Mejor Generador de Imágenes AI: Qwen3 Revoluciona el Modelo Local

Qwen3 fue lanzado en la madrugada del 29 de abril. Qwen ha open-sourced ocho modelos con diferentes parámetros, cada uno de los cuales ha logrado el SOTA (State Of The Art) en modelos open-source de tamaño similar. ¿Qué tan impresionante es esto? ¡Incluso un modelo pequeño de 4B de parámetros puede igualar el rendimiento del modelo anterior de 72B de Qwen! Esto significa que la implementación local de modelos de alta calidad está finalmente al alcance de tarjetas gráficas de consumo convencionales. Muchas aplicaciones ya se pueden poner en marcha. La implementación local no es complicada. Este artículo presenta dos métodos que no requieren conocimientos de programación y son bastante accesibles.

Primer Método: Ollama

1. Descargar e instalar Ollama: Visita ollama.com y descarga de acuerdo a la versión de tu sistema, es tan fácil como instalar cualquier otro software.
2. Descargar el modelo: Una vez instalado, visita la misma URL, haz clic en la etiqueta "Modelos" en la barra de menú, encuentra "qwen3", entra a la página de detalles y selecciona la versión adecuada para tu computadora. Yo tengo una tarjeta gráfica de la serie 30, así que elegí un modelo de 8b (más adelante adjunto una prueba del modelo de 14b). Copia el comando del lugar indicado con el número ② en la imagen anterior, abre la interfaz CMD con "Win + R", pega el comando y presiona enter para descargar automáticamente esa versión del modelo. El modelo de 8b pesa alrededor de 5 GB, agregando Ollama, será cerca de 10 GB. Asegúrate de dejar suficiente espacio en el disco C.
3. Iniciar la conversación: Después de la descarga, se ejecutará automáticamente; puedes comenzar a hacer preguntas como se muestra en la imagen: Es importante mencionar que después de cerrar la interfaz CMD, para volver a ejecutar Qwen3, necesitarás introducir el comando en la línea de comandos de CMD: ollama run qwen3. Como se puede observar en la imagen, aunque es un modelo de 8b, todavía tiene capacidades de pensamiento profundo. Originalmente pensé que mi tarjeta gráfica de la serie 30 no podría manejarlo, ¡pero la velocidad de salida alcanzó 58.96 tokens/s! Aunque este número puede parecer abstracto, en términos generales, es aproximadamente 15 veces más rápido que la velocidad de escritura promedio de una persona, ¡es realmente rápido! (Puedes usar el comando ollama run qwen3 --verbose para ver la velocidad de ejecución del modelo local, como se muestra anteriormente). Hasta aquí, ya has completado la ejecución local y offline del modelo Qwen3. Sin embargo, esta forma de interacción a través de la línea de comandos puede no ser muy conveniente. Sería mejor si pudiéramos utilizar una herramienta visual para ejecutar el modelo, similar a cómo chateamos con DeepSeek en una ventana de conversación clara. Hay muchas herramientas disponibles, y personalmente he probado Ollama Open WebUI, lo cual fue bastante satisfactorio.

Segundo Método: Open WebUI

Ya que has instalado Ollama, solo necesitas hacer dos cosas más:

1. Instala Docker: Visita https://www.docker.com/, descarga según la situación de tu computadora. Si no tienes acceso a una red mediante un VPN, la descarga puede ser lenta. Yo descargué la versión para Windows AMD64 (puedes solicitar la misma versión enviando "docker" en la sección de mensajes de este cuenta). Si tu computadora utiliza una arquitectura x64 de Windows, puedes usar este mismo. Para Mac, visita el sitio oficial para la descarga. ¿Cómo verificar la arquitectura de tu sistema? Presiona "Win + R", en el cuadro de diálogo escribe "msinfo32" y presiona enter. En la sección "Resumen del sistema", consulta el tipo de sistema. Una vez descargado, instálalo y ejecútalo como cualquier otro software. La primera vez que lo ejecutes, puede que sea un poco lento.
2. Instalar Ollama WebUI: Primero, ingresa a https://github.com/open-webui/open-webui y encuentra el lugar que se muestra en la imagen, copia el comando de la línea (en la parte inferior derecha). Luego, abre CMD con "Win + R", pega el comando y presiona enter, espera a que se complete la instalación de manera automática. Finalmente, accede a Ollama WebUI en tu navegador en http://localhost:3000. Si se te solicita registrarte, sigue las instrucciones (la cuenta predeterminada como administrador es la primera). Dado que ya he descargado el modelo de 8b de Qwen3 al instalar Ollama, selecciona este modelo en la parte superior izquierda de la pantalla y puedes empezar a escribir mensajes para conversar (como se muestra en la imagen): Con esto, has completado el segundo método de implementación. Veamos cómo es la calidad de Qwen3. Primero, pongamos a prueba su "inteligencia": preguntamos: "¿Puede un palo de bambú de 5.5 metros de longitud y 20 mm de diámetro pasar intacto por una puerta rectangular de 4 metros de ancho y 3 metros de alto?" Solo necesitamos revisar la respuesta. Primero, veamos la respuesta de Wenxin Yiyan (su respuesta es que no puede). Luego, veamos la respuesta de Kimi (la respuesta también es que no): Finalmente, revisemos la respuesta del modelo de 8b de Qwen3: ¿No es sorprendente? Tras probar el modelo de 8b, echemos un vistazo a la versión de 14b. No esperaba que una tarjeta gráfica de 8G pudiera manejar esta cantidad de parámetros, ¡me sorprendió! Sin embargo, la velocidad de salida es promedio, aproximadamente el doble de la velocidad de escritura promedio de una persona: Veamos cómo se desempeña en la creación de poesías clásicas El tiempo de reflexión en la imagen anterior es totalmente aceptable. Esta es la eficiencia con 8G de memoria; ¿qué más se puede pedir? Por supuesto, la calidad es la clave. En general, aunque los parámetros de los modelos que se han probado en este artículo no son altos, el rendimiento sigue siendo bastante bueno; debido a limitaciones de espacio, no se han presentado más ejemplos. Siguiendo esta tendencia, es probable que la mayoría de los modelos de lenguaje grande cierren el círculo y sean superados por la apertura de Qwen. ¿Qué opinas? Si deseas experimentar la versión completa oficial, puedes visitar: chat.qwen.ai.