
Du har hämtat en modell i LM Studio men vill kunna styra när den ligger i minnet. Börja med att skilja två listor åt: vad som finns på disk och vad som är laddat just nu. Den här guiden följer en enda modell genom uppskattning, laddning och avlastning. Du får ett litet körprotokoll där varje förändring går att kontrollera.
Du behöver LM Studio och en redan nedladdad modell. Kommandona följer dokumentationen kontrollerad 9 november 2026. Redaktionens miljö hade inte lms i PATH, så inget av modellproven har körts här. Facit beskriver vad du ska kontrollera på din egen dator; inga minnesvärden eller körresultat är uppmätta för artikeln.
1. Kontrollera att terminalen hittar lms
LM Studios CLI följer med appen, som ska ha startats minst en gång. Öppna LM Studio och sedan en terminal. I Windows kan du använda PowerShell. Kör först hjälpen; den kontrollen behöver ingen laddad modell.
lms --help
Facit: du ser kommandots hjälptext. Om terminalen säger att lms inte känns igen är du inte framme vid ett modellfel. Kontrollera att du startat appen och att terminalen hittar det installerade kommandot. Anteckna appversion och versionen som hjälpen visar om den anges. Installera inte ett paket med ett snarlikt namn för att komma förbi felet.
Saknar du app, modellfil eller körmotor börjar du med installationen av LM Studio på Windows. Här förutsätter du att den delen fungerar. Guiden använder den lokala instansen och ingen --host-flagga; du behöver inte starta någon HTTP-server.
2. Jämför modellen på disk med modellen i minnet
Enligt referenserna listar lms ls nedladdade modeller och lms ps laddade modeller. Kör dem efter varandra och välj en liten modell du redan har. Använd listorna från samma installation.
lms ls
lms ps
Kopiera den valda modellens nyckel från disklistan. Skriv även ned eventuell post för den i minneslistan. Om du har flera kvantiseringar av samma modell är modellfamiljens namn för oprecist: du behöver kunna peka ut vilken lokal variant du faktiskt väljer.
Facit: du kan säga om just din modell finns i båda listorna eller bara i disklistan. En post i ls bevisar inte att modellen är laddad. En tom ps-lista betyder inte att modellfilerna saknas. Håll de två observationerna på var sin rad i anteckningarna.
3. Uppskatta med samma kontext som du ska använda
Laddningsreferensen beskriver --estimate-only: kommandot skriver en uppskattning utan att ladda modellen. Använd samma kontext vid uppskattningen och den efterföljande laddningen. I exemplet är 4096 token ett valt provvärde, inte ett krav eller ett löfte om vad din modell stöder.
Byt platshållaren i första raden mot nyckeln du nyss kopierade. Behåll citattecknen runt värdet.
$modelKey = 'klistra-in-exakt-modellnyckel'
lms load $modelKey --context-length 4096 --estimate-only
lms ps
Facit: uppskattningen innehåller minnesuppgifter och den valda modellen har inte tillkommit i ps enbart genom uppskattningen. Om modellen redan var laddad före steget ska den befintliga posten inte tolkas som en ny laddning. Välj då en annan oladdad modell eller gör den manuella avlastningen i steg 5 först.
Skriv belopp och enhet som faktiskt visas. Om du ändrar kontext- eller GPU-val behöver du göra en ny uppskattning med de nya valen. Ett estimat är inget bevis för att laddningen kommer att lyckas; håll det skilt från den observerade laddningen. För den större minnesbudgeten finns hårdvaruguiden för lokal AI.
4. Ladda modellen och kontrollera identifieraren
Ladda samma modell med samma kontext och ge den ett eget namn för den laddade instansen. Flaggan --identifier anger en identifierare som kan användas i API-referenser. Den ändrar inte vilken modellnyckel du valde från disklistan.
lms load $modelKey --context-length 4096 --identifier lokal-prov
lms ps
Facit: ps visar den valda modellen som laddad, med identifieraren lokal-prov. Jämför också modellens sökväg eller motsvarande information med ditt val från steg 2. Ett lyckat kommando utan den jämförelsen är ett svagt prov när flera varianter heter nästan likadant.
Om laddningen nekas sparar du felmeddelandet och de val du använde. Byt sedan en sak i taget, exempelvis till en mindre redan nedladdad modell eller en kortare kontext som modellen stöder. Anteckna den nya uppsättningen och gör om uppskattningen. Behåll inte ett gammalt estimat bredvid ett nytt laddningsförsök som om de hörde ihop.
Vill du därefter göra HTTP-anrop finns guiden om LM Studios lokala server. Där hör port, token och nätverksåtkomst hemma. Den här kontrollen slutar vid att rätt modell är laddad.
5. Avlasta rätt modell och kontrollera filen
För det manuella provet använder du det interaktiva valet. lms unload utan modellargument låter dig välja bland laddade modeller. Välj posten från föregående steg. Undvik att avlasta allt när andra modeller kan användas i en annan arbetsuppgift.
lms unload
lms ps
lms ls
Facit: den valda laddade posten försvinner ur ps, medan modellfilen fortfarande finns i ls. Då har du kontrollerat skillnaden mellan att ta bort modellen ur det laddade läget och att ta bort den från disk. Den här guiden utför ingen filradering.
Om posten fortfarande syns behöver du undersöka om du valde en annan laddad instans eller om en klient använder och laddar modellen igen. Prova i ett lugnt läge utan pågående modellarbete. Att posten försvinner ur listan visar just det laddade läget; det mäter inte exakt hur mycket fysiskt RAM som operativsystemet nu redovisar som ledigt.
6. Prova automatisk avlastning separat
Först när den manuella kedjan fungerar provar du --ttl. Referensen definierar den som sekunder av inaktivitet före avlastning. Ladda modellen igen med en kort provtid, och låt andra klienter vara frånkopplade under väntan.
lms load $modelKey --context-length 4096 --identifier lokal-prov --ttl 60
lms ps
Kontrollera först att modellen har blivit laddad. Låt den därefter vara oanvänd längre än provets 60 sekunder och kör lms ps igen. Kör inte unload mellan dessa två observationer: då skulle du inte veta vilken av de två avlastningsvägarna du prövade.
Facit: modellen syns efter laddning och försvinner efter en period utan användning enligt TTL-inställningen. Anteckna faktisk observationstid i stället för att kräva att posten försvinner på exakt sekund 60. Om den är kvar kontrollerar du först att rätt flagga stöds av din CLI-version och att inget annat använder modellen under provet. En ny fråga under väntan gör inte detta till samma inaktivitetsprov.
Spara ett körprotokoll som skiljer val från resultat
| Del | Det du sparar |
|---|---|
| Miljö | Datum, app- och CLI-version samt vald lokal installation. |
| Modell | Exakt nyckel från disklistan och identifieraren från minneslistan. |
| Val | Kontext i token, eventuellt ändrade GPU-val och TTL i sekunder. |
| Uppskattning | De belopp och enheter som estimatet visade, märkta som uppskattade. |
| Observationer | Laddad post, manuell avlastning, kvarvarande diskpost och separat TTL-prov. |
Du är klar när samma modell kan följas genom hela kedjan och protokollet visar vilka steg som faktiskt provats. En modell som bara går att välja i appen har inte därmed klarat TTL-provet. En snygg minnessiffra har inte därmed verifierat en laddning. Använd protokollet nästa gång du ändrar kontext eller modell, så att du kan jämföra samma val med nya observationer.
FAQ
Måste jag ladda ned modellen igen efter unload?
Avlastningen gäller modellen i minnet. Kontrollera efteråt att samma modell finns kvar i disklistan med lms ls; då kan du välja den igen utan att detta steg kräver en ny filhämtning.
Är minnesuppskattningen ett löfte om att modellen ryms?
Nej. Spara uppskattningen med de inställningar du använde och kontrollera den faktiska laddningen separat. Ändrar du inställningarna behöver du en ny uppskattning.
Varför har modellnyckeln och identifieraren olika namn?
Modellnyckeln väljer den lokala modellen. Identifieraren som sätts med --identifier namnger den laddade modellen för API-referenser, så anteckna båda.
Räknas TTL från det att jag laddar modellen?
TTL anges som sekunder av inaktivitet. Prova därför med en oanvänd modell och utan manuellt unload under väntan; ett nytt anrop gör observationen svårare att tolka.
Källor och metod
- LM Studio: CLI – medföljande verktyg, första appstart och hjälp.
- LM Studio: lms ls – modeller på disk.
- LM Studio: lms ps – laddade modeller.
- LM Studio: load och unload – uppskattning, kontext, identifierare och TTL.
Källorna kontrollerades 9 november 2026. Kommandona är dokumentationsbaserade läsarprov; ingen modell laddades eller minnesmängd mättes för artikeln. Provtider, arbetsordning och körprotokoll är redaktionella förslag.