Herramientascanirun ai
CanIRun AI: comprueba qué modelos caben en tu equipo
Descubre cómo consultar la memoria de tu equipo en CanIRun AI, interpretar sus recomendaciones y contrastarlas antes de ejecutar un modelo local.
- Autor: humAIns
- 8 min de lectura
índice · 6 apartados
CanIRun.ai es una página para estimar qué modelos de inteligencia artificial local podrían caber en la memoria de tu equipo. Detecta o permite seleccionar hardware, lo relaciona con modelos y muestra recomendaciones orientativas; no instala el modelo ni demuestra cómo rendirá con tus documentos o tareas. La forma prudente de usarla es tomar la estimación como punto de partida, revisar los requisitos y contrastar la carga en el programa que realmente vayas a utilizar.
Esta guía se centra en interpretar ese resultado, no en volver a comparar en general la IA local con la nube. Si aún estás decidiendo entre ambas modalidades, consulta nuestra guía sobre IA en local frente a la nube. Si estás valorando comprar hardware, puedes leer también cómo elegir una tarjeta gráfica para IA y qué revisar en un mini PC para IA.
Qué calcula CanIRun AI y qué no garantiza
En la página de inicio puedes consultar modelos, dispositivos y categorías de modelos; CanIRun.ai presenta la detección del hardware y las estimaciones de capacidad y velocidad como parte de su orientación. La página de metodología explica que el sitio se ejecuta en el navegador y utiliza interfaces del navegador para detectar GPU, CPU y memoria. Después compara el hardware con información de su base de dispositivos y estima el encaje de modelos.
La propia metodología advierte de límites importantes: la información que expone un navegador puede ser aproximada, los nombres de GPU no siempre son precisos y parte de los datos de ancho de banda procede de especificaciones, no de una medición de tu ordenador. Tampoco se miden desde una página web todos los factores que afectan a una ejecución, como la temperatura, los procesos simultáneos, los controladores o la presión de memoria del sistema. Por ello, la página presenta sus resultados como una orientación y no como garantía.
Es útil para descartar rápidamente opciones evidentemente demasiado grandes y descubrir modelos que merece la pena investigar. No es un benchmark reproducible para comparar equipos, una certificación del fabricante ni una promesa de que un flujo de trabajo concreto funcione. Las estimaciones y el catálogo pueden cambiar; revisa las páginas oficiales enlazadas antes de tomar una decisión de compra.
Detectar o seleccionar el equipo y leer su memoria
Abre CanIRun.ai y comprueba qué dispositivo reconoce. Si la detección no representa tu configuración, busca la selección manual o el catálogo de dispositivos y elige el equipo que corresponda. No deduzcas capacidad solo por el nombre comercial del portátil: dos equipos con nombres parecidos pueden tener memoria gráfica distinta. Confirma la ficha del fabricante o consulta la información del sistema operativo para identificar la GPU y su memoria.
La VRAM es la memoria de vídeo de una tarjeta gráfica dedicada. Un modelo local necesita cargar sus pesos y reservar memoria de trabajo, además de lo que use el resto del sistema. La RAM convencional y la VRAM no son intercambiables sin consecuencias: si una parte del trabajo se hace en CPU o se mueve entre memorias, el modelo podría seguir funcionando, pero la velocidad y la experiencia pueden cambiar.
En los Mac con Apple Silicon, la CPU y la GPU comparten memoria unificada. CanIRun.ai describe un cálculo específico para esa arquitectura, distinto de la regla aplicada a una tarjeta dedicada. Por tanto, no compares directamente “tantos GB de RAM” de un Mac con “tantos GB de VRAM” de una tarjeta como si fueran la misma configuración. En ambos casos deja espacio para el sistema, el programa, el contexto y otras aplicaciones.
Elegir un modelo y entender cuantización y margen
Al explorar un modelo, mira la memoria indicada para la variante concreta, no solo el número de parámetros del nombre. Los parámetros expresan el tamaño del modelo, pero la precisión y la cuantización cambian cuánto ocupan sus pesos. Una versión cuantizada almacena esos valores con menos precisión para reducir el tamaño, con posibles compromisos en calidad. La guía de CanIRun.ai sobre VRAM, cuantización y GGUF explica formatos como Q4_K_M, Q6_K y Q8_0 y sus diferencias generales.
El tamaño de los pesos tampoco es todo el consumo: la ventana de contexto, los datos intermedios, el programa ejecutor y las tareas concurrentes requieren memoria adicional. Un resultado que aparece como ajustado no debería interpretarse como espacio libre garantizado. Empieza por un modelo y una cuantización cuyo requisito deje margen frente a la memoria disponible; cierra otras aplicaciones y repite la prueba si cambia la configuración.
La metodología de CanIRun.ai clasifica el encaje de modelos según umbrales de memoria para GPU dedicada y Apple Silicon. Esos umbrales explican cómo el sitio genera su etiqueta, no sustituyen a una prueba real ni significan que cualquier modelo marcado como ejecutable responda a la velocidad que necesitas. La página de metodología permite entender las hipótesis y límites de sus puntuaciones.
Contrastar la estimación con Ollama o LM Studio
El siguiente paso es verificar que el ejecutor y el modelo concreto admiten tu sistema operativo y tu hardware. Ollama ofrece documentación de hardware GPU y una guía de inicio; LM Studio documenta sus requisitos y funciones en su sitio oficial. No asumas que una recomendación de CanIRun.ai implica que ambos programas soporten cualquier GPU o formato.
Una comprobación práctica puede seguir este orden:
- Anota el modelo, la variante y la cuantización recomendada. Confirma que esa variante está disponible en el catálogo del ejecutor.
- Revisa los requisitos y la compatibilidad del modelo en la documentación oficial de Ollama o LM Studio y del fabricante de tu GPU.
- Descarga el modelo desde la aplicación elegida y empieza con una tarea pequeña, sin documentos sensibles.
- Observa si termina de cargar, si responde y si el resultado es útil para tu trabajo. Repite con el contexto y el tipo de contenido que realmente utilizarás.
- En Ollama,
ollama pspermite ver qué modelos están cargados y qué proporción aparece en CPU o GPU, según su documentación. Ese dato ayuda a entender la ejecución, pero no es por sí solo una medida de calidad o productividad.
Si no cabe en la GPU, una aplicación podría usar memoria del sistema o CPU según su configuración; no cuentes con que eso mantenga la misma velocidad. Si falla la carga, prueba primero una variante menor o una cuantización más ligera y vuelve a revisar los requisitos. Para una compra, confirma las especificaciones exactas y la política de devolución: una estimación web no reemplaza una prueba en el equipo que vas a adquirir.
Privacidad y límites: detectar en navegador no equivale a ejecutar el modelo
CanIRun.ai afirma en su explicación de privacidad y metodología que la detección y el cálculo se realizan en el navegador y que los datos del hardware no se envían a sus servidores. Esta afirmación se refiere a la detección descrita por el sitio. No permite concluir que cualquier descarga, enlace, ejecutor o servicio de IA que abras tenga idénticas prácticas. Si la política de tu organización exige garantías concretas, consulta la política y las condiciones vigentes del servicio utilizado.
También separa la comprobación de hardware del uso posterior. Que la página no reciba tus archivos no significa que el modelo se esté ejecutando: solo cuando configuras un ejecutor local y cargas allí el modelo puedes evaluar ese flujo. Si el ejecutor utiliza un modelo en la nube, una cuenta o una función remota, los datos pueden salir del equipo. Lee las opciones seleccionadas y la documentación antes de introducir material de clientes, empleados o empresa.
La ejecución local puede ayudar a controlar dónde se procesan los datos, pero no sustituye las medidas habituales: protege el dispositivo, limita el acceso a los archivos, instala el modelo de una fuente confiable y revisa la licencia y las condiciones aplicables. Para aprender a aplicar herramientas de IA a tareas creativas y profesionales, puedes conocer nuestro curso de IA audiovisual; si quieres identificar primero tus áreas de oportunidad, realiza el test ¿Cuánto te queda?.
Preguntas frecuentes
¿Necesito una GPU dedicada?
No necesariamente. Algunos modelos pueden ejecutarse con CPU o memoria unificada, pero la compatibilidad y la velocidad dependen del modelo, el programa y el equipo. Comprueba los requisitos concretos antes de instalar o comprar.
¿Qué significa VRAM?
Es la memoria de vídeo de una GPU dedicada. Los modelos cargados en GPU necesitan espacio para los pesos y datos de trabajo; más VRAM puede permitir considerar modelos o configuraciones mayores, pero no garantiza por sí sola mejor rendimiento.
¿La recomendación garantiza velocidad o compatibilidad?
No. La web ofrece una estimación basada en detección limitada y datos de hardware. Controladores, temperatura, memoria ocupada, contexto y compatibilidad del ejecutor influyen; realiza una prueba con la aplicación y el modelo que vas a usar.
¿Se envían mis archivos al usar la página?
CanIRun.ai indica que la detección de hardware ocurre en el navegador y que esa información no se envía a sus servidores. La página de recomendación no ejecuta el modelo ni verifica las prácticas de otros servicios que puedas abrir después. Consulta las políticas correspondientes antes de compartir archivos.