Ollama en Mac 2026: Guía completa de configuración Apple Silicon (M1–M5, GPU Metal)

Configuración rápida (3 comandos)

1. 1
   Instalar Ollama
   Why it matters: `brew install ollama` — instalación con un clic.
2. 2
   Descargar un modelo
   Why it matters: `ollama pull llama2` — descarga Llama 2 7B.
3. 3
   Comenzar a chatear
   Why it matters: `ollama run llama2` — interfaz de chat interactiva.

Verificación de GPU Metal

1. 1
   Ejecutar con salida detallada
   Why it matters: `ollama run llama3.1:8b --verbose` y busca `ggml_metal_init: found device: Apple M[X]` en la salida de la consola.
2. 2
   Comprobar la velocidad durante la inferencia
   Why it matters: Observa la tasa de generación de tokens: debería ser 20–60 tok/s según el Mac (M5 Pro: ~50 tok/s en Llama 3.1 8B). Fallback solo CPU: ~1–5 tok/s.
3. 3
   Monitorear el uso de GPU
   Why it matters: Abre el Monitor de Actividad (Aplicaciones → Utilidades) y revisa la sección GPU. Debería mostrar 80–100% de uso de GPU durante la inferencia si Metal funciona.

Gestión de modelos

1. 1
   `ollama pull <modelo>`
   Why it matters: Descargar modelo. Ejemplo: `ollama pull mistral`.
2. 2
   `ollama list`
   Why it matters: Listar todos los modelos descargados.
3. 3
   `ollama run <modelo>`
   Why it matters: Iniciar chat interactivo con el modelo.
4. 4
   `ollama rm <modelo>`
   Why it matters: Eliminar modelo para liberar espacio.

Optimización de memoria para Apple Silicon

• OLLAMA_MAX_LOADED_MODELS: Número de modelos a mantener en memoria. Por defecto: 1. Establece 2–3 para configuraciones con múltiples modelos.
• Capas GPU: Por defecto, Ollama usa toda la memoria unificada disponible. Si la memoria es insuficiente, establece `num_gpu_layers` en el Modelfile.
• Whisper: Combina con modelo de embeddings y LLM — cabe en 64 GB M5 Pro con Ollama.

Ejecutar varios modelos simultáneamente

export OLLAMA_MAX_LOADED_MODELS=3
export OLLAMA_KEEP_ALIVE=1h
brew services restart ollama

# Now pull all models you need
ollama pull llama3.1:8b
ollama pull llava:7b

# Send requests to each — they stay loaded
curl http://localhost:11434/api/chat -d '{"model": "llama3.1:8b", "messages": [{"role": "user", "content": "Hello"}]}'
curl http://localhost:11434/api/chat -d '{"model": "llava:7b", "messages": [{"role": "user", "content": "Describe this image"}]}'

Inicio automático al iniciar sesión

# Enable auto-start
brew services start ollama

# Check status
brew services list | grep ollama

# Disable auto-start (optional)
brew services stop ollama

Configuración de API para desarrolladores

# Chat endpoint (streaming)
curl http://localhost:11434/api/chat -d '{
  "model": "llama3.1:8b",
  "messages": [{"role": "user", "content": "Write a Python function"}],
  "stream": false
}'

# Python example
import requests
response = requests.post(
  "http://localhost:11434/api/chat",
  json={
    "model": "llama3.1:8b",
    "messages": [{"role": "user", "content": "Hello"}],
    "stream": False
  }
)
print(response.json()["message"]["content"])

Personalización del Modelfile

• `ollama create llm-expert -f Modelfile` — construye el modelo personalizado
• `ollama run llm-expert` — inicia el chat interactivo con tu modelo personalizado
• `ollama run llm-expert "Code review this function"` — envía un prompt directamente

FROM llama2
SYSTEM "You are an expert software engineer reviewing code for security and performance issues. Provide actionable feedback."
PARAMETER temperature 0.7
PARAMETER top_p 0.9

Problemas comunes y soluciones

• Metal no detectado: Verifica con `ollama run llama3.1:8b --verbose` y busca `ggml_metal_init: found device: Apple M[X]`. Si no aparece, reinicia: `brew services restart ollama` o `pkill ollama && ollama serve &`.
• Inferencia lenta (fallback a CPU): Causa: Metal no pudo inicializarse, el modelo se ejecuta en CPU. Revisa el Monitor de Actividad — el uso de GPU debería ser 80–100% durante la inferencia. Si GPU muestra 0%: reinicia Ollama.
• Sin memoria (OOM): El modelo falla o la respuesta se corta. Causa: modelo + contexto + overhead de macOS supera la RAM. Soluciones: (1) Usa cuantización más pequeña (`ollama pull llama3.1:8b-q4_K_M`), (2) Reduce el contexto (`OLLAMA_NUM_CTX=2048 ollama run llama3.1:8b`), (3) Usa un modelo más pequeño (`ollama pull phi4` — 2.5 GB).
• Descarga del modelo bloqueada: Causa: limitación de red o límites de tasa de HuggingFace. Solución: `pkill ollama && ollama pull llama3.1:8b` (retoma desde el progreso anterior).
• Puerto 11434 ya en uso: Otra instancia de Ollama está en ejecución o un servicio diferente usa el puerto. Busca: `lsof -i :11434`. Solución: `pkill ollama` y luego reinicia.
• El modelo produce texto sin sentido / caracteres aleatorios: Causa: parámetros del Modelfile fuera de rango o plantilla incorrecta. Solución: descarga el modelo oficial `ollama pull llama3.1:8b` (sobrescribe el personalizado), luego prueba: `ollama run llama3.1:8b "Hello, how are you?"`.
• El almacenamiento se llena: Los modelos se guardan en `~/.ollama/models/`. Verifica el tamaño: `du -sh ~/.ollama/`. Elimina los no usados: `ollama rm <nombre-del-modelo>`.

Artículos relacionados

• Apple Silicon para LLMs locales: Guía completa
• Comparación MLX vs Ollama vs llama.cpp
• Mejores modelos LLM para Apple Silicon
• ¿Cuánta memoria unificada para LLMs locales?
• Benchmarks M5 Pro vs M5 Max
• Mac Mini M5 como servidor de IA local
• Apple MLX vs NVIDIA CUDA 2026 — para decidir entre Apple Silicon y GPU NVIDIA.