Guias y rankings
Guías prácticas para usar la IA: tutoriales, configuración y despliegue, flujos de trabajo, soluciones a problemas, rankings, guías de selección y explicaciones sobre herramientas y conceptos de IA.
Gemma 4 en local: modelos, requisitos de VRAM y rendimiento real (2026)
Gemma 4, la familia de modelos abiertos de Google DeepMind bajo licencia Apache 2.0, ha cambiado su mapa de hardware desde abril de 2026: la llegada del 12B Unified y de los checkpoints QAT permite al 26B A4B moverse en GPUs de 16 GB y al 31B encajar en 24 GB. Analizamos los cinco tamaños, la memoria real que exige cada uno, cómo desplegarlos con Ollama, LM Studio o llama.cpp, los ajustes que casi todo el mundo olvida (contexto de 4.096 tokens por defecto) y qué velocidad esperar según tu equipo, con un veredicto claro sobre cuándo merece la pena ejecutarlo en local.
Qwen3.8-Flash-Next: ¿merece la pena ejecutarlo en local?
Qwen3.8-Flash-Next destaca por su arquitectura MoE de 180B parámetros, de los que solo activa 6B por token, pero exige al menos 75 GB de memoria para ejecutarse en local. Analizamos sus requisitos de hardware, rendimiento con distintas configuraciones, métodos de despliegue y cuándo compensa frente a la API.