para ver de un vistazo cómo se compara Milvus con docenas de otras herramientas de IA local, incluidas otras bases de datos vectoriales.

Leer en:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

Milvus (milvus.io, código fuente en github.com/milvus-io/milvus) es una base de datos vectorial gratuita, de código abierto y nativa de la nube, creada específicamente para almacenar y buscar los embeddings que impulsan la generación aumentada por recuperación (RAG), la búsqueda semántica y los sistemas de recomendación. Es totalmente autoalojable, desde un simple pip install para prototipos locales hasta un despliegue distribuido en Kubernetes para miles de millones de vectores, y está gobernada por la LF AI & Data Foundation, con Zilliz como su principal contribuidor corporativo. Esta reseña cubre qué hace realmente Milvus, de dónde viene, cómo instalarla, cuánto cuesta y cómo encaja junto a otras bases de datos vectoriales de código abierto en un stack de LLM local.

¿Qué Es Milvus?

Milvus es una base de datos vectorial de código abierto y nativa de la nube, diseñada para almacenar, indexar y buscar colecciones masivas de embeddings vectoriales de alta dimensión. Su propia descripción en GitHub la llama "una base de datos vectorial nativa de la nube y de alto rendimiento, creada para búsquedas ANN [vecino más cercano aproximado] de vectores escalables". En un contexto de LLM local o RAG, Milvus no es en sí un motor de inferencia de LLM; es la infraestructura de recuperación que se sitúa detrás de uno: un modelo de embeddings convierte tu texto (o imágenes, audio, etc.) en vectores, Milvus los almacena e indexa, y en el momento de la consulta Milvus encuentra los vectores más similares a una nueva consulta para que un LLM pueda generar una respuesta basada en el contenido recuperado.

Función principal: almacenar, indexar y buscar grandes colecciones de embeddings vectoriales con algoritmos de vecino más cercano aproximado (ANN), a escalas desde miles hasta decenas de miles de millones de vectores
Escrita en Go y C++, según el repositorio de GitHub, y diseñada como un sistema distribuido y nativo de la nube desde cero
Modelos de despliegue: una librería embebida (Milvus Lite), un servidor de una sola máquina (Standalone) y un clúster distribuido (Kubernetes/Helm)
Tipos de índice: HNSW, IVF, FLAT, DiskANN e índices acelerados por GPU (como CAGRA), seleccionables por colección según tus compromisos de velocidad/precisión/memoria
Gobernanza: forma parte de la LF AI & Data Foundation, el mismo paraguas de la Linux Foundation que alberga otros proyectos de infraestructura de datos/IA de código abierto
Principal contribuidor corporativo: Zilliz, fundada en 2017, que también ofrece el servicio gestionado independiente Zilliz Cloud
Repositorio canónico: github.com/milvus-io/milvus

Historia del Proyecto Milvus e Hitos de Versión

Milvus fue creada y liberada como código abierto por Zilliz en 2019. Se unió a la LF AI & Data Foundation como proyecto de incubación en enero de 2020 y se graduó formalmente de la incubación en junio de 2021, un hito que la fundación reserva para proyectos que cumplen criterios definidos de madurez, adopción y gobernanza. El proyecto pasó por una reconstrucción arquitectónica completa entre su línea original 1.x y Milvus 2.0, lanzada en enero de 2022, adoptando la arquitectura distribuida, nativa de la nube y con separación de almacenamiento y cómputo que el proyecto sigue usando hoy.

1
2019: Lanzamiento inicial de código abierto
Why it matters: Zilliz liberó el Milvus original como código abierto, estableciendo la primera arquitectura del proyecto.
2
Enero de 2020: Se une a la LF AI & Data Foundation como proyecto de incubación
Why it matters: Trasladó Milvus a una gobernanza de código abierto neutral e independiente de proveedores, en lugar de seguir siendo un proyecto de una sola empresa.
3
Junio de 2021: Se gradúa de la incubación de la LF AI & Data Foundation
Why it matters: Señaló que el proyecto cumplía el listón de la fundación en madurez, tamaño de comunidad y gobernanza: el nivel más alto de estatus de proyecto en LF AI & Data.
4
Enero de 2022: Lanzamiento de Milvus 2.0
Why it matters: Una reconstrucción arquitectónica completa que introdujo un diseño distribuido y nativo de la nube con almacenamiento y cómputo separados, la base de la arquitectura que aún se usa hoy en la línea 2.x.
5
2.4.x: Se añade indexación acelerada por GPU
Why it matters: Añadió tipos de índice GPU (como CAGRA) para una construcción de índices y búsqueda sustancialmente más rápidas en hardware compatible.
6
2.5.x: Búsqueda de texto completo (BM25) y búsqueda híbrida ampliada
Why it matters: Añadió búsqueda dispersa/de texto completo nativa junto a la búsqueda de vectores densos, permitiendo que una sola consulta combine coincidencia estilo palabra clave y semántica.
7
2.6.x — en curso durante 2026: Lanzamientos continuos de rendimiento y fiabilidad
Why it matters: Las versiones puntuales recientes de la línea 2.6.x (según la [página de Releases de GitHub](https://github.com/milvus-io/milvus/releases)) se centran en la eficiencia de la planificación de consultas, correcciones de corrección en la búsqueda por GPU y endurecimiento de seguridad; la 2.6.26 se lanzó el 26 de octubre de 2026 como la versión puntual más reciente que esta reseña pudo verificar.
8
3.0 — 29 de julio de 2026: versión lake-native
Why it matters: Según la [página de releases en GitHub](https://github.com/milvus-io/milvus/releases), la 3.0 añadió External Collections para buscar directamente en archivos Parquet, Iceberg, Lance y Vortex, campos multivector StructList y cambios de esquema en línea, además de un formato Storage V3 opcional que puede impedir volver a la 2.6; lee las notas de versión antes de actualizar. La 3.0.5 se lanzó el 30 de octubre de 2026.

¿Qué Puedes Hacer Con Milvus?

El conjunto de funciones de Milvus se centra en almacenar y buscar embeddings vectoriales a gran escala, con búsqueda híbrida y multiinquilino superpuestas para uso RAG en producción. Esto es lo que hace realmente cada parte, según la propia documentación y el README de GitHub de Milvus.

Búsqueda de similitud vectorial — almacena embeddings y ejecuta consultas de vecino más cercano aproximado para encontrar los vectores más similares a un vector de consulta dado, la operación central detrás de la recuperación RAG y la búsqueda semántica
Búsqueda híbrida — combina similitud de vectores densos, búsqueda dispersa/de texto completo (BM25) y filtrado estructurado por metadatos en una sola consulta, en lugar de ejecutar búsquedas semánticas y por palabra clave por separado
Indexación acelerada por GPU — construye y busca índices respaldados por GPU (como CAGRA) en hardware compatible para un rendimiento sustancialmente más rápido a gran escala
Múltiples tipos de índice — HNSW, IVF, FLAT, DiskANN y otros, seleccionables por colección para equilibrar velocidad de búsqueda, precisión de recuperación y huella de memoria/disco
Multiinquilino — bases de datos, colecciones y particiones, además de control de acceso basado en roles (RBAC), para aislar distintas aplicaciones o equipos en infraestructura Milvus compartida
Escala de despliegue flexible — el mismo modelo de datos y la misma API funcionan desde una instancia embebida de Milvus Lite en un portátil hasta un clúster distribuido de Kubernetes que maneja decenas de miles de millones de vectores
Integraciones con frameworks y modelos de embeddings — integraciones oficiales con LangChain, LlamaIndex y modelos de embeddings de OpenAI, Hugging Face/Sentence Transformers, BGE-M3 y otros proveedores, incluidos modelos de embeddings locales/autoalojados
SDK de Python (PyMilvus) — la librería cliente principal, pip install pymilvus, usada tanto para el modo embebido Milvus Lite como para conectarse a un servidor remoto Standalone o Distributed

Ejemplos de Uso: Tres Formas de Usar Milvus

Estos son flujos de trabajo concretos basados en las funciones documentadas de Milvus anteriores, no casos de uso hipotéticos.

Crear un prototipo de pipeline RAG local con Milvus Lite

Ejecuta pip install -U pymilvus (Milvus Lite viene incluido con el SDK de PyMilvus) y define tu URI de conexión a una ruta de archivo local, como ./milvus.db. Milvus Lite guarda todo en ese único archivo, sin necesidad de servidor ni Docker, lo que lo convierte en una forma rápida de probar un pipeline de generación aumentada por recuperación de principio a fin con un modelo de embeddings local antes de desplegar nada.

Ejecutar una base de datos vectorial autoalojada de una sola máquina para una pequeña app RAG

Despliega Milvus Standalone mediante Docker Compose en tu propio servidor. Apunta el cliente PyMilvus de tu aplicación a ese servidor en lugar de a un archivo local, y tendrás una base de datos vectorial persistente y autoalojada capaz de dar servicio a una pequeña app RAG en producción o a una herramienta de búsqueda interna sin depender de ningún servicio gestionado externo.

Combinar búsqueda por palabra clave y semántica en una sola consulta

Indexa tus documentos tanto con un modelo de embeddings denso como con el soporte de texto completo BM25 integrado en Milvus, y luego ejecuta una consulta de búsqueda híbrida que puntúa los resultados usando ambas señales. Esto detecta casos que una búsqueda puramente semántica puede pasar por alto, como un código de producto exacto o un acrónimo al que un modelo de embeddings denso podría no darle suficiente peso por sí solo.

Instalar Milvus

Milvus se instala gratis vía pip para uso local/embebido, vía Docker para un único servidor autoalojado, o vía Helm para un clúster de Kubernetes. No hay instalador con GUI; Milvus es infraestructura que ejecutas y a la que te conectas desde código.

Source	Link
Sitio oficial (documentación, inicio rápido)	milvus.io
Repositorio de GitHub (código fuente, Apache-2.0)	github.com/milvus-io/milvus
PyMilvus (SDK de Python + Milvus Lite)	`pip install -U pymilvus` — pypi.org/project/pymilvus
Docker Compose (Standalone)	milvus.io/docs/install_standalone-docker.md
Chart de Helm (Distributed/Kubernetes)	milvus.io/docs/install_cluster-milvusoperator.md

Verifica los comandos de instalación recomendados actuales en milvus.io antes de ejecutarlos, ya que las instrucciones de instalación y las versiones del chart de Helm pueden cambiar entre lanzamientos. Milvus Lite es la vía más rápida para probar Milvus sin un proceso de servidor separado; Standalone y Distributed son las vías autoalojadas para cualquier cosa más allá de un prototipo local.

Precios de Milvus: ¿Es Realmente Gratis Milvus?

Sí: Milvus en sí no tiene ningún nivel de pago. La base de datos, en sus tres modos de despliegue (Lite, Standalone, Distributed), es gratuita y de código abierto bajo la Licencia Apache 2.0, confirmada mediante el archivo LICENSE del repositorio de GitHub.

Sin suscripción, sin nivel de pago, sin límites de uso impuestos por el propio Milvus autoalojado
No se requiere cuenta ni registro para descargar, instalar o ejecutar Milvus
El cómputo, el almacenamiento y cualquier hospedaje en la nube que uses para ejecutar Milvus autoalojado es un coste que tú controlas y pagas por separado (tu propio servidor o VM en la nube), no una tarifa pagada a Milvus o Zilliz
Zilliz Cloud — un servicio de hospedaje gestionado y de pago para Milvus — es totalmente opcional y lo ofrece Zilliz, el principal contribuidor corporativo de Milvus, independiente del propio proyecto de código abierto

Milvus vs. Qdrant

Milvus y Qdrant son dos de las bases de datos vectoriales de código abierto más usadas, y se comparan con frecuencia porque ambas son gratuitas, autoalojables y admiten búsqueda híbrida para pipelines RAG. Las diferencias más claras están en la complejidad de la arquitectura y la escala de despliegue típica.

Lenguaje

Milvus:: Go / C++
Qdrant:: Rust

Licencia

Milvus:: Apache-2.0
Qdrant:: Apache-2.0

Modos de despliegue

Milvus:: Embebido (Lite), Standalone (Docker), Distributed (Kubernetes/Helm)
Qdrant:: Embebido, Docker de un solo nodo, modo de clúster distribuido

Indexación acelerada por GPU

Milvus:: Sí, en los tipos de índice compatibles
Qdrant:: No es un foco principal

Gobernanza

Milvus:: LF AI & Data Foundation (proyecto graduado); principal contribuidor Zilliz
Qdrant:: Proyecto de código abierto liderado por una empresa (Qdrant Solutions GmbH)

Ajuste típico

Milvus:: Cargas de trabajo en producción distribuidas y a mayor escala; más complejidad arquitectónica de operar
Qdrant:: Más sencillo de autoalojar para apps RAG de pequeña a mediana escala; huella operativa más ligera

Si tu prioridad es una escala probada de decenas de miles de millones de vectores e indexación acelerada por GPU bajo una gobernanza de fundación neutral, la arquitectura de Milvus es la más robusta y orientada a producción de las dos. Si tu prioridad es la base de datos vectorial autoalojada más sencilla posible de poner en marcha para un proyecto RAG de pequeña a mediana escala, vale la pena evaluar Qdrant directamente; consulta la reseña de Qdrant para un análisis completo. Ambas son gratuitas y de código abierto; verifica los detalles de funciones actuales en el sitio de cada proyecto antes de decidir, ya que ambas publican actualizaciones con frecuencia.

Comparar en el directorio

¿Quién Debería Usar Milvus?

Que Milvus te encaje depende de la escala de tu carga de trabajo de recuperación y de si quieres una vía desde el prototipo local hasta la producción distribuida sin cambiar de base de datos.

Usa Milvus si

Estás construyendo un pipeline RAG o una función de búsqueda semántica y quieres una única base de datos vectorial que escale desde un prototipo en portátil (Milvus Lite) hasta un clúster de producción distribuido (Kubernetes/Helm) sin reescribir nada
Necesitas búsqueda híbrida —combinando similitud de vectores densos, búsqueda de texto completo/BM25 y filtrado por metadatos— en una sola consulta
Necesitas indexación acelerada por GPU para colecciones de vectores muy grandes
Quieres que la capa de recuperación esté gobernada por una fundación neutral e independiente de proveedores (LF AI & Data) en lugar de seguir siendo el producto cerrado de una sola empresa
Quieres tener la opción de una vía de hospedaje gestionado opcional (Zilliz Cloud) más adelante, sin quedar atado a ella desde el primer día

Espera, o busca otra opción, si

Quieres la configuración autoalojada más sencilla posible para un proyecto pequeño; una base de datos más ligera como Qdrant o Chroma puede implicar menos sobrecarga operativa para uso de pequeña a mediana escala
Necesitas una GUI de chat integrada o una aplicación para el usuario final; Milvus es infraestructura con interfaces cli/library, no una app independiente que abres y usas con clics; combínala con un framework RAG o una app de chat para una experiencia de cara al usuario final
No planeas escalar más allá de un conjunto de datos pequeño y no necesitas indexación por GPU ni multiinquilino; la superficie operativa que ofrece Milvus a escala puede ser más de lo que necesitas
Necesitas soporte empresarial oficial con un SLA sobre el propio proyecto de código abierto; ese nivel de soporte se ofrece a través del servicio de pago independiente Zilliz Cloud, no directamente a través del proyecto de código abierto Milvus

Milvus vs. Otras Bases de Datos Vectoriales

Milvus es una de varias bases de datos vectoriales de código abierto usadas habitualmente en stacks RAG locales y autoalojados. Consulta el Directorio de Software LLM Local para ver el catálogo completo, y la comparación dedicada Milvus vs. Qdrant más arriba para el enfrentamiento directo más cercano.

Qdrant — una base de datos vectorial de código abierto basada en Rust con una huella operativa más sencilla, popular para RAG autoalojado de pequeña a mediana escala; consulta la sección de comparación dedicada más arriba y la reseña de Qdrant.
Chroma — una base de datos de embeddings de código abierto ligera y fácil de usar para desarrolladores, usada a menudo para prototipos RAG locales rápidos; consulta la reseña de Chroma.
txtai — una librería embebida y nativa de Python para búsqueda vectorial/semántica que se ejecuta dentro del proceso en lugar de como un servidor separado, una alternativa más ligera para proyectos locales más pequeños; consulta la reseña de txtai.

Comparar en el directorio

Errores Comunes al Evaluar Milvus

La mayor parte de la confusión sobre Milvus viene de confundirla con Zilliz Cloud, subestimar su complejidad operativa a escala, o esperar que haga más que recuperación.

Error 1: Asumir que Milvus requiere Zilliz Cloud o una cuenta de pago

Milvus es totalmente autoalojable y gratuita bajo Apache-2.0. Zilliz Cloud es un producto de hospedaje gestionado independiente y opcional de Zilliz; ejecutar Milvus autoalojado (Lite, Standalone o Distributed) no requiere ninguna cuenta con Zilliz.

Error 2: Esperar que Milvus genere embeddings o ejecute inferencia de LLM por sí misma

Milvus almacena y busca vectores; no convierte texto en embeddings ni genera respuestas por su cuenta. La combinas con un modelo de embeddings independiente (local o en la nube) y, normalmente, con un LLM para construir un pipeline RAG completo.

Error 3: Desplegar el modo Distributed/Kubernetes para un proyecto pequeño

Milvus Lite o Standalone cubren la gran mayoría de los casos de uso de desarrollo local y producción de pequeña a mediana escala con mucha menos sobrecarga operativa. El despliegue Distributed/Kubernetes está pensado para producción a gran escala y añade una complejidad operativa real que la mayoría de los proyectos RAG pequeños no necesitan.

Error 4: Asumir que Milvus es un producto cerrado de una sola empresa

Milvus está gobernada por la LF AI & Data Foundation y se graduó de su programa de incubación en junio de 2021, un estatus de gobernanza neutral respecto a proveedores, aunque Zilliz sigue siendo su principal contribuidor corporativo y vende por separado una oferta en la nube gestionada construida sobre ella.

Preguntas frecuentes

¿Qué es Milvus?

Milvus (milvus.io, código fuente en github.com/milvus-io/milvus) es una base de datos vectorial gratuita, de código abierto y nativa de la nube para almacenar y buscar embeddings vectoriales a gran escala, usada habitualmente como capa de recuperación en pipelines RAG.

¿Es gratis Milvus?

Sí. Milvus es gratuita y de código abierto bajo la Licencia Apache 2.0 en sus tres modos de despliegue (Lite, Standalone, Distributed). Zilliz Cloud, un servicio de hospedaje gestionado independiente, es opcional y no se requiere para usar Milvus.

¿Es de código abierto Milvus? ¿Qué licencia usa?

Sí. Milvus está licenciada bajo Apache-2.0, según el archivo LICENSE en su repositorio de GitHub, y está gobernada por la LF AI & Data Foundation.

¿Cómo instalo Milvus?

Ejecuta pip install -U pymilvus para Milvus Lite (embebido, uso local basado en archivos), despliega Milvus Standalone mediante Docker Compose para un único servidor autoalojado, o usa el chart de Helm / Milvus Operator para un despliegue distribuido en Kubernetes. Consulta la sección Instalar Milvus más arriba.

¿Qué es Milvus Lite?

Milvus Lite es una versión embebida de Milvus incluida con el SDK de Python PyMilvus; instálala con pip install -U pymilvus, apunta la URI de conexión a un archivo local (como ./milvus.db), y se ejecuta enteramente dentro del proceso sin servidor separado, ideal para prototipos locales.

¿Admite Milvus RAG con modelos de embeddings locales?

Sí. Milvus se integra con LangChain y LlamaIndex, y su SDK de Python admite modelos de embeddings de Sentence Transformers, BGE-M3 y otras fuentes, incluidos modelos ejecutados localmente, no solo proveedores en la nube como OpenAI.

¿Es Milvus lo mismo que Zilliz Cloud?

No. Milvus es el propio proyecto de base de datos de código abierto, gobernado por la LF AI & Data Foundation. Zilliz Cloud es un servicio de hospedaje gestionado independiente y de pago ofrecido por Zilliz, el principal contribuidor corporativo de Milvus.

¿Admite Milvus aceleración por GPU?

Sí. Milvus admite tipos de índice acelerados por GPU (como CAGRA) en hardware compatible para una construcción de índices y búsqueda más rápidas a gran escala, introducidos en la línea de lanzamientos 2.4.x.

¿Admite Milvus la búsqueda híbrida?

Sí. Milvus admite combinar similitud de vectores densos, búsqueda dispersa/de texto completo (BM25) y filtrado por metadatos en una sola consulta; la búsqueda de texto completo se añadió en la línea de lanzamientos 2.5.x.

¿Cómo se compara Milvus con Qdrant?

Ambas son bases de datos vectoriales gratuitas, de código abierto y autoalojables que admiten búsqueda híbrida. Milvus ofrece indexación acelerada por GPU y una arquitectura más distribuida y a escala de producción bajo la gobernanza de la LF AI & Data Foundation; Qdrant, escrita en Rust, suele ser más sencilla de autoalojar para proyectos de pequeña a mediana escala. Consulta la sección dedicada Milvus vs. Qdrant más arriba.

¿Quién gobierna el proyecto Milvus?

Milvus forma parte de la LF AI & Data Foundation (un proyecto paraguas de la Linux Foundation), de cuya incubación se graduó en junio de 2021. Zilliz, la empresa que liberó originalmente Milvus como código abierto en 2019, sigue siendo su principal contribuidor corporativo.

Fuentes

← Volver a LLM locales avanzados