LM Studio

LM Studio برنامه‌ای دوستانه اما قدرتمند برای اجرای مدل‌های open-weight روی سخت‌افزار خودتان است. این برنامه به شما امکان می‌دهد مدل‌های llama.cpp (GGUF) یا MLX (Apple Silicon) را اجرا کنید. به‌صورت بسته GUI یا daemon بدون رابط (llmster) ارائه می‌شود. برای مستندات محصول و راه‌اندازی، lmstudio.ai را ببینید.

# شروع سریع

1. LM Studio (دسکتاپ) یا llmster (بدون رابط) را نصب کنید، سپس سرور محلی را شروع کنید:

curl -fsSL https://lmstudio.ai/install.sh | bash

2. سرور را شروع کنید

مطمئن شوید که یا برنامه دسکتاپ را شروع کرده‌اید یا daemon را با دستور زیر اجرا می‌کنید:

lms daemon up

lms server start --port 1234

اگر از برنامه استفاده می‌کنید، مطمئن شوید JIT برای تجربه‌ای روان فعال است. در راهنمای JIT و TTL در LM Studio بیشتر بدانید.

3. اگر احراز هویت LM Studio فعال است، LM_API_TOKEN را تنظیم کنید:

export LM_API_TOKEN="your-lm-studio-api-token"

اگر احراز هویت LM Studio غیرفعال است، می‌توانید کلید API را هنگام راه‌اندازی تعاملی OpenClaw خالی بگذارید.

برای جزئیات راه‌اندازی احراز هویت LM Studio، احراز هویت LM Studio را ببینید.

4. onboarding را اجرا کنید و LM Studio را انتخاب کنید:

openclaw onboard

5. در onboarding، از درخواست Default model برای انتخاب مدل LM Studio خود استفاده کنید.

همچنین می‌توانید آن را بعداً تنظیم یا تغییر دهید:

openclaw models set lmstudio/qwen/qwen3.5-9b

کلیدهای مدل LM Studio از قالب author/model-name پیروی می‌کنند (مثلاً qwen/qwen3.5-9b). ارجاع‌های مدل OpenClaw نام provider را در ابتدا اضافه می‌کنند: lmstudio/qwen/qwen3.5-9b. می‌توانید کلید دقیق یک مدل را با اجرای curl http://localhost:1234/api/v1/models و نگاه کردن به فیلد key پیدا کنید.

# Onboarding غیرتعاملی

وقتی می‌خواهید راه‌اندازی را اسکریپت کنید (CI، provisioning، bootstrap راه دور)، از onboarding غیرتعاملی استفاده کنید:

openclaw onboard \
  --non-interactive \
  --accept-risk \
  --auth-choice lmstudio

یا URL پایه، مدل، و کلید API اختیاری را مشخص کنید:

openclaw onboard \
  --non-interactive \
  --accept-risk \
  --auth-choice lmstudio \
  --custom-base-url http://localhost:1234/v1 \
  --lmstudio-api-key "$LM_API_TOKEN" \
  --custom-model-id qwen/qwen3.5-9b

--custom-model-id کلید مدل را همان‌طور که LM Studio برمی‌گرداند دریافت می‌کند (مثلاً qwen/qwen3.5-9b)، بدون پیشوند provider یعنی lmstudio/.

برای سرورهای LM Studio دارای احراز هویت، --lmstudio-api-key را پاس دهید یا LM_API_TOKEN را تنظیم کنید. برای سرورهای LM Studio بدون احراز هویت، کلید را حذف کنید؛ OpenClaw یک نشانگر محلی غیرمحرمانه ذخیره می‌کند.

--custom-api-key همچنان برای سازگاری پشتیبانی می‌شود، اما --lmstudio-api-key برای LM Studio ترجیح داده می‌شود.

این کار models.providers.lmstudio را می‌نویسد و مدل پیش‌فرض را روی lmstudio/<custom-model-id> تنظیم می‌کند. وقتی کلید API ارائه می‌کنید، راه‌اندازی همچنین پروفایل احراز هویت lmstudio:default را می‌نویسد.

راه‌اندازی تعاملی می‌تواند برای طول زمینه بارگذاری ترجیحی اختیاری درخواست دهد و آن را روی مدل‌های LM Studio کشف‌شده‌ای که در پیکربندی ذخیره می‌کند اعمال می‌کند. پیکربندی Plugin در LM Studio به endpoint پیکربندی‌شده LM Studio برای درخواست‌های مدل اعتماد می‌کند، از جمله loopback، LAN، و میزبان‌های tailnet. می‌توانید با تنظیم models.providers.lmstudio.request.allowPrivateNetwork: false از این رفتار خارج شوید.

# پیکربندی

# سازگاری مصرف در streaming

LM Studio با مصرف در streaming سازگار است. وقتی یک شیء usage با ساختار OpenAI منتشر نمی‌کند، OpenClaw به‌جای آن شمارش tokenها را از metadata به سبک llama.cpp یعنی timings.prompt_n / timings.predicted_n بازیابی می‌کند.

همین رفتار مصرف در streaming برای این backendهای محلی سازگار با OpenAI اعمال می‌شود:

• vLLM
• SGLang
• llama.cpp
• LocalAI
• Jan
• TabbyAPI
• text-generation-webui

# سازگاری Thinking

وقتی کشف /api/v1/models در LM Studio گزینه‌های reasoning مختص مدل را گزارش می‌کند، OpenClaw مقادیر سازگار با OpenAI و متناظر reasoning_effort را در metadata سازگاری مدل نمایان می‌کند. buildهای فعلی LM Studio می‌توانند گزینه‌های دودویی UI مانند allowed_options: ["off", "on"] را اعلام کنند، در حالی که همان مقادیر را در /v1/chat/completions رد می‌کنند؛ OpenClaw این شکل کشف دودویی را پیش از ارسال درخواست‌ها به none، minimal، low، medium، high، و xhigh نرمال‌سازی می‌کند. پیکربندی ذخیره‌شده قدیمی‌تر LM Studio که شامل نگاشت‌های reasoning با off/on است نیز هنگام بارگذاری catalog به همین روش نرمال‌سازی می‌شود.

# پیکربندی صریح

{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://localhost:1234/v1",
        apiKey: "${LM_API_TOKEN}",
        api: "openai-completions",
        models: [
          {
            id: "qwen/qwen3-coder-next",
            name: "Qwen 3 Coder Next",
            reasoning: false,
            input: ["text"],
            cost: { input: 0, output: 0, cacheRead: 0, cacheWrite: 0 },
            contextWindow: 128000,
            maxTokens: 8192,
          },
        ],
      },
    },
  },
}

# عیب‌یابی

# LM Studio شناسایی نشد

مطمئن شوید LM Studio در حال اجرا است. اگر احراز هویت فعال است، LM_API_TOKEN را نیز تنظیم کنید:

# Start via desktop app, or headless:
lms server start --port 1234

دسترسی‌پذیر بودن API را بررسی کنید:

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

# خطاهای احراز هویت (HTTP 401)

اگر راه‌اندازی HTTP 401 گزارش می‌کند، کلید API خود را بررسی کنید:

• بررسی کنید که LM_API_TOKEN با کلید پیکربندی‌شده در LM Studio مطابقت داشته باشد.
• برای جزئیات راه‌اندازی احراز هویت LM Studio، احراز هویت LM Studio را ببینید.
• اگر سرور شما به احراز هویت نیاز ندارد، هنگام راه‌اندازی کلید را خالی بگذارید.

# بارگذاری just-in-time مدل

LM Studio از بارگذاری just-in-time (JIT) مدل پشتیبانی می‌کند، که در آن مدل‌ها هنگام نخستین درخواست بارگذاری می‌شوند. OpenClaw به‌طور پیش‌فرض مدل‌ها را از طریق endpoint بارگذاری بومی LM Studio از پیش بارگذاری می‌کند، که وقتی JIT غیرفعال است کمک می‌کند. برای اینکه JIT، idle TTL، و رفتار auto-evict در LM Studio مالک چرخه عمر مدل باشند، مرحله preload در OpenClaw را غیرفعال کنید:

{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://localhost:1234/v1",
        api: "openai-completions",
        params: { preload: false },
        models: [{ id: "qwen/qwen3.5-9b" }],
      },
    },
  },
}

# میزبان LM Studio روی LAN یا tailnet

از نشانی قابل دسترس میزبان LM Studio استفاده کنید، /v1 را نگه دارید، و مطمئن شوید LM Studio روی آن دستگاه فراتر از loopback bind شده است:

{
  models: {
    providers: {
      lmstudio: {
        baseUrl: "http://gpu-box.local:1234/v1",
        apiKey: "lmstudio",
        api: "openai-completions",
        models: [{ id: "qwen/qwen3.5-9b" }],
      },
    },
  },
}

برخلاف providerهای عمومی سازگار با OpenAI، lmstudio به‌طور خودکار به endpoint محلی/خصوصی پیکربندی‌شده خود برای درخواست‌های محافظت‌شده مدل اعتماد می‌کند. شناسه‌های provider سفارشی loopback مانند localhost یا 127.0.0.1 نیز به‌طور خودکار مورد اعتماد هستند؛ برای شناسه‌های provider سفارشی LAN، tailnet، یا DNS خصوصی، models.providers.<id>.request.allowPrivateNetwork: true را به‌صراحت تنظیم کنید.

# مرتبط

• انتخاب مدل
• Ollama
• مدل‌های محلی