Transformar LM Studio em um servidor de API OpenAI (2026)

#O que você obtém

Ao final deste guia, você terá um endereço http://localhost:1234/v1 que qualquer SDK da OpenAI (Python, JavaScript, C#), LangChain ou ferramenta de código como Cline ou Continue pode usar no lugar da API da OpenAI. O servidor também oferece uma API nativa em /api/v1 (chat com estado, carregamento e download de modelos) e endpoints compatíveis com a Anthropic. Tudo permanece na sua máquina: o modelo, as requisições e as respostas não saem do seu computador, desde que você mesmo não exponha o servidor na rede.

#1. Iniciar o servidor

1. 01
   Abra a aba Developer

   No LM Studio, a aba Developer agrupa o servidor, seus logs e suas configurações. O modelo a ser servido deve ser baixado previamente.
2. 02
   Ative Start server

   Ative o interruptor Start server: o servidor inicia na porta indicada em Server Settings, 1234 nos exemplos da documentação.
3. 03
   Ou inicie pela linha de comando

   Através de um terminal, o comando lms server start inicia o mesmo servidor, sem abrir a interface.
4. 04
   Verifique a lista de modelos

   Consulte /v1/models para confirmar que o servidor está respondendo e ver os identificadores dos modelos a serem usados nas suas requisições.

lms server start

#2. As configurações do servidor, uma por uma

As configurações ficam em Developer, Server Settings. Elas determinam quem pode chamar o servidor e o que os clientes podem fazê-lo executar. A maioria dos problemas de integração vem de uma dessas opções, geralmente a de rede ou a de CORS.

#3. Testar com curl

Uma primeira chamada de teste é suficiente para validar o servidor. Nas requisições, o campo model deve conter o identificador do modelo tal como aparece no LM Studio, e não um nome genérico como local-model: a documentação lembra isso no exemplo curl.

curl http://localhost:1234/v1/models

curl http://localhost:1234/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "IDENTIFIANT-DU-MODELE",
    "messages": [
      {"role":"system","content":"Tu es concis."},
      {"role":"user","content":"Capitale du Portugal ?"}
    ],
    "temperature": 0.2
  }'

A resposta é um JSON no formato OpenAI: choices[0].message.content contém o texto. Se o campo model estiver incorreto, ou se o carregamento sob demanda estiver desativado e o modelo não estiver carregado, a requisição falha: verifique primeiro o identificador retornado por /v1/models.

#4. Chamar do Python

O SDK openai pode ser usado alterando apenas o endereço base: é essa a alteração mostrada na documentação do LM Studio. O SDK exige uma chave; enquanto a autenticação estiver desativada, o LM Studio não a verifica, e, se você ativar a autenticação, a chave passa a ser seu token de API.

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:1234/v1",
    api_key="lm-studio",  # ignorée sans authentification ; votre jeton sinon
)

resp = client.chat.completions.create(
    model="IDENTIFIANT-DU-MODELE",
    messages=[
        {"role": "system", "content": "Réponds en 1 phrase."},
        {"role": "user",   "content": "Qu'est-ce qu'un LLM ?"},
    ],
    temperature=0.3,
    stream=True,
)

for chunk in resp:
    delta = chunk.choices[0].delta.content or ""
    print(delta, end="", flush=True)

O streaming funciona como na OpenAI: nenhuma alteração é necessária no lado do cliente para exibir os tokens em tempo real. Para agentes e editores, o LM Studio também implementa o endpoint /v1/responses, apresentado abaixo.

#Qual API escolher: OpenAI, Anthropic ou nativa

O LM Studio oferece três famílias de endpoints. Os endpoints compatíveis com a OpenAI cobrem modelos, respostas, chat, embeddings e completions. Os endpoints compatíveis com a Anthropic aceitam o formato de mensagens da Anthropic. Desde a versão 0.4.0, a API nativa /api/v1 adiciona funções próprias do LM Studio: chat com estado, carregamento, descarregamento e download de modelos, além de configuração do contexto por requisição.

#6. Vários modelos: carregamento on-demand e TTL

Com o carregamento on-demand (JIT, para Just in Time), a primeira chamada a um modelo o carrega na memória, e /v1/models lista todos os modelos baixados, não apenas os carregados. Sem JIT, /v1/models retorna apenas os modelos já carregados e você precisa carregar o modelo antes de chamá-lo. Esse modo é ideal quando uma ferramenta como Zed, Cline ou Continue escolhe sozinha o modelo.

TTL padrão

Um modelo carregado on-demand é descarregado após 60 minutos sem requisição.

TTL por requisição

Adicione um campo ttl (em segundos) na solicitação; 300 corresponde a 5 minutos.

TTL para lms load

Os modelos carregados com lms load não possuem TTL padrão: use a opção --ttl.

Auto-Evict

Ativado por padrão: apenas um modelo carregado sob demanda permanece na memória por vez. Desative-o para manter vários.

#7. Expor o servidor na rede, com autenticação

Para que outro computador da rede acesse seu servidor, ative Serve on Local Network em Server Settings ou inicie com o endereço de escuta 0.0.0.0. O servidor deixa então de escutar apenas em localhost: a documentação alerta que qualquer bind diferente de 127.0.0.1 o expõe para além da própria máquina e recomenda ativar a autenticação.

lms server start --bind 0.0.0.0

curl http://192.168.1.42:1234/v1/models

Diferentemente de uma ideia comum, LM Studio sabe autenticar as requisições. Por padrão, não exige autenticação; ao ativar a opção no Server Settings, aceita apenas requisições com token de API válido, criado no Manage Tokens com permissões escolhidas. O token é exibido apenas na criação: copie-o imediatamente. Essa função exige LM Studio 0.4.0 ou uma versão mais recente.

curl http://192.168.1.42:1234/v1/models \
  -H "Authorization: Bearer $LM_API_TOKEN"

Para acesso pela Internet, não exponha a porta: use uma VPN ou um proxy reverso com TLS. O princípio é o mesmo de um servidor Ollama, detalhado no guia de segurança. Uma alternativa mais simples para usar um modelo de outra máquina é o LM Link, que disponibiliza um modelo de um dispositivo remoto como se estivesse carregado localmente.

• Proteger um servidor de IA local: autenticação, proxy reverso, exposição

#Sem interface gráfica: llmster e início automático

Desde a versão 0.4.0, o núcleo do LM Studio existe na forma de um daemon autônomo, llmster, projetado para rodar sem interface em um servidor Linux, em uma máquina com GPU ou em um computador local. Ele é instalado com uma linha de comando, iniciado com lms daemon up e, em seguida, o servidor é iniciado com lms server start. Em um computador com interface, você também pode marcar, nas configurações do aplicativo, a opção que inicia o servidor ao entrar na sessão: ao fechar o aplicativo, ele é minimizado para a bandeja do sistema e o servidor continua funcionando.

curl -fsSL https://lmstudio.ai/install.sh | bash
lms daemon up
lms server start

#9. Desempenho: o que realmente importa

Offload para a GPU

Carregue o maior número de camadas possível na VRAM. Um modelo que precisa usar também a RAM do sistema perde a maior parte de sua taxa de geração.

Context Length

Escolha o tamanho de contexto de que você precisa, não o máximo: o cache de contexto ocupa VRAM e cresce com o tamanho do contexto.

Max Concurrent Predictions

Número de requisições processadas simultaneamente por um modelo; acima disso, elas aguardam na fila.

Unified KV Cache

Ativado por padrão: os recursos não são compartilhados em partes fixas entre requisições, o que permite tamanhos de requisição variáveis.

O guia sobre Flash Attention e o guia sobre a janela de contexto detalham os efeitos na memória. Para uma alta taxa de processamento com vários usuários, um servidor dedicado continua sendo mais adequado: o guia sobre vLLM mostra como fazer a implantação.

• Flash Attention no llama.cpp
• Compreender a janela de contexto

#Limitações e alternativas: o que mudou

Várias limitações frequentemente citadas já não se aplicam, e corrigir essas informações muda a escolha da ferramenta. A tabela compara o que ainda se lê com o que a documentação atual indica.

Ainda existem limitações reais: o LM Studio foi feito para uma estação de trabalho, não para um cluster; o batching contínuo não substitui um servidor projetado para dezenas de usuários, como o vLLM; e as atualizações do aplicativo podem alterar um comportamento, o que exige manter uma versão fixa em uma máquina que disponibiliza um serviço. Para escolher entre o LM Studio e seus concorrentes, compare-os antes de se comprometer.

• Implantar vLLM em produção
• Ollama vs LM Studio vs Jan vs GPT4All
• LM Studio no Linux
• Conectar Cline a um modelo local

• Fonte: documentação LM Studio, servidor de API local
• Fonte: documentação LM Studio, configurações do servidor
• Fonte: documentação LM Studio, autenticação
• Fonte: documentação LM Studio, compatibilidade com OpenAI
• Fonte: anúncio de LM Studio 0.4.0