Unsloth: la aplicación de escritorio que no solo ejecuta modelos en local, también los entrena

Ejecutar un modelo de IA en tu ordenador ya no tiene mérito: hay media docena de programas que lo hacen bien y con dos clics. Lo que casi nadie ofrece, y es lo que hace interesante a Unsloth, es la otra mitad: entrenar. Coger un modelo abierto, afinarlo con tus propios datos y quedarte con el resultado, desde una aplicación de escritorio y sin tocar una línea de Python.

Unsloth lleva tiempo siendo conocido entre quien afina modelos, precisamente por hacerlo consumiendo bastante menos memoria de lo habitual. Lo nuevo es que ahora eso viene envuelto en una aplicación nativa para Windows, macOS y Linux, y que trae soporte para los modelos del momento: Qwen3.8, Kimi K3, MiniMax-H3, Gemma 4, DeepSeek-V4 y FLUX para imágenes, entre otros.

Ejecutar y afinar: por qué la diferencia importa

Vamos con la distinción, porque es la clave de si esto te sirve o no.

Ejecutar un modelo es usarlo tal y como lo publicó su creador. Le escribes, te contesta. Lo que consigues es privacidad y coste cero por consulta, pero el modelo sabe lo que sabía.

Afinar un modelo es entrenarlo un poco más con ejemplos tuyos para que adopte un formato, un vocabulario o un criterio. No es enseñarle datos nuevos como quien llena una base de datos —para eso está la recuperación de documentos, que es otra cosa—, es enseñarle a comportarse de una manera concreta.

El caso donde se nota de verdad: tienes trescientos informes redactados por tu despacho con una estructura y un tono muy determinados. Afinas un modelo pequeño con ellos y a partir de ahí redacta como tu casa, sin que tengas que explicarle el estilo en cada petición. Y todo el proceso ocurre en tu equipo, así que los trescientos informes no salen de ahí. Ese detalle, si manejas datos de clientes o de pacientes, no es una comodidad: es la diferencia entre poder hacerlo y no poder.

Si el concepto te suena a chino, la base está en qué es el fine-tuning.

Cómo instalarlo

Hay descarga nativa para cada sistema —ejecutable de Windows, imagen de disco de macOS, paquete .deb, AppImage y una versión para ARM64— desde la web del proyecto o desde las publicaciones de GitHub. Instalación normal, sin terminal.

Para quien prefiera la línea de órdenes, en macOS, Linux y WSL:

curl -fsSL https://unsloth.ai/install.sh | sh

Consejo de siempre con los instaladores que se pasan por una tubería: descarga el script, ábrelo y léelo antes de ejecutarlo. Tarda un minuto.

Y el aviso importante: la versión que se descarga hoy es una beta (0.1.701-beta). Funciona, pero es una aplicación joven encima de una biblioteca madura. No la conviertas en la pieza central de nada que tenga que estar en pie mañana.

El hardware, sin engaños

Esta es la parte donde suelen mentir por omisión, así que la pongo por delante.

Ejecutar modelos pequeños y medianos en un equipo normal es perfectamente viable hoy, sobre todo en portátiles con memoria unificada o con una tarjeta gráfica decente.

Entrenar es otro deporte. Aunque Unsloth reduce mucho el consumo de memoria —esa es literalmente su especialidad—, afinar un modelo sigue pidiendo bastante más que ejecutarlo, y el tamaño del modelo que puedas afinar depende directamente de la memoria de tu tarjeta gráfica. Antes de emocionarte con un modelo grande, mira los requisitos en su documentación y empieza por uno pequeño.

Sirva de referencia el caso extremo del que hablaba esta semana: los pesos abiertos de Qwen3.8 son de 2,4 billones de parámetros y no caben ni en un armario de servidores modesto. Los modelos con los que la gente trabaja de verdad en casa son los de 4.000, 8.000 o 30.000 millones. Esos sí, y son los que valen para afinar.

Cuándo no te compensa

• Si solo quieres charlar con un modelo en local y no vas a entrenar nada, tienes opciones más ligeras. El panorama, en IA sin censura en local.
• Si tu ordenador no tiene gráfica dedicada ni memoria unificada generosa, el afinado se te va a quedar corto enseguida.
• Si lo que necesitas es que el modelo conozca tus documentos, no lo afines: móntale una búsqueda sobre ellos. Afinar cambia el estilo y el comportamiento, no añade hechos de forma fiable. Es el error más caro y más repetido de todo este terreno.
• Si necesitas estabilidad, la aplicación está en beta.

Para quién sí: para quien tiene un caso repetitivo con formato propio —informes, fichas, respuestas tipo, clasificaciones— y datos que no pueden salir de casa. Ahí un modelo pequeño afinado gana a uno grande genérico en resultado, en coste y en tranquilidad. Y si quieres entender antes en qué consiste el ecosistema abierto del que sale todo esto, está en modelos de IA de código abierto.

Preguntas frecuentes

¿Qué diferencia hay entre ejecutar y afinar un modelo?

Ejecutar es usarlo tal cual. Afinar es entrenarlo con ejemplos tuyos para que adopte tu formato, tu vocabulario y tu criterio. Lo primero lo hace cualquier programa; lo segundo es lo que aporta Unsloth.

¿Puedo afinar un modelo en un portátil normal?

Uno pequeño, probablemente sí. Uno grande, no. El límite lo pone la memoria de tu tarjeta gráfica, y aunque Unsloth reduce mucho ese consumo, no lo elimina. Consulta los requisitos por modelo en su documentación.

¿Mis datos salen del ordenador?

El entrenamiento y la ejecución son locales. Ese es el motivo principal para usar esto en vez de un servicio en la nube si trabajas con información confidencial.

¿Sirve para generar imágenes?

Sí, soporta modelos de difusión como FLUX además de los de lenguaje.

¿Es gratis?

El proyecto tiene licencia Apache 2.0 y la aplicación se descarga sin coste. Lo que pagas es la electricidad y el hardware.