Mejores modelos de Ollama para agentes de programación: ranking de modelos locales

Actualizado el 14 de octubre de 2026: la tabla propone un orden de prueba de candidatos actuales, no una nueva clasificación medida. Reserva memoria para el contexto y el entorno de ejecución, además de los pesos.

El mejor modelo de Ollama para un agente de programación no siempre es el más grande que puedas descargar. Los agentes funcionan en bucle: leen archivos, llaman a herramientas, revisan planes y generan parches. Un modelo que parece bueno en una sola petición puede volverse inutilizable si cada llamada a una herramienta exige otra pasada lenta de inferencia local.

Usa esta clasificación como punto de partida práctico: qué modelo descargar, qué hardware necesita y cuándo dejar de forzar la inferencia local y pasar a un respaldo en la nube.

Clasificación rápida

Orden de prueba	Modelo	Comando	Tarea que probar	Nota de memoria
1	Qwen3.8 27B	ollama pull qwen3.8:27b	Código, razonamiento y herramientas	Descarga de unos 18 GB, más contexto
2	Muse Glimmer 30B	ollama pull muse-glimmer:30b	Bucles del agente y recuperación	Descarga de unos 18 GB, más contexto
3	Qwen3 Coder 30B	ollama pull qwen3-coder:30b	Referencia especializada en código	Comprueba cuantización y contexto
4	Nemotron 3.5 Lightning	ollama pull nemotron-3.5-lightning:30b	Agentes siempre activos	Descarga de unos 25 GB; necesita más margen
5	gpt-oss 20B	ollama pull gpt-oss:20b	Razonamiento con menos memoria	Unos 14 GB; 16 GB pueden ser justos
6	Gemma 4 E4B	ollama pull gemma4:e4b	Ayuda ligera con código	Comprueba la versión y memoria disponible
7	Qwen3 8B	ollama pull qwen3:8b	Cambios pequeños y explicaciones	Modelo pequeño; empieza con contexto corto

Qwen3.8 y Muse Glimmer son candidatos nuevos con soporte de herramientas. Qwen3 Coder sigue siendo una referencia especializada en código. Compara la misma tarea: la fecha de lanzamiento no determina qué modelo termina mejor el trabajo.

Qué elegir según tu equipo

8–16 GB de memoria

Empieza con Gemma 4 E4B o Qwen3 8B. La descarga de gpt-oss 20B ronda los 14 GB y puede dejar poco margen en 16 GB al añadir contexto y búferes. Cierra otras aplicaciones y comprueba el consumo real.

Este nivel sirve para:

• Explicar código desconocido
• Escribir funciones pequeñas
• Redactar tests
• Generar archivos de configuración
• Resumir logs

No esperes refactorizaciones fiables de varios archivos aquí. Los modelos más pequeños pueden escribir código útil, pero pierden el hilo en cuanto el agente empieza a abrir archivos, revisar parches y gestionar las salidas de las herramientas.

24–32 GB de memoria

Compara Qwen3.8 27B, Muse Glimmer 30B y Qwen3 Coder 30B. Una GPU de 24 GB o un equipo con 32 GB o más de memoria unificada son puntos de partida; limita el contexto y mide el consumo real.

64 GB+ de memoria

La descarga predeterminada de Qwen3 Coder Next ronda los 52 GB, antes del contexto. Nemotron 3.5 Lightning ocupa unos 25 GB en su versión predeterminada. Que un modelo cargue no implica que el bucle del agente sea rápido: mide también la latencia.

Referencia para código: Qwen3 Coder

Usa Qwen3 Coder como referencia especializada y compara los candidatos de la tabla con la misma tarea.

Descárgalo:

ollama pull qwen3-coder:30b

Haz una comprobación rápida:

ollama run qwen3-coder:30b "Explain this repo structure and suggest where tests should live."

Por qué sirve como referencia para código:

• Está explícitamente optimizado para flujos de trabajo de programación y de agentes.
• La página de Ollama incluye soporte para ollama launch en Claude Code, Codex, OpenCode y OpenClaw.
• La variante de 30B es mucho más realista en local que la variante de 480B.
• El soporte de contexto largo lo hace más adecuado para trabajar con repositorios que los modelos locales de código anteriores.

Úsalo para revisión de código, generación de tests, refactorizaciones de tamaño medio y sesiones de agente local-first cuando la privacidad importa.

Mejor opción ligera: Gemma 4

Gemma 4 es la familia de modelos que conviene probar cuando Qwen3 Coder es demasiado pesado. Las variantes más pequeñas de Gemma 4 están diseñadas para uso local y en el dispositivo, mientras que la variante 26B MoE te da una opción más potente para estaciones de trabajo sin activar todos los parámetros en cada token.

Descarga la versión apta para portátil:

ollama pull gemma4:e4b

Descarga la versión más potente para estaciones de trabajo:

ollama pull gemma4:26b

Gemma 4 es una buena opción para agentes de programación cuando quieres ayuda local rápida con explicaciones, ediciones pequeñas y código privado. Resulta menos atractiva para sesiones autónomas largas en las que el agente necesita mantener coherente un plan de migración completo.

Nuevos candidatos: Muse Glimmer y Nemotron 3.5 Lightning

Prueba Muse Glimmer 30B en secuencias de herramientas y recuperación de errores. Nemotron 3.5 Lightning está orientado a agentes siempre activos; su descarga predeterminada ronda los 25 GB. La versión MLX tiene otro tamaño y otro límite de contexto, así que comprueba la etiqueta concreta.

ollama pull muse-glimmer:30b
ollama pull nemotron-3.5-lightning:30b

Una etiqueta cloud usa inferencia alojada. Que Ollama pueda iniciarla no convierte esa ejecución en local o privada.

Dónde usar estos modelos

• haimaker.ai - usa modelos locales de Ollama junto a modelos en la nube más potentes; enruta el trabajo sencillo de los agentes de programación a tu modelo local y deriva las tareas difíciles a modelos de pago.
• OpenClaw - usa Ollama como proveedor local para sesiones de agente de programación. Consulta la guía de modelos locales de OpenClaw.
• OpenCode - añade Ollama mediante el proveedor compatible con OpenAI. Consulta Ollama con OpenCode.
• Codex y Claude Code - las páginas de modelos de Ollama incluyen ejemplos de ollama launch para entornos de ejecución de agentes, incluidos Codex y Claude Code.

Configuración para agentes compatibles con OpenAI

La mayoría de agentes de programación pueden usar Ollama a través de su endpoint local compatible con OpenAI:

http://localhost:11434/v1

Usa una clave API de marcador de posición si tu herramienta la exige. Ollama no la valida localmente.

{
  "baseURL": "http://localhost:11434/v1",
  "apiKey": "ollama",
  "model": "qwen3.8:27b"
}

Para OpenCode, el bloque de proveedor tiene este aspecto:

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ollama (local)",
      "options": {
        "baseURL": "http://localhost:11434/v1"
      },
      "models": {
        "qwen3.8:27b": {
          "name": "Qwen3.8 27B"
        }
      }
    }
  }
}

Si las llamadas a herramientas no son fiables, reduce primero el tamaño del modelo y luego aumenta el contexto solo hasta donde tu hardware pueda soportarlo. Una ventana de contexto gigante que obliga a usar swap es peor que una más pequeña que se mantiene ágil.

Cuándo no usar Ollama

Los modelos locales son mejores cuando la privacidad, el coste o el trabajo sin conexión importan. No son automáticamente mejores para todas las tareas de programación.

Usa un modelo en la nube cuando:

• La tarea abarca muchos archivos
• El bug es sutil
• Necesitas llamadas a herramientas fiables
• El parche tocará sistemas de producción
• No tienes tiempo para revisar cada línea generada

La configuración práctica es local-first, no solo local. Usa Qwen3 Coder o Gemma 4 para trabajo privado y barato, y luego deriva a un modelo en la nube más potente cuando lo que se encarece es tu atención en lugar de los tokens.

ENRUTA MODELOS LOCALES Y EN LA NUBE CON HAIMAKER

---

Para la configuración local específica de OpenClaw, consulta mejores modelos locales para OpenClaw. Para la configuración de OpenCode, consulta usar Ollama con OpenCode.