TL;DR. Если вам нужен быстрый локальный запуск с минимальным количеством ручных шагов, чаще практичнее LM Studio. Если вам важнее гибкость backend’ов, ручной контроль сервера и совместимость с OpenAI/Anthropic-стилем API, смотрите в сторону Text Generation WebUI (textgen).
- ✅ Выбирайте LM Studio, если хотите desktop-приложение, встроенный CLI
lmsи локальный сервер по умолчанию наhttp://localhost:1234. - ✅ Выбирайте Text Generation WebUI (textgen), если вам нужен более DIY-подход: несколько backend’ов, запуск через
python server.py, флаги--api,--listenи--public-api. - ❌ Оба варианта не подходят как основание для выбора по скорости или качеству генерации, если вам нужен независимый одинаковый бенчмарк: в проверенном пакете источников есть официальные docs, releases и changelog, но нет сопоставимого полевого теста с метриками.
| Условие теста | Text Generation WebUI (textgen) | LM Studio |
|---|---|---|
| Зафиксированная версия | v4.9, видимый релиз GitHub от 2026-05-20 | 0.4.20, последняя видимая запись LM Studio в changelog от 2026-07-22 |
| Тариф | Open-source/free на официальном репозитории | Локальное использование бесплатно; облачный inference оплачивается кредитами |
| Дата проверки | 2026-08-15 | 2026-08-15 |
| Одинаковая задача | Поднять локальный API для чат-запросов на одной машине | Поднять локальный API для чат-запросов на одной машине |
| Что именно сравниваем | Установку, запуск, API-поверхность, режимы сети, backends и приватность по официальным материалам | Установку, запуск, API-поверхность, режимы сети, runtimes и приватность по официальным материалам |
| Критерий | Text Generation WebUI (textgen) | LM Studio |
|---|---|---|
| Цена | Бесплатный open-source репозиторий; сторонние расходы на железо, хостинг и лицензии моделей нужно проверять отдельно | Локальное использование бесплатно; облачные функции вынесены отдельно в кредиты |
| Первый запуск | git clone + зависимости + python server.py; UI открывается на http://127.0.0.1:7860 |
Десктопное приложение; сервер можно поднять из Developer tab или командой lms server start |
| API | Режим --api, порт по умолчанию 5000, OpenAI/Anthropic-style endpoints |
Локальный сервер по умолчанию на http://localhost:1234; есть native REST API v1 и OpenAI-like endpoints |
| Сеть | --listen для локальной сети, --public-api для публичного URL через Cloudflare |
Документация описывает локальные и network-accessible endpoints; в quickstart авторизация по умолчанию выключена |
| Backends / runtimes | llama.cpp, ik_llama.cpp, Transformers, ExLlamaV3, TensorRT-LLM; backend можно переключать без перезапуска | llama.cpp (GGUF) на Mac/Windows/Linux и MLX на Apple Silicon Mac |
| Управление моделями через API | В проверенном пакете источников подтверждены OpenAI/Anthropic-style endpoints; отдельные операции load/unload/download здесь не зафиксированы | В native REST API v1 задокументированы chat, load/unload и download моделей |
| Офлайн и приватность | Репозиторий заявляет 100% private operation | Локальное использование может работать офлайн; облачный inference — отдельный сервис, U.S.-based, Zero Data Retention by default |
| Платформенные оговорки | В проверенном пакете нет столь же явной матрицы ОС, как у LM Studio; установка описана как git/pip workflow | macOS только Apple Silicon, Intel Mac не поддерживается; Windows x64/ARM, Linux x64/ARM64 |
| Качество и скорость | Официальные материалы в этом пакете не дают независимого сравнимого бенчмарка | Официальные материалы в этом пакете не дают независимого сравнимого бенчмарка |
Редакционное ограничение. Ниже нет собственного замера latency, throughput, VRAM-потребления и качества ответа на одном и том же промпте. Источники для этого материала — только официальный репозиторий, официальные docs, releases и changelog. Поэтому честный вывод здесь не про «кто быстрее», а про то, какой workflow вы получаете.
Цена и лимиты
По цене картина проста. Text Generation WebUI в официальном репозитории распространяется как open-source/free проект. Это не означает нулевую итоговую стоимость: если вы используете отдельное железо, платный хостинг или модели с собственными лицензионными условиями, их нужно проверять вне рамок этого сравнения.
У LM Studio официальная pricing page прямо разделяет локальное и облачное использование. Локальные LLM на вашей машине бесплатны; облачный inference работает на кредитах. Важно и другое: оговорка про U.S.-based cloud inference и Zero Data Retention by default относится именно к облачной части, а не к локальному запуску.
Практический вывод: если вы ищете только локальный запуск без обязательного облака, обе опции укладываются в сценарий «приложение/инструмент без обязательной подписки за локальный inference». Если вам нужна прозрачная официальная граница между бесплатным локальным режимом и отдельным облаком, у LM Studio она описана явнее.
Установка и первый запуск
У textgen старт более ручной. Официальная инструкция опирается на git clone, установку зависимостей через pip и запуск python server.py. После этого UI открывается по адресу http://127.0.0.1:7860. Отдельная важная оговорка из репозитория: если вы работаете с multi-file models, нужен полный install, а не только portable build.
У LM Studio workflow ближе к обычному desktop-софту. Есть приложение для macOS, Windows и Linux, а CLI lms поставляется вместе с приложением. Официальная документация советует проверить установку простым вызовом lms, а локальный сервер можно поднять либо из Developer tab, либо командой lms server start.
Практический вывод: если вы хотите добраться до первого локального endpoint с минимальным количеством инфраструктурных шагов, LM Studio обычно понятнее. Если вам нормально работать через git/Python и вы не ищете «самый упакованный» desktop-старт, textgen даёт больше пространства для ручной сборки окружения.
Платформы, backends и модели
Здесь у инструментов разный фокус. Репозиторий textgen подтверждает поддержку нескольких backend’ов: llama.cpp, ik_llama.cpp, Transformers, ExLlamaV3 и TensorRT-LLM. Отдельно заявлено, что backend можно переключать без перезапуска. Для практиков это важнее красивого UI: именно backend-слой часто определяет, насколько удобно вам тестировать разные локальные конфигурации.
LM Studio, по официальной документации, поддерживает llama.cpp с GGUF на Mac/Windows/Linux, а на Apple Silicon Mac — ещё и MLX. При этом системные требования описаны намного конкретнее: macOS только Apple Silicon, Intel Mac не поддерживается; Windows — x64 и ARM, Linux — x64 и ARM64.
Практический вывод: если ваш главный вопрос — «какой runtime у меня уже принят в команде», textgen выглядит гибче по backend’ам в проверенном пакете. Если ваш сценарий — «мне нужен понятный десктопный раннер для GGUF/MLX с явной матрицей платформ», LM Studio предсказуемее. Если вы сидите на Intel Mac, это сразу ограничение для LM Studio по официальным требованиям.
API и автоматизация
Для автоматизации оба инструмента интересны, но по-разному. У textgen API-режим включается флагом --api; порт по умолчанию — 5000. В официальной wiki прямо задокументированы OpenAI/Anthropic-style endpoints, включая chat/completions/messages. Если вы хотите вынести API в локальную сеть, используется --listen; если нужен публичный URL, есть --public-api с Cloudflare-backed ссылкой.
У LM Studio docs рекомендуют native REST API v1 для локального inference и model management. В документации перечислены endpoint’ы для chat, а также операции load/unload/download моделей. Сам сервер поднимается из интерфейса или CLI, адрес по умолчанию — http://localhost:1234. Отдельно в docs app сказано, что приложение может обслуживать модели через локальные или network-accessible OpenAI-like endpoints.
Практический вывод: если вам нужен API не только для запросов, но и для загрузки/выгрузки моделей, у LM Studio это прямо описано в native REST API v1. Если вы ищете server-like сценарий с явными флагами запуска и OpenAI/Anthropic-совместимостью, textgen выглядит более «ручным» и гибким. Если вам нужен соседний контекст по выбору API-подхода, полезно сравнить и OpenAI API vs Google Gemini API, но это уже отдельный класс продуктов.
Приватность и работа с сетью
У textgen в репозитории есть сильная формулировка про 100% private operation. Для локального использования это понятный сигнал: проект позиционируется как локальный и приватный. Но как только вы включаете --listen или особенно --public-api, вы уже меняете модель доступа, и это нужно учитывать организационно.
LM Studio в docs тоже подтверждает, что локальное использование может работать офлайн. В то же время официальная pricing page отдельно оговаривает облачный inference: он U.S.-based, а Zero Data Retention by default относится к cloud-сервису. В quickstart для локального API авторизация по умолчанию выключена, что удобно для старта, но требует дополнительной внимательности, если вы открываете доступ не только на localhost.
Практический вывод: для максимально простой приватной схемы оба варианта лучше держать в чисто локальном режиме. Если вы заранее знаете, что будете делиться endpoint’ом по сети или наружу, у textgen это вынесено в явные флаги запуска, а у LM Studio нужно отдельно перепроверять настройки сервера и авторизации.
Практический тест: поднять локальный API на одной машине
Задача. Один и тот же workflow для обоих инструментов: поднять локальный чат-сервер так, чтобы к нему мог подключиться внешний клиент на той же машине. Критерии здесь не про качество ответа модели, а про воспроизводимость старта по официальным инструкциям: обязательные шаги, адрес по умолчанию и сетевые режимы.
Результат Text Generation WebUI (textgen)
Официально воспроизводимый минимум выглядит так:
git clone https://github.com/oobabooga/textgen
# установить зависимости по инструкции проекта
python server.py --apiПосле обычного старта UI открывается на http://127.0.0.1:7860, а API при запуске с --api работает на порту 5000. Если нужен доступ из локальной сети, добавляется --listen. Если нужен публичный URL, документация описывает --public-api.
Результат LM Studio
Официальный минимум у LM Studio короче по числу ручных шагов:
lms
lms server startCLI поставляется вместе с приложением, а сервер можно поднять и без терминала — из Developer tab. Адрес по умолчанию: http://localhost:1234. Quickstart отмечает, что авторизация по умолчанию выключена.
Вывод по тесту
Для задачи «быстро получить локальный endpoint» по официальным инструкциям LM Studio обычно проще: меньше ручной сборки, один понятный адрес по умолчанию, сервер стартует из UI или CLI. Для задачи «получить больше ручного контроля над режимами сети и API-совместимостью» textgen выглядит сильнее: флаги --api, --listen и --public-api описаны явно. Это не тест качества генерации и не benchmark latency — только сравнение workflow запуска.
Русский язык и доступность
По этому пакету источников нельзя честно ответить, кто из двух инструментов «лучше пишет по-русски». Официальные docs, репозиторий и changelog не дают одинакового теста на русском языке и не публикуют сравнительную оценку качества вывода. Поэтому любой жёсткий вердикт по русскому в этом материале был бы домыслом.
Что можно сравнить доказательно — это доступность по платформам и режимам использования. У LM Studio есть чёткая матрица системных требований, но с жёстким ограничением по macOS: только Apple Silicon. У textgen в проверенном пакете нет столь же формальной региональной или платформенной матрицы; отдельно источник указывает, что формального regional availability statement в просмотренных docs не нашлось.
Практический вывод: если для вас критична совместимость с конкретной ОС, сначала отфильтруйте по системным требованиям, а уже потом по API и backend’ам. Если критично именно качество русского вывода, этот материал нужно дополнять отдельным тестом на одной и той же модели и одном и том же железе.
Кому подойдёт Text Generation WebUI
- Тем, кто хочет больше свободы в выборе backend’ов: llama.cpp, ik_llama.cpp, Transformers, ExLlamaV3, TensorRT-LLM.
- Тем, кому нужен OpenAI/Anthropic-compatible API и ручной контроль флагов запуска.
- Тем, кто готов запускать сервис через git/Python, а не только через упакованный desktop UI.
- Тем, кто заранее понимает разницу между localhost, локальной сетью и публичным URL и хочет переключать эти режимы осознанно.
Если ваш критерий — не «красивее интерфейс», а «больше вариантов инфраструктурного поведения», textgen в текущем официальном описании выглядит ближе к инструменту для экспериментатора и self-hosted workflow.
Кому подойдёт LM Studio
- Тем, кто хочет самый прямой путь от установки приложения к локальному запуску модели и API.
- Тем, кому важны bundled CLI
lmsи native REST API v1 с операциями управления моделями. - Тем, кто использует Apple Silicon Mac, Windows или Linux и хочет явную официальную матрицу платформ.
- Тем, кто разделяет локальный бесплатный режим и отдельные cloud-функции как разные сценарии.
Если вам нужен отдельный разбор desktop-workflow, посмотрите карточку LM Studio и пошаговый материал как запустить LLM на своём компьютере через LM Studio. А если вы ещё сравниваете упакованные локальные раннеры между собой, полезны и соседние материалы: Ollama vs LM Studio и LM Studio vs Jan.ai.
Когда оба не подходят
- Если вам нужен не локальный раннер, а управляемый production cloud API с заранее проверенными числовыми тарифами, SLA и региональными гарантиями. В этом материале такие условия не сравнивались.
- Если вам нужен доказанный benchmark по скорости, стабильности и качеству на одном и том же железе. Официальные материалы из source pack этого не дают.
- Если для вас обязателен одинаково упакованный desktop-опыт на Intel Mac. У LM Studio есть официальное ограничение на Intel Mac, а по textgen в этом пакете нет столь же формальной desktop-матрицы поддержки.
Итог
LM Studio практичнее, если вы хотите быстрее добраться до локального запуска и API без ручной сборки окружения. Text Generation WebUI (textgen) интереснее, если вы выбираете по backend-гибкости, ручным сетевым режимам и более серверному стилю работы. Абсолютного победителя здесь нет: для desktop-first сценария — LM Studio, для DIY/self-hosted сценария — textgen. Перед финальным выбором стоит отдельно прогнать одинаковую модель на вашем железе, потому что этот материал сознательно не подменяет собой benchmark.
Источники
- GitHub – oobabooga/textgen
- Releases · oobabooga/textgen
- 12 ‐ OpenAI API · oobabooga/text-generation-webui Wiki · GitHub
- LM Studio Docs
- LM Studio API | LM Studio
- LM Studio API | LM Studio — Quickstart
- Using LM Studio as a Local LLM API Server
- Server settings
- LM Studio CLI
- Pricing
- System requirements
- Changelog
Вопросы и ответы
Что проще установить: Text Generation WebUI или LM Studio?
По официальным инструкциям проще стартовать с LM Studio: это desktop-приложение со встроенным CLI lms. У textgen установка более ручная: git clone, зависимости и python server.py.
Что лучше подходит для локального API?
Оба инструмента подходят, но с разным акцентом. LM Studio проще даёт локальный сервер по умолчанию на http://localhost:1234, а textgen предлагает более явные флаги для API-режима, локальной сети и публичного URL.
Можно ли использовать оба полностью офлайн?
Да, в рамках локального режима это подтверждается официальными материалами: textgen позиционируется как приватный локальный инструмент, а LM Studio docs прямо говорят, что локальное использование может работать офлайн. Облачные функции LM Studio — отдельный сценарий.
Есть ли поддержка Intel Mac у LM Studio?
Нет. По официальным системным требованиям LM Studio на macOS поддерживает только Apple Silicon. Для textgen в этом пакете нет столь же формальной матрицы macOS-поддержки.
Кто быстрее и кто качественнее отвечает?
По этому набору источников доказательного ответа нет. Здесь нет независимого одинакового benchmark’а по latency, throughput и качеству генерации на одной и той же модели и одном и том же железе.