- Anàlisi comparativa entre els models propietaris més capdavanters i la nova generació de models open-weights.
- Estratègies de desplegament local utilitzant eines com Ollama, LM Studio i llibreries específiques per a C#.
- Criteris tècnics per triar la quantització i el model segons la VRAM i la tasca de desenvolupament.
Si ets programador, probablement ja sentis que el ritme a què avancen els assistents de codi és una bogeria absoluta. El que ahir era l?estàndard d?or, avui ja és una peça de museu, i la sensació que les eines canvien cada setmana pot arribar a angoixar qualsevol. Entre subscripcions mensuals que pugen de preu i el dubte constant sobre on acaben les nostres dades, muntar una IA al mateix ordinador s'ha tornat l'opció més intel·ligent per als que busquen control total i privadesa.
No es tracta només d'estalviar uns quants euros al mes, sinó d' eliminar la dependència de les APIs i evitar que el codi confidencial de la teva empresa acabi en els servidors d'una Big Tech . els models de pagament més cars del mercat.
El panorama dels models: Propietaris davant d'Open-Weights
Quan parlem dels pesos pesants, el terreny està molt repartit. D'una banda, tenim els models tancats com la família Claude de Anthropic. El Claude Sonnet 4.6 s'ha consolidat com a company ideal per al dia a dia gràcies al seu equilibri entre velocitat i precisió, mentre que el Claude Opus 4.8 és la bèstia necessària per a refactoritzacions massives i arquitectura de sistemes complexos, destacant per la seva capacitat de reconèixer errors propis abans de donar una resposta per bona.
A l'altra cantonada, OpenAI segueix apostant per la potència bruta i el domini de la terminal amb el GPT-5.5 , que és imbatible si el teu flux de treball es basa en scripts i automatització de consola, encara que de vegades pot pecar de tenir una taxa d'al·lucinacions més alta que els seus competidors. Per la seva banda, Google ha ressuscitat amb el Gemini 3.1 Pro , integrant raonament profund i oferint un preu molt agressiu que el fa ideal per als que combinen disseny visual i codi.
Però el que és veritablement emocionant és el que passa al món obert. Models com el GLM-5 han trencat esquemes, situant-se al cim dels open-weights i permetent que equips sencers tinguin un model de nivell flagship sense dependre d'una API. A això se suma el Kimi K2.5 , un tità que introdueix el concepte d' eixam d'agents (Agent Swarm) , permetent que fins a cent subagents treballin en paral·lel per resoldre una tasca d'enginyeria, cosa que redueix dràsticament els temps d'execució en projectes grans.
Com muntar el teu entorn d'IA local
Per començar a executar aquests models a la teva pròpia màquina, no cal ser un expert en desplegaments. L'opció més senzilla i popular és Ollama , que actua com un gestor de models permetent descarregar i executar versions com Flama 3 o Gemma amb una simple ordre. Si preferiu una interfície més visual i eines per provar diferents quantitzacions, LM Studio és l'elecció correcta, ja que facilita la gestió de la memòria i la descàrrega d'arxius en format GGUF.
Per als desenvolupadors que volen integrar la IA directament a les seves aplicacions, hi ha rutes més tècniques. A l'ecosistema .NET, per exemple, es pot fer servir OllamaSharp per comunicar-se via HTTP amb el servidor local o, si es busca un control absolut, LlamaSharp . Aquesta darrera llibreria permet carregar els pesos del model directament a l'aplicació, permetent ajustar la quantitat de capes que s'envien a la GPU per optimitzar el rendiment segons el maquinari disponible.
Optimització de maquinari i VRAM
Un error comú és triar un model basant-se només en el nombre de paràmetres sense mirar la memòria de vídeo. Si tens una targeta com la RTX 5070 Ti de 16GB , has d'anar amb compte amb la mida del model. Si el model és massa gran per a la VRAM, el sistema començarà a fer un intercanvi cap a la memòria RAM del sistema, cosa que provoca que la GPU es quedi infrautilitzada i la velocitat de resposta caigui en picat, disparant l'ús de la CPU.
La clau és la quantització, representada habitualment per la lletra Q. Una quantització de 4 bits sol ser el punt dolç, ja que redueix la mida del model significativament sense degradar gaire la qualitat de les respostes. És fonamental deixar marge de memòria per al context; si omples la VRAM al 100% només amb el model, no hi haurà espai perquè la IA recordi els fitxers que li has passat, provocant errors de capacitat o respostes incoherents.
Criteris per triar el model adequat
No hi ha el model perfecte, sinó l'adequat per a cada tasca. Si el teu objectiu és la programació pura, cerca models especialitzats en codi que entenguin bé el teu llenguatge, ja sigui JavaScript, TypeScript o Rust. Un model especialitzat en coding no només escriu funcions, sinó que és capaç d'explicar errors i editar fitxers sense trencar la lògica preexistent del projecte.
- Per a xat i redacció: Opta per variants Instruir, que estan ajustades per seguir ordres i mantenir converses naturals.
- Per anàlisi de documents: Prioritza models amb una finestra de context àmplia i eines de recuperació semàntica per evitar que la IA inventi dades.
- Per a visió i frontend: Els models multimodals són essencials si necessites que la IA analitzi captures de pantalla o diagrames per convertir-los en codi CSS/HTML.
- Per automatització: Cerca models que suportin sortides estructurades a JSON i trucades a funcions (function calling).
Per validar quin et convé més, l'ideal és fer una prova comparativa. Pren dos models, dóna'ls exactament les mateixes cinc instruccions i avalua la precisió, el to i la velocitat . Al final, el millor model no és el que té el benchmark més alt en una taula, sinó el que falla menys en el teu flux de treball real.
L'ecosistema de la IA local ha madurat fins al punt que la bretxa amb els models tancats és gairebé irrellevant per a moltes tasques de desenvolupament. Combinant eines com Ollama o Cursor amb models oberts com GLM-5 o Qwen, qualsevol programador pot tenir un assistent de primer nivell sense comprometre la seva privadesa ni buidar la seva cartera en subscripcions, mantenint sempre el control total sobre l'execució i el desplegament dels seus projectes.