LM Studio LM Link: модель на другом компьютере через локальный API

Когда LM Link решает задачу удалённого сервера?

Допустим, на домашнем или офисном компьютере есть подходящая вам модель и вычислительные ресурсы, а работать нужно с ноутбука. LM Link объединяет ваши устройства в отдельную сеть для LM Studio: удалённую модель можно загрузить и вызвать так, будто она доступна клиенту локально. На ноутбуке HTTP-приложение обращается к его собственному LM Studio API; исполнение модели происходит на связанном устройстве. Не путайте это с установкой модели на ноутбук или с подключением произвольного публичного OpenAI-сервера. s1 s2 s3

Практический маршрут: задача диалога с выбранной моделью → проверка доступности её файлов и ресурсов компьютера-сервера → LM Studio либо llmster на сервере → LM Link на обоих устройствах → локальный API ноутбука → сверка ответа и активного удалённого узла. Если вам достаточно одного компьютера без внешнего канала связи, сначала используйте обычный запуск LM Studio; LM Link добавляет сетевую и учётную зависимость. s1 s2 s3

Запрос lm studio remote server неоднозначен: кто-то ищет доступ к своему серверу, кто-то — удалённый MCP-инструмент, а кто-то хочет подключить Ollama. Этот материал — о первом случае, двух устройствах с LM Studio/llmster в одной LM Link-связке. Настройка удалённого MCP здесь не требуется. s1 s4

Что нужно проверить до включения?

1. На вычислительной машине установите LM Studio с интерфейсом либо headless-версию llmster. Выберите конкретную модель в подходящем формате и убедитесь, что она действительно запускается на этой машине. Документация LM Link разрешает загружать удалённые модели из клиента, но это не гарантия памяти, скорости или качества любой модели на вашем GPU/CPU. Для headless-подготовки есть отдельный гайд llmster. s2
2. На ноутбуке установите LM Studio. У обоих устройств должен быть доступ к своей LM Link-связке: документация требует входа, чтобы связать устройства с владельцем и обнаружить их. Для строгого изолированного контура, где никакого обращения к внешнему сервису быть не должно, не считайте LM Link офлайн-решением; проверяйте границы своего контура. s2 s4
3. Определите, какой узел будет исполнять модель. При одинаковом имени модели на нескольких устройствах загрузчик показывает их как разные записи с именем узла. Для REST/SDK клиент может использовать предпочтительное устройство, причём выбор независим на каждом компьютере: без этой проверки успешный ответ ещё не доказывает удалённое исполнение. s2 s3 s4
4. Не выводите для этой схемы HTTP-сервер на 0.0.0.0 «чтобы ноутбук его увидел»: LM Link маршрутизирует запрос через локальный API клиента. CLI LM Studio указывает 127.0.0.1 как адрес привязки по умолчанию и отдельно предупреждает о риске сетевого bind. Если вам действительно нужен отдельный сетевой API, сначала настройте аутентификацию и ограничения по гайду защиты API. s3 s6

Условный «сервер с большим GPU» в документации — пример сценария, не минимальные системные требования. Размер файла весов не показывает полный бюджет RAM/VRAM: проверьте загрузку, контекст и свободную память для своего варианта на своём железе. Собственных измерений Modelium здесь нет. s1 s2

Как связать два компьютера и выбрать модель?

Шаг 1 — сервер. В настольном LM Studio откройте LM Link в боковой панели и пройдите вход и включение. На headless-машине после установки llmster выполните lms login, следуйте указаниям терминала и только затем lms link enable. Не запускайте скачанный shell-скрипт вслепую: URL установщика из документации проверяйте перед выполнением, а подробности headless-установки оставьте отдельному гайду. s2

Шаг 2 — ноутбук. Войдите в LM Studio под своей связкой, откройте LM Link и добавьте второе устройство; при успешной связи компьютеры обнаруживаются автоматически. Команда lms link status показывает, включена ли связь, подключённые узлы и их загруженные модели; вариант lms link status --json подходит для сохранения контрольного состояния. Если приложение не видит узел, прежде чем обвинять модель, убедитесь, что LM Studio или llmster продолжает работать на сервере. s2 s4 s5

Шаг 3 — выбор. Откройте загрузчик моделей на ноутбуке: в списке должны быть локальные и удалённые записи с привязкой к устройству. Выберите конкретную удалённую запись, загрузите модель и сохраните её идентификатор. Если тот же вариант есть на обоих компьютерах, назначьте предпочтительный сервер в LM Link или через lms link set-preferred-device на клиенте; затем повторите проверку статуса. Не делайте вывод о маршруте только из одинакового имени модели. s2 s3 s4

Этот путь не требует переноса весов модели на ноутбук и не означает, что у клиента появилась мощность серверного GPU. Достаточность ресурсов и доступность весов на вычислительной машине надо подтвердить отдельно. s1 s2

Как получить ответ через API и не ошибиться с устройством?

На ноутбуке запустите локальный HTTP-сервер LM Studio командой lms server start --port 1234 --bind 127.0.0.1. Убедитесь, что выбранная удалённая модель загружена, а lms link status на обеих сторонах показывает ожидаемую связку. Затем сделайте curl http://127.0.0.1:1234/v1/models: endpoint возвращает модели, видимые серверу; если включена Just-In-Time-загрузка, в перечне могут быть и скачанные, но ещё не загруженные варианты. Один ответ /v1/models не доказывает, что удалённая модель реально исполняла запрос. s3 s5 s6 s7

Для одного контрольного диалога используйте документированный OpenAI-совместимый POST /v1/chat/completions с точным идентификатором выбранной модели. Пример, который надо адаптировать под свой model, не запускался Modelium: curl -sS http://127.0.0.1:1234/v1/chat/completions -H 'Content-Type: application/json' -d '{"model":"MODEL_ID","messages":[{"role":"user","content":"Ответь одним словом: связь"}],"temperature":0}'. Замените MODEL_ID на идентификатор модели, доступной вашему локальному серверу; убедитесь в HTTP-успехе, отсутствии поля error и наличии непустого choices[0].message.content. Формат ответа и поддерживаемые параметры зависят от конкретного endpoint/модели; сам текст ответа не служит аттестацией машины. s7 s8

Зафиксируйте на сервере, что выбранная модель загружена, и сопоставьте lms link status на обеих машинах до и после запроса. Проверьте в интерфейсе выбранный узел и, если один и тот же ID модели есть локально, временно выгрузите локальный вариант на ноутбуке либо используйте только уникальную модель на сервере. Не называйте тест успешным удалённым запуском по одному HTTP 200: этот набор проверок — рекомендуемый протокол для читателя, не проведённый эксперимент Modelium. s2 s3 s5

Где граница приватности и что делать при ошибке?

По заявлению LM Studio, связь устройств использует сквозное шифрование Tailscale и не открывает их публике; LM Studio Hub участвует в обнаружении узлов, а содержимое чатов не передаётся в Hub. Это заявление разработчика, не независимый аудит Modelium. Вход в аккаунт и discovery означают, что строгому офлайн/air-gap-требованию LM Link не соответствует без отдельной проверки политики и трафика. Не смешивайте защиту внутреннего туннеля и открытый HTTP-порт, который вы могли включить сами. s1 s4 s6

• Узел не появляется: проверьте вход, включение LM Link и работу приложения/llmster на обеих сторонах. lms link status должен показать подключённого peer; иначе тестировать /v1/chat/completions рано. s2 s4 s5
• Модель не выбирается: проверьте, что она есть на нужном сервере и может быть загружена именно там. При дубле имени назначьте предпочтительное устройство на ноутбуке, не на чужой машине. s2 s3 s4
• Список моделей есть, но генерации нет: /v1/models может показывать скачанное при JIT; проверьте состояние загрузки и реальный ответ POST /v1/chat/completions. Не объявляйте наличие модели равным успешному инференсу. s7 s8
• API доступен другим в сети: проверьте bind, включён ли сетевой режим и нужна ли аутентификация; LM Link для описанного маршрута использует API ноутбука на localhost. s3 s6

После теста остановите локальный API, если он не нужен, и отключите связь в настройках приложения либо командой lms link disable на headless-узле. Удалённое исполнение экономит вычисления ноутбука, но не устраняет сетевую задержку: для ваших запросов отдельно замерьте время до ответа и стабильность связи, не подменяя эксперимент рекламным описанием. s4 s6

Следующий шаг: откройте гайд llmster, подготовьте вторую машину и только затем выполните описанный контрольный запрос с фиксацией связанного узла и фактического ответа. Если требуется полный отказ от внешнего discovery, выберите другую архитектуру после проверки офлайн-контура. s2 s3 s4