Llama 4 Scout en Ollama: ajustes, soluciones cuando no funciona, app de Windows y alternativas
Ejecutar Llama 4 Scout en Ollama desde un PC con Windows implica descargar unos 60 GB o más, una configuración de contexto que decide si cabe en memoria y una serie de errores que se repiten. Aquí tienes los ajustes, las soluciones y las alternativas para cuando tu hardware no da la talla.
Escribiste ollama run llama4:scout, esperaste una descarga del tamaño de una biblioteca pequeña de juegos y acabaste con una respuesta que avanza una palabra cada pocos segundos, un error de memoria o un modelo que olvida lo que dijiste hace dos mensajes. Esa es la primera experiencia normal con este modelo, y casi nada de eso significa que algo esté roto. Llama 4 Scout es un modelo de mezcla de expertos de 109 000 millones de parámetros y Ollama tiene que meterlo en la GPU y la RAM que tengas.
Este artículo recorre los ajustes que importan, las soluciones a los fallos habituales, cómo encaja la app de Ollama para Windows y qué usar cuando tu equipo simplemente no puede con el modelo.
💡 Versión corta: Scout necesita bastante más memoria de lo que sugiere la etiqueta "17B activos". Configura una longitud de contexto realista, confirma con ollama ps que el modelo está en tu GPU y, si los números no cuadran, usa una versión alojada en lugar de pelear con tu hardware.
Qué es realmente Llama 4 Scout
Meta lanzó Scout como el hermano pequeño de Maverick dentro de la familia Llama 4. Las cifras que se citan son correctas, pero fáciles de malinterpretar:
Especificación
Llama 4 Scout
Parámetros totales
Unos 109 000 millones
Parámetros activos por token
17 000 millones
Expertos
16
Ventana de contexto anunciada
Hasta 10 millones de tokens
Etiqueta predeterminada en Ollama
llama4:scout (cuantización Q4_K_M)
Tamaño típico de descarga
Entre 60 y 67 GB aproximadamente, según la fuente
La trampa está en la cifra de "17B activos". En un modelo de mezcla de expertos solo se ejecuta una parte de la red en cada token, lo que hace que la generación sea rápida cuando todo está cargado. Pero los 109 000 millones de parámetros siguen teniendo que estar en algún lugar de la memoria. Así que la velocidad de un modelo de 17B llega con la factura de almacenamiento de un modelo de 109B.
El contexto de 10 millones de tokens es una capacidad de la arquitectura, no algo que un PC doméstico pueda aprovechar. La memoria que usa la caché KV crece con cada token de contexto, así que una ventana enorme puede agotar la VRAM aunque los pesos quepan.
Quién debería ejecutarlo en local
Scout en local tiene sentido si tienes una GPU de estación de trabajo o un equipo con mucha memoria unificada o del sistema, si necesitas que los prompts se queden en tu propio disco o si quieres experimentar con flujos de trabajo sin conexión. Si tienes una sola tarjeta de juegos de 8 GB o 12 GB, espera que parte del modelo se ejecute en la CPU y que la salida sea lenta.
Comprobación realista del hardware
Las guías de terceros sitúan el mínimo práctico del modelo cuantizado en unos 24 GB de VRAM, mientras que la versión Q4_K_M completa necesita algo más cercano a 70 GB de memoria combinada para funcionar con holgura. Tómalos como objetivos aproximados, no como garantías.
Tu configuración
Qué esperar
GPU de 8 a 12 GB, 32 GB de RAM
La mayoría de capas en la CPU, muy lento, puede no cargar
GPU de 24 GB, 64 GB de RAM
Funciona con descarga parcial, útil para chats cortos
48 GB o más de memoria de GPU
Casi todo o todo en la GPU, buena velocidad
Equipo de memoria unificada con 64 GB o más
Funciona bien, la velocidad depende del ancho de banda de memoria
También necesitas espacio en disco. Ollama guarda los archivos del modelo en tu perfil de usuario de forma predeterminada, y una descarga de más de 60 GB en un disco del sistema casi lleno es una causa clásica de descarga fallida.
💡 Prueba rápida: libera unos 80 GB en la unidad que contiene la carpeta de modelos de Ollama antes de empezar. Eso cubre el modelo y los datos temporales de la descarga.
Instalar y ejecutar en Windows
Ollama funciona de forma nativa en Windows 10 y 11. Descargas el instalador desde la web de Ollama, lo ejecutas y la app se inicia en la bandeja del sistema. No hace falta configurar WSL.
Descargar y ejecutar el modelo
Abre PowerShell o Windows Terminal y ejecuta:
ollama pull llama4:scout
ollama run llama4:scout
El primer comando descarga los pesos. El segundo abre un chat interactivo. Si solo quieres comprobar que la instalación funciona antes de hacer la descarga grande, descarga primero un modelo pequeño y luego vuelve a Scout.
Comprobar dónde está el modelo
Justo después de que el modelo responda, ejecuta:
ollama ps
Mira la columna PROCESSOR. "100% GPU" es lo que quieres. Una división como "40%/60% CPU/GPU" significa que parte del modelo se ejecuta en el procesador, lo que explica la salida lenta. Este único comando diagnostica más quejas que cualquier otra cosa.
Los ajustes que importan
Longitud de contexto
Es el ajuste que más gente configura mal. Ollama elige un tamaño de contexto predeterminado según tu VRAM: con menos de 24 GiB de VRAM usa unos 4k tokens, y entre 24 y 48 GiB pasa a unos 32k. Una ventana de 4k hace que los documentos largos se corten y que el modelo parezca "olvidar" los mensajes anteriores.
Tienes tres formas de aumentarla:
Control deslizante de la app de Ollama. Abre los ajustes de la app y mueve el control de longitud de contexto.
Variable de entorno. Define OLLAMA_CONTEXT_LENGTH con un valor como 16384 antes de que arranque el servidor.
Por sesión. Dentro de ollama run, escribe /set parameter num_ctx 16384.
Cada aumento cuesta memoria. Duplicar la ventana casi duplica la caché KV, así que súbela por pasos y vigila ollama ps tras cada cambio.
Configurar variables de entorno en Windows
Sal de Ollama desde la bandeja del sistema.
Abre Configuración, busca "variables de entorno" y abre el editor de tu cuenta.
Añade una nueva variable de usuario, por ejemplo OLLAMA_CONTEXT_LENGTH con el valor 16384.
Haz clic en Aceptar e inicia Ollama de nuevo desde el menú Inicio.
Si defines la variable y no cambia nada, la causa habitual es que Ollama seguía ejecutándose en la bandeja y nunca volvió a leer el entorno.
Ajustes que conviene conocer
Ajuste
Qué hace
Cuándo tocarlo
OLLAMA_CONTEXT_LENGTH
Contexto predeterminado para todos los modelos
Documentos largos, chats largos
OLLAMA_KEEP_ALIVE
Cuánto tiempo permanece cargado el modelo
Ponlo más alto para evitar recargas lentas de un modelo enorme
OLLAMA_MODELS
Carpeta donde se guardan los modelos
Mueve los archivos de más de 60 GB a una unidad más grande
OLLAMA_FLASH_ATTENTION
Atención más amable con la memoria
Pruébalo cuando el contexto te haga superar el límite de VRAM
OLLAMA_KV_CACHE_TYPE
Comprime la caché KV (por ejemplo q8_0)
Mete más contexto en la misma memoria
temperature (Modelfile)
Aleatoriedad de la salida
Más bajo para hechos y código, más alto para escribir
Un Modelfile personalizado te permite guardar tus elecciones:
FROM llama4:scout
PARAMETER num_ctx 16384
PARAMETER temperature 0.4
Después ejecuta ollama create scout-16k -f Modelfile y arráncalo con ollama run scout-16k.
¿No funciona? Soluciones por síntoma
La descarga falla o se detiene
Revisa el espacio libre en la unidad de modelos. Una descarga de más de 60 GB muere en silencio cuando el disco se llena.
Ejecuta ollama pull llama4:scout de nuevo. Las descargas se reanudan en lugar de empezar de cero.
En una red corporativa o escolar, un proxy o un filtro puede interrumpir las descargas grandes. Prueba otra conexión.
Confirma que tu versión de Ollama está actualizada. Las arquitecturas de modelo más nuevas necesitan un runtime más reciente, y una instalación antigua puede no reconocer la etiqueta.
"El modelo requiere más memoria del sistema"
Ollama te está diciendo que los pesos más el contexto no caben. Tus opciones, de la más fácil a la más difícil:
Baja num_ctx a 4096 y vuelve a intentarlo.
Cierra el navegador y otras apps que ocupen RAM y VRAM.
Aumenta el archivo de paginación de Windows para que el desbordamiento tenga espacio, sabiendo que será lento.
Añade RAM o cambia a un modelo más pequeño.
Funciona, pero va dolorosamente lento
Ejecuta ollama ps. Si el modelo está repartido entre CPU y GPU, esa es la respuesta. La velocidad cae en picado cuando las capas se desbordan a la RAM del sistema, porque la ruta de la CPU tiene un ancho de banda mucho menor que la VRAM. Reduce la longitud de contexto, activa flash attention o acepta que este hardware se aprovecha mejor con un modelo más pequeño.
Olvida la conversación
Es otra vez la ventana predeterminada de 4k. Sube num_ctx como se explicó antes y prueba con un prompt largo. Si un documento largo se recorta sin avisar, la ventana sigue siendo demasiado pequeña para él.
Usa la CPU en lugar de la GPU
Actualiza el controlador de tu tarjeta gráfica. Los controladores antiguos son una causa frecuente.
Asegúrate de que ningún otro programa acapara la memoria de la GPU. Los juegos, los editores de video y las pestañas del navegador con aceleración por hardware ocupan su parte.
Reinicia Ollama desde la bandeja para que vuelva a detectar la tarjeta.
Si tienes una GPU integrada y otra dedicada, comprueba que Windows no esté enviando el proceso a la más débil.
La app se abre, pero no responde
Sal de Ollama desde la bandeja, asegúrate de que no quede ningún proceso ollama suelto en el Administrador de tareas y vuelve a iniciarla. Si otro programa ya usa el puerto predeterminado, cámbialo con OLLAMA_HOST, por ejemplo 127.0.0.1:11500.
💡 Regla general: cuando algo falle, cambia un ajuste cada vez y revisa ollama ps tras cada cambio. Cambiar tres cosas a la vez oculta la causa.
La app de Windows frente a la terminal
La app de Ollama para Windows te da una ventana de chat sencilla, un selector de modelos y un panel de ajustes con el control deslizante de contexto, además del servidor en segundo plano al que se conectan otras herramientas. Es la forma más amable de usar Scout si no te gustan las líneas de comandos.
Función
App de Windows
Terminal
Interfaz de chat
Sí
Texto básico
Control deslizante de contexto
Sí
Usa num_ctx o la variable de entorno
Modelfiles personalizados
No
Sí
Scripts y automatización
Limitado
Completo
Diagnóstico (ollama ps, registros)
Limitado
Completo
La mayoría acaba usando las dos: la app para chatear de forma casual y la terminal para resolver problemas. Uses lo que uses, el servidor en segundo plano también expone una API local, así que los editores y las interfaces de chat de terceros pueden conectarse a él.
💡 Consejo: si defines una variable de entorno y el control deslizante de la app muestra otro valor, el control deslizante manda en los chats iniciados dentro de la app. Elige un único lugar para gestionar el contexto y mantente en él.
Cuándo lo local es la elección equivocada
Sé honesto con la contrapartida. Un modelo local grande te da privacidad y ningún costo por mensaje, pero pagas con espacio en disco, electricidad, tiempo de configuración y paciencia. Si alguno de estos puntos te describe, descarta la ruta local:
Tienes menos de 24 GB de VRAM y menos de 64 GB de RAM.
Quieres respuestas rápidas para escribir, resumir o programar, no un proyecto de fin de semana.
Cambias entre dispositivos, incluido un equipo portátil que no puede alojar el modelo.
No quieres mantener controladores, runtimes y una carpeta de modelo de 60 GB.
El modelo es de la misma familia en cualquier caso. Alojarlo en otro lugar solo cambia dónde viven los 109 000 millones de parámetros.
Las cuentas de memoria de un vistazo
La planificación aproximada funciona así: pesos (alrededor de 60 a 67 GB para la cuantización predeterminada) más la caché KV (crece con el contexto) más la sobrecarga del runtime y del sistema operativo. Si ese total supera tu VRAM, el excedente va a la RAM del sistema, y cada escalón hacia abajo cuesta velocidad. Si el total supera la VRAM más la RAM, el modelo no se cargará en absoluto.
Cómo usar Llama 4 Scout Instruct en PicassoIA
Si quieres Scout sin la descarga, Llama 4 Scout Instruct está disponible en PicassoIA y funciona en el navegador. No hay instalador, ni comprobación de controladores, ni ajuste de contexto que calibrar con tu VRAM.
Escribe tu prompt en el cuadro de entrada. Sé específico con el formato, la longitud y el público.
Ajusta los parámetros de generación que aparecen en la página. Una temperatura baja (alrededor de 0,2 a 0,5) va bien para datos, código y resúmenes, mientras que una más alta (0,7 a 1,0) va mejor para lluvia de ideas y escritura creativa.
Define una longitud máxima razonable para la respuesta, para no esperar un texto que no vas a usar.
Ejecuta el prompt, lee el resultado y afínalo. Las instrucciones de seguimiento cortas, como "más corto" o "como tabla", funcionan bien.
Consejos para los prompts
Asigna al modelo un rol y un objetivo: "Actúa como editor técnico. Reescribe este párrafo para un principiante."
Pega el texto original directamente y luego pide el formato de salida que quieras.
En tareas largas, divide el trabajo en etapas: primero el esquema, después el borrador y por último el pulido.
💡 Uso práctico: ejecuta el mismo prompt en un Scout alojado y en tu configuración local de Ollama. Si las respuestas tienen la misma calidad, sabrás que tus ajustes locales están bien.
Alternativas que merece la pena probar
Si Scout es demasiado pesado o no encaja contigo, estos modelos de PicassoIA cubren gran parte de las mismas tareas:
Para uso local, los modelos más pequeños de Ollama son la ruta realista en un hardware modesto. Cualquier modelo del rango de 7B a 14B se carga rápido en una GPU de gama media, maneja el chat del día a día y evita todos los problemas de memoria de arriba. La contrapartida es menor calidad en tareas largas y complejas.
Cuál elegir
La privacidad es lo más importante: ejecuta un modelo más pequeño en local con Ollama.
La calidad es lo más importante y tu hardware es modesto: usa un modelo alojado.
Necesitas razonamiento: prueba Deepseek R1.
Trabajas con imágenes y texto a la vez: prueba Qwen3.7-Plus.
Lista rápida de soluciones
Antes de rendirte con una configuración local de Scout, repasa esta lista:
Libera al menos 80 GB de espacio en disco.
Actualiza Ollama y el controlador de tu tarjeta gráfica.
Sal de Ollama desde la bandeja y vuelve a iniciarlo.
Ejecuta ollama ps y lee la columna PROCESSOR.
Baja num_ctx a 4096 y luego súbelo por pasos.
Cierra las apps que usan VRAM.
Prueba OLLAMA_FLASH_ATTENTION y una caché KV comprimida.
Compara con un modelo más pequeño para confirmar que la instalación en sí está sana.
Pruébalo sin configurar nada
Si prefieres dedicar tu tiempo a escribir, programar y probar ideas en lugar de ajustar longitudes de contexto, abre Llama 4 Scout Instruct en PicassoIA y ejecuta tu primer prompt en un minuto. Compáralo con Deepseek V3.1 y Llama 4 Maverick Instruct con la misma tarea, y quédate con el que te dé las mejores respuestas. Cuando quieras ir más allá del texto, PicassoIA también ofrece modelos de generación de imágenes, video, voz y música, y puedes explorarlos todos en picassoia.com/en/all-models.