KDnuggets muestra cómo ejecutar Qwen3.5 en un portátil antiguo con Ollama y OpenCode

El 8 de abril, KDnuggets publicó un análisis práctico sobre cómo convertir un portátil antiguo en un puesto de trabajo de IA local, sin hardware caro ni suscripciones a servicios en la nube. El montaje se basa en Qwen3.5 en su versión 4B, Ollama para ejecutar modelos en local y OpenCode, un agente para trabajar con código directamente desde el terminal.

¿Para qué sirve esto?

La idea central del artículo es que las herramientas de IA locales ya no exigen una estación de trabajo potente ni un servidor dedicado. El autor demuestra que incluso un portátil veterano puede servir como entorno privado para experimentos, programación y comprobaciones rápidas, siempre que se elija un modelo abierto compacto y no se complique la pila con capas innecesarias. En este escenario, Qwen3.5 4B se presenta como un compromiso razonable entre calidad de respuesta, velocidad y requisitos de hardware.

No se trata de sustituir a los modelos insignia en la nube. Este montaje responde a otra necesidad: ofrecer a desarrolladores, estudiantes y aficionados una forma económica de ejecutar IA en local, sin enviar archivos ni prompts a servicios externos, y probar ideas rápidamente en su propio equipo. Para código en borrador, tareas de aprendizaje, flujos sencillos en el terminal y pruebas pequeñas ya basta, aunque la calidad de las respuestas no siempre alcance la de los mejores sistemas comerciales.

Cómo es el montaje

La pila básica consta de dos partes. Ollama se encarga de descargar, almacenar y ejecutar el modelo de lenguaje en el dispositivo local, mientras que OpenCode se conecta por encima y lo convierte en una interfaz de agente más práctica para trabajar con código.

El artículo usa la variante Qwen3.5:4B, que según el autor suele necesitar unos 3,5 GB de RAM. Por eso resulta una opción realista para un portátil viejo sin margen en tarjeta gráfica ni memoria.

• instalar Ollama en Windows, Linux o macOS
• si hace falta, iniciar manualmente el servidor local de Ollama
• descargar y abrir el modelo Qwen3.5 4B desde el terminal
• instalar OpenCode con un script rápido
• lanzar OpenCode con el modelo local ya conectado

Después, el usuario dispone de una interfaz local donde puede pedir al modelo que cree un proyecto, instale dependencias o revise código. Otro punto a favor de la guía es que mantiene baja la barrera de entrada: sin orquestación con Docker, sin configuración manual de API y sin un montaje largo del entorno. Frente a muchos materiales sobre IA local, parece un escenario realmente práctico, que se puede repetir en una tarde y no un proyecto de ingeniería de varios días.

Prueba con una tarea real

Para mostrar no solo la instalación sino la utilidad real del enfoque, el autor encargó a la combinación de Qwen3.5 y OpenCode crear desde cero un pequeño proyecto en Python: un juego de terminal, Guess the Word. El agente debía generar por sí mismo la estructura del proyecto, escribir el código, instalar las dependencias y dejar la aplicación funcionando.

En la prueba, el sistema sí produjo un juego funcional con lógica clara, seguimiento de puntos y manejo correcto de los caracteres introducidos. No era una demostración decorativa, sino la ejecución local completa de una cadena de tareas.

Al mismo tiempo, el artículo señala con franqueza las limitaciones. El modelo compacto cuantizado se desenvuelve bien con código básico, scripts sencillos, proyectos de aprendizaje y consultas de investigación, pero flaquea cuando la tarea se alarga y exige una planificación sostenida en varios pasos. El autor indica aparte que el modelo a veces se detenía a mitad del proceso y había que empujarlo manualmente con el siguiente comando. Para experimentar es tolerable, pero para un flujo estable de uso diario supone una limitación notable.

«A veces tenía que escribir continue para que terminara la tarea».

Qué significa

La guía de KDnuggets apunta a un cambio importante: las combinaciones locales de IA con agentes son cada vez más baratas, sencillas y útiles en el desarrollo diario. Aún no sustituyen a los modelos potentes en la nube, pero ya ofrecen una opción viable para experimentos privados, aprendizaje, prototipos y tareas de ingeniería pequeñas.