LM Studio 是什麼？跟 Ollama 差在哪：同一台電腦跑同一個模型，我實測安裝、速度和記憶體

想在自己電腦上跑 AI 模型，查一查就會看到兩個名字一直出現：LM Studio 和 Ollama。兩個都免費、都能讓你在不上網的情況下跟模型對話，到底差在哪、該裝哪一個？

這篇先講 LM Studio 是什麼，再把兩個裝在同一台機器上比。我用的是一台 4 核心、8 GB 記憶體、沒有顯卡的雲端測試機，兩邊跑同一個模型（Google 的 Gemma 3 1B，同樣的 QAT Q4_0 版本）、問同樣三題，每題問兩次。要先說清楚：LM Studio 我測的是官方給伺服器用的無畫面版本，桌面 App 的畫面我沒有實際操作，那部分是照官方文件寫的。

Ollama 本身是什麼、怎麼裝，在 Ollama 是什麼 和 Ollama 教學。已經決定用 LM Studio 的話，從下載安裝、改成中文、挑模型到開 API 的步驟，在 LM Studio 教學。

LM Studio 是什麼

LM Studio 是一個免費的桌面 App，Mac、Windows、Linux 都有。打開之後可以在 App 裡搜尋模型、選要下載哪個版本、下載完直接像 ChatGPT 一樣聊天；也可以打開「本機伺服器」，讓其他程式透過 API 呼叫你電腦上的模型。

它底下用的是 llama.cpp 這套開源的推論程式，Apple 晶片的 Mac 另外支援 Apple 自己的 MLX。官方建議記憶體至少 16 GB。

除了桌面 App，官方還有一個不需要畫面的版本，叫 llmster（LM Studio daemon），用一行指令就能裝在 Linux 主機上，操作全部用 lms 這個指令。我這次測的就是它。

Ollama 跟它差在哪

Ollama 一開始就是做成在背景跑的服務，用指令下載和執行模型，其他程式透過 API 呼叫它。Ollama 官方部落格寫，2025 年 7 月起 Mac 和 Windows 版的 App 也有聊天視窗了，但它的重心還是在「當一個服務」。

簡單的分法是：

• 想點滑鼠、在畫面上挑模型和版本、直接聊天：LM Studio 比較直覺。
• 要放在主機上一直開著，給 n8n、OpenClaw 這類程式呼叫：Ollama 比較輕，也是站上幾篇教學用的。

實測：安裝和下載模型

兩邊都是用官方的安裝腳本，先裝 LM Studio、測完關掉，再裝 Ollama。

LM Studio 的安裝腳本第一次直接停下來，說缺一個叫 libatomic 的系統元件，還貼心地附上要打的指令（sudo apt-get install -y libatomic1）。補裝之後就順利了。裝好後要先執行 lms daemon up 把它叫起來，而且它沒有自動把 lms 加進指令路徑，要自己加。

下載模型的指令很像：

lms get gemma-3-1b --yes
ollama pull gemma3:1b-it-qat

LM Studio 的 --yes 會直接用搜尋到的第一個結果和它建議的量化版本，我這次它挑的是 QAT Q4_0。它還預先放了一個 84 MB 的嵌入模型（給文件搜尋用的）。Ollama 我指定了同樣的 QAT 版本，兩邊才比得公平。

實測：速度和記憶體

LM Studio 載入模型只花了 1.56 秒；Ollama 是第一次問問題時才載入，花了 2.04 秒。

載入之後看記憶體：LM Studio 整台用了約 2.2 GB，其中推論程式 1.2 GB、LM Studio 本身的服務 0.6 GB；Ollama 整台約 1.6 GB，推論程式 1.1 GB、Ollama 本身只佔 40 MB。

速度用三題測：用繁體中文三句話介紹台灣、用繁體中文列五個學寫程式的建議、用英文約 100 字解釋什麼是大型語言模型。溫度都設 0、最多產生 256 個 token，每題問兩次。下表的數字是每秒產生幾個 token：

六次加起來，LM Studio 101 秒，Ollama 67 秒。在這台沒有顯卡的機器上，Ollama 每秒多產生大約五到八個 token。

幾件要說清楚的事：這是沒有顯卡、只用處理器跑的結果，有顯卡或 Apple 晶片的電腦兩邊都會快很多，差距不一定一樣；兩邊各用自己的預設設定，我沒有去調執行緒數這類參數；同一題兩邊回答的長度也不一樣，例如介紹台灣那題，LM Studio 回了三點條列，Ollama 回了一段話，兩邊都是繁體中文。

兩邊的 API 可以互換

LM Studio 的伺服器用 lms server start 開，預設在 1234 埠；Ollama 在 11434 埠。兩邊都提供跟 OpenAI 一樣格式的 /v1/chat/completions，我用同一段請求打兩邊，只換網址和模型名稱，兩邊都正常回答。

curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"g1b","messages":[{"role":"user","content":"Say hi in 3 words."}]}'

g1b 是我載入模型時用 --identifier g1b 取的名字。換成 Ollama，就把網址改成 http://localhost:11434/v1/chat/completions、模型改成 gemma3:1b-it-qat。LM Studio 回了「Hello there!」，Ollama 回了「Hello!」。這表示原本接 OpenAI 的程式，兩邊都能接，之後要換也不用改程式。

LM Studio 另外有自己的 /api/v0/ 介面，回傳裡直接附上每秒產生幾個 token、第一個字花多久出來，上面的速度就是從這裡讀的。Ollama 的 API 怎麼用，在 Ollama API 教學。

該選哪一個

只是想在自己的電腦上玩玩模型、比較不同模型的回答：LM Studio。畫面上就能挑模型和量化版本，不用記指令。

要讓模型一直開著，給其他工具呼叫，或放在一台沒有螢幕的主機上：Ollama。這次實測它在同一台機器上比較快、比較省記憶體，安裝也快，而且 n8n、OpenClaw、Open WebUI 這些工具都有直接支援它。

兩個也可以都裝。它們的模型檔分開放，不會互相干擾，只是同一個模型要下載兩次。

模型要選哪一個，我拿十個小模型問過同一組台灣題目，在 Ollama 模型推薦；想要瀏覽器裡的聊天介面，看 Open WebUI。

這篇沒有測的

LM Studio 桌面 App 的畫面和操作；有顯卡或 Apple 晶片時的速度；比 1B 更大的模型；LM Studio 的 MLX 版本；兩邊各自調整執行緒、上下文長度之後的表現。