LM Studio Bionic finns nu för Linux på x64 och ARM64 – gör hårdvarukontrollen före installationen

En liten grå datorlåda med öppen sidopanel står på en hylla mot en mörkgrön vägg, med ett grönlysande kretskort synligt inuti; en smal grön ljuslinje delar bilden och till höger står en större mörk låda i skugga på ett trägolv. — Två burkar av olika byggen på var sin sida om ljuslinjen: plattformsraden gäller båda, men det är minnet och arkitekturen bakom panelen som avgör vad som får plats.

Har du kört din lokala AI på en Linuxmaskin har LM Studios agentapp hittills legat utanför räckhåll. Det ändrades den 8 september 2026: changeloggen för Bionic 1.1.2 innehåller punkten »Bionic for Linux (x64 and ARM64)«. Posten har sexton punkter och den här är en av dem. Det finns ingen bloggpost som utvecklar den, så hela underlaget för nyheten är den raden — och den handlar om appen, inte om vad din burk klarar att köra.

Två frågor som blandas ihop

»Går appen att installera?« avgörs av operativsystem och processorarkitektur. »Får modellen plats?« avgörs av minne, GPU-avlastning och kontextlängd. Ett ja på den första frågan säger ingenting om den andra. Räkningen för en enskild modell gör du som i genomgången av minneskontrollen för Muse Glimmer 30B; den här texten handlar om plattformsvalet som ligger före den.

Vad changelogposten säger, och var den tar slut

Punkten anger två arkitekturer: x64 och ARM64. Den anger inte paketformat, inte lägsta distributionsversion och inte några minneskrav. Går du bakåt i changeloggen genom 1.1.1 den 31 augusti, 1.1.0 den 27 augusti och 1.0.9 den 18 augusti finns ingen tidigare post om Linux, så det här är första gången plattformen dyker upp i loggen. Den 27 augusti var det auto-review för skalkommandon som kom, vilket ger en känsla för takten: två veckor mellan en funktionsändring och en plattformsändring.

Samma post listar »Support for lms load --auto«. Referenssidan för lms load listar sex alternativ — sökväg, --ttl, --gpu, --context-length, --identifier och --estimate-only — men inte --auto. Vad flaggan gör står alltså inte i dokumentationen, och därför beskrivs den inte här. Det är värt att notera som en påminnelse: en changelogpunkt är en notis om att något hänt, inte en specifikation.

Steg ett: ta reda på vilken arkitektur burken står på

Innan du hämtar något tar du reda på vilken av de två raderna som gäller dig. Ett kommando räcker, och svaret är antingen x86_64 eller aarch64.

$ uname -m
$ nproc
$ free -g

Utskriften x86_64 betyder x64-raden i changeloggen, aarch64 betyder ARM64-raden. Skillnaden är inte kosmetisk. Har du en ARM-baserad server eller ett enkortssystem finns där typiskt ingen GPU som en x64-modell kan avlastas till, och då är minnesbandbredden och kärnorna hela din budget. Är du osäker på vad den budgeten räcker till ligger räkneexemplen i hårdvarugenomgången.

Kraven som står — och raderna som fattas för Linux

LM Studios kravsida gäller LM Studio-appen. Bionic beskrivs i dokumentationen som en ny, separat app från LM Studio, så sidan är inte en kravlista för Bionic. Den är ändå relevant, eftersom det är LM Studio som tar med sig kommandoradsverktyget och eftersom modellen körs på samma maskin. Så här ser Linuxavsnittet ut:

LM Studio för Linux distribueras som en AppImage.
Ubuntu 20.04 eller nyare krävs.
Versioner nyare än 22 är inte väl testade, med en uppmaning att rapportera problem.
På x64 levereras LM Studio med AVX2-stöd som standard.

Lägg märke till vad som fattas: Linuxavsnittet innehåller inga rader om RAM och inga rader om VRAM. De siffror som brukar citeras — minst 16 GB RAM och minst 4 GB dedikerat VRAM som rekommendation — står i Windowsavsnittet. macOS-avsnittet rekommenderar 16 GB eller mer. Använd dem gärna som riktvärde, men kalla dem inte Linuxkrav, för det står de inte som. Formuleringen om AVX2 är en annan sådan detalj: på Linux står det att appen levereras med AVX2-stöd, medan det uttryckliga kravet på AVX2 för x64 står under Windows.

Räkna minnesbudgeten innan du laddar ner modellen

Här finns ett kommando som är underskattat. Flaggan --estimate-only på lms load skriver ut en resurs- och minnesuppskattning och avslutar utan att ladda modellen. Uppskattningen tar hänsyn till kontextlängd, flash attention och om modellen är vision-aktiverad — vilket betyder att siffran ändras med den kontextlängd du faktiskt tänker använda.

# uppskattning vid standardkontext
$ lms load <model_key> --estimate-only

# samma modell, samma kommando, den kontextlängd du tänkt köra
$ lms load <model_key> --estimate-only --context-length 16384

Kör båda och jämför. Skillnaden mellan raderna är kontextfönstret, och den är ofta det som avgör om modellen ryms. Två saker att veta innan du provar: lms följer med LM Studio, och LM Studio måste ha körts minst en gång innan kommandoraden fungerar. En Linuxburk där du bara installerat Bionic har alltså inte automatiskt verktyget — då installerar du LM Studio vid sidan av, precis som jämförelsen mellan Ollama och LM Studio beskriver skrivbordsappens roll.

På en maskin utan GPU är --gpu värd att sätta uttryckligen. Flaggan tar ett värde mellan 0 och 1, eller off, eller max; utan flaggan avgör LM Studio själv hur mycket som avlastas. På ett ARM64-system utan diskret grafik ger off dig ett känt utgångsläge i stället för ett automatiskt beslut du inte ser. Ryms modellen ändå inte är kvantiseringen nästa knapp, och den valde du redan en gång — det är den räkningen du gör om, inte den här.

Fyra rader du fyller i på din egen maskin

Siffrorna nedan är dina, inte våra. Poängen med protokollet är att beställa och mäta samma sak: minnesbehov vid en bestämd kontextlängd, på en bestämd arkitektur.

Rad	Så får du fram den	Vad den avgör
Arkitektur	`uname -m`	Vilken av changeloggens två rader som gäller dig
Ledigt minne (GB)	`free -g` före laddning	Takhöjden för hela budgeten
Uppskattat behov	`lms load ... --estimate-only` vid din kontextlängd	Om modellen ryms utan att du hämtat den
Laddningstid och fart	Klocka `lms load`, notera token per sekund i första körningen	Om det ryms och är användbart

Den fjärde raden är den som brukar hoppas över. En modell som ryms men genererar långsamt är en modell du slutar använda efter en vecka. Har du knappt om minne finns --ttl, som laddar ur modellen efter ett angivet antal sekunder utan användning — praktiskt på en burk som gör annat mellan frågorna, till priset av att nästa fråga får betala laddningstiden igen.

Körmotorn är en egen rörlig del

Samma changelogpost nämner »llama.cpp 2.33.0 stable extension packs«. Det är en påminnelse om att appen, modellen och körmotorn versioneras var för sig: du kan ha rätt app på rätt arkitektur och ändå sitta med en runtime som inte är den du trodde. Underkommandot lms runtime är dokumenterat som hantering och uppdatering av inferensruntimen, och det är där du kontrollerar vad som faktiskt kör. Changeloggen anger inte vilka paket som finns per arkitektur, så på en ARM64-maskin är det värt att kontrollera i stället för att anta.

Vad plattformsraden inte lovar

»Bionic for Linux (x64 and ARM64)« är en installationsmöjlighet. Den säger ingenting om hur snabbt din maskin genererar, ingenting om vilka modeller som ryms i ditt minne och ingenting om hur väl agenten fungerar på just din distribution — särskilt inte på de Ubuntu-versioner som dokumentationen själv beskriver som mindre väl testade. Gör de fyra raderna i protokollet före nedladdningen, så vet du vilken av frågorna som är besvarad och vilken som fortfarande är öppen.

Källor och tekniskt underlag

Källorna kontrollerades 9 september 2026. Artikeln innehåller inga egna mätvärden. Talen 16 GB RAM och 4 GB VRAM återges som rekommendationer i kravsidans Windows- respektive macOS-avsnitt och är inte dokumenterade Linuxkrav. Kravsidan gäller LM Studio-appen; Bionic har ingen egen publicerad kravlista vid kontrolltillfället. Flaggan --auto nämns i changeloggen men saknas i referensen för lms load och beskrivs därför inte.

Nästa steg

Kör uname -m och free -g nu, innan du hämtar något. Två rader i terminalen avgör om resten av installationen är meningsfull.

Räkna på minnet