LM Studio • Lokale LLM • OpenAI‑API • GGUF

Kom i gang med LM Studio – kjør språkmodeller lokalt (uten friksjon)

LM Studio er en brukervennlig desktop-app for å laste ned og kjøre store språkmodeller lokalt. På LMStudio.no finner du en praktisk norsk startpakke: modellvalg, ytelse (CPU/GPU), kvantisering (GGUF), og hvordan du eksponerer et OpenAI‑kompatibelt API fra din egen maskin.

Start her: kom i gang Se guider og oppskrifter
Personvern Full kontroll Rask prototyping

Hvorfor bruke LM Studio?

Enkelt for team

GUI for nedlasting, parametre og testing – uten at alle må lære en ny CLI først.

Lokalt personvern

Du kan kjøre modeller uten å sende tekst til en ekstern leverandør (avhengig av oppsett og integrasjoner).

OpenAI‑kompatibelt API

Start en lokal server og bruk standard klientbibliotek i apper, scripts og verktøy.

Populære modeller i LM Studio

I LM Studio finner du typisk modeller i GGUF-format (kvantisert for lokal kjøring). Mange velger én «allround»-modell + én kode‑modell. Her er et utvalg navn du ofte ser:

  • Qwen: Qwen2.5, Qwen2.5‑Coder, Qwen3 Coder Next
  • Google: Gemma / Gemma 2 (inkl. instruerte varianter)
  • Meta: Llama 3 / 3.1 (instruksjonsmodeller for chat)
  • Mistral: Mistral, Mixtral, Codestral (kode)
  • Microsoft: Phi‑3 (små, raske modeller)
  • Andre: DeepSeek (inkl. coder), StarCoder2, Yi, Falcon

Tips: Se etter «instruct»/«chat»-varianter for dialog, og «coder» for programmeringsoppgaver. Velg kvantisering (f.eks. Q4/Q5/Q8) ut fra maskinvare.

Eksempel: test API

Når du har startet Local Server i LM Studio, kan du teste med curl:

curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "lokal-modell-navn",
    "messages": [
      {"role": "system", "content": "Svar kort på norsk."},
      {"role": "user", "content": "Forklar hva GGUF og kvantisering er."}
    ]
  }'

I guider viser vi også hvordan du kobler dette til Python/Node, og hvordan du setter temperatur, topp‑p og kontekstlengde.

Veikart: fra første modell til nyttig lokal assistent

1

Velg riktig modell og kvantisering

Start med en modell som passer maskinen din. Lavere kvantisering gir lavere minnebruk, men kan redusere kvalitet.

2

Standardiser: systemprompt og testsett

Lag en fast «rolle» (systemprompt) og test på representative oppgaver før du bestemmer deg for modell.

3

Eksponer et lokalt API

Bruk LM Studio sin Local Server og koble på apper, verktøy og integrasjoner via OpenAI‑kompatible endepunkter.

4

Bygg «RAG» og arbeidsflyt

Når du trenger egne data: hent relevant kontekst fra dokumenter, og la modellen svare med tydelige kildekrav.

Få sjekklisten Se komplette guider