Mejor modelo local para OpenClaw: gemma4, gpt-oss:20b y qwen3-coder:30b medidos en cuatro tareas de agente

En un M3 Max de 128 GB con OpenClaw 2026.9.7 y Ollama 0.35.0, gemma4 —el modelo que recomienda la propia configuración de Ollama de OpenClaw— superó las 12 ejecuciones evaluadas en las cuatro tareas de agente; gpt-oss:20b superó 11 de 12, con casi tres veces más llamadas a herramientas fallidas; y qwen3-coder:30b, la opción habitual para programación, superó 2 de 12 porque sus llamadas a herramientas seguían rompiéndose en el analizador de Ollama. Ejecutamos cada modelo tres veces en cada tarea, en un espacio de trabajo nuevo, evaluamos el resultado mediante un script y registramos los recuentos de herramientas y tokens de OpenClaw y el registro del servidor de Ollama. Medido el 1 de octubre de 2026.

Para consultar cuánto cuesta OpenClaw y cuánto costaría en su lugar un modelo alojado, vea Precios de OpenClaw; para ejecutar un modelo local con una alternativa de API, consulte varios agentes y modelos en OpenClaw.

Qué se ejecutó

Las cuatro tareas

Resultados

Los tiempos son de reloj transcurrido por ejecución, incluidos aproximadamente cinco a siete segundos de inicio de OpenClaw. "Tokens de entrada" son los tokens de entrada no almacenados en caché, tal como los registró OpenClaw; el contexto que reenvió desde la caché se suma a eso y se contabiliza en la sección de costes siguiente. La columna de llamadas a herramientas fallidas cuenta los fallos registrados por OpenClaw; los fallos de qwen3-coder ocurrieron antes de que una llamada llegara a OpenClaw, por lo que allí aparecen como cero y se explican más abajo.

Qué indican las cifras

• gemma4 y gpt-oss:20b son utilizables para tareas breves de agente. 23 de sus 24 ejecuciones superaron la prueba, incluida la corrección de dos archivos, que requiere leer varios módulos, editar dos de ellos y volver a ejecutar las pruebas.
• gemma4 utilizó las herramientas de forma más limpia. En la tarea de lectura hizo exactamente una llamada a herramienta cada vez; gpt-oss hizo tres, de las cuales normalmente dos fallaron antes de que leyera el archivo. En las doce ejecuciones, gpt-oss tuvo 19 llamadas a herramientas fallidas frente a 7 de gemma4, y promedió 9.1 turnos del asistente por tarea frente a 6.8 de gemma4.
• El único fallo fue gpt-oss en la tarea de contar: después de trece llamadas a herramientas escribió un counts.json mal formado y terminó el turno sin responder.
• La velocidad no es el factor diferenciador aquí. Mediana de 53 s para gemma4 y 54 s para gpt-oss en todas las ejecuciones; la ejecución individual más lenta fue la de gemma4, con 133 s en la corrección de dos archivos y diecisiete llamadas a herramientas. Las ejecuciones de qwen3-coder fueron más cortas únicamente porque fallaron pronto.
• Los modelos más grandes no aportaron precisión en estas tareas. gpt-oss:20b tiene casi tres veces la cantidad de parámetros de gemma4, y qwen3-coder:30b, diseñado para código, obtuvo la puntuación más baja de los tres.

Doce ejecuciones por modelo bastan para observar un patrón en estas tareas, pero no para clasificar modelos en general. No se probaron tareas largas, bases de código más grandes ni otras cuantizaciones.

Por qué falló qwen3-coder:30b

No fue por la programación. De sus diez ejecuciones fallidas:

• Cinco terminaron en el analizador de Ollama. qwen3-coder escribe las llamadas a herramientas como XML y, cuando un argumento contenía código, cerró un elemento <parameter> con </function>. El registro del servidor de Ollama 0.35.0 anotó "qwen tool call parsing failed … XML syntax error … element <parameter> closed by </function>", y OpenClaw terminó el turno con "Agent run failed".
• Cuatro nunca hicieron una llamada. La respuesta anunció el siguiente paso y luego imprimió un </tool_call> aislado como texto, sin nada que Ollama pudiera analizar como llamada; el turno terminó ahí. Ese es el síntoma que la documentación de OpenClaw asocia con la URL /v1; aquí ocurrió con la API nativa.
• Una fue una respuesta incorrecta: contó las líneas de encabezado del CSV como filas de datos.

El analizador es de Ollama, por lo que este resultado corresponde a Ollama 0.35.0, no es un veredicto sobre el modelo. Si ejecuta qwen3-coder con OpenClaw, observe el registro de ollama serve en busca de "qwen tool call parsing failed" antes de culpar al modelo y vuelva a probar después de actualizar Ollama.

La configuración que importó

• URL nativa de Ollama. La documentación de OpenClaw indica que la URL compatible con OpenAI /v1 "rompe las llamadas a herramientas y los modelos pueden emitir JSON de llamadas a herramientas sin procesar como texto plano"; las ejecuciones utilizaron baseUrl sin /v1, junto con api: "ollama".
• Fije contextWindow en las entradas escritas manualmente. En una prueba rápida, una entrada de modelo explícita sin ese valor se resolvió en un contexto de 200,000 tokens; la configuración propia de Ollama de OpenClaw escribe 32,768 para los modelos locales, que es lo utilizado en estas ejecuciones.
• El contexto de Ollama es independiente. Ollama 0.35.0 cargó gemma4 y gpt-oss con 131,072 tokens, y qwen3-coder con 262,144 —45.3 GB residentes— independientemente de los 32,768 de OpenClaw; eso, no el presupuesto de OpenClaw, determina la memoria.
• Aísle el shell. Un modelo local que ejecuta comandos de shell en su máquina es el riesgo real aquí. Con sandbox.mode: "all", exec se ejecutó en la imagen de Docker de OpenClaw, con únicamente el espacio de trabajo montado; la imagen se construye una vez con el comando docker build de la documentación de sandboxing de OpenClaw.

// ~/.openclaw/openclaw.json — the runs used one model per config; the
// fallbacks line shows the pattern and was not part of the measured runs
{
  models: { providers: { ollama: {
    apiKey: "ollama-local",
    baseUrl: "http://127.0.0.1:11434",   // native Ollama URL — no /v1
    api: "ollama",
    timeoutSeconds: 600,
    models: [
      { id: "gemma4:latest", name: "gemma4:latest", contextWindow: 32768, maxTokens: 8192,
        params: { keep_alive: "30m" } },
      { id: "gpt-oss:20b",   name: "gpt-oss:20b",   contextWindow: 32768, maxTokens: 8192,
        params: { keep_alive: "30m" } },
    ],
  } } },
  agents: { defaults: {
    model: { primary: "ollama/gemma4:latest", fallbacks: ["ollama/gpt-oss:20b"] },
    sandbox: { mode: "all", workspaceAccess: "rw" },   // shell runs in Docker
  } },
  tools: { exec: { mode: "full" } },
}

Cuánto cuesta en local

Un modelo local sustituye una factura por token por tiempo, disco y electricidad. Por ejecución, OpenClaw registró aproximadamente 16,415 tokens de entrada no almacenados en caché, 78,469 tokens de contexto reenviado desde la caché y 1,142 tokens de salida para gemma4, y 13,761, 88,688 y 1,192 para gpt-oss. Como cálculo aproximado —los tokenizadores difieren entre modelos— los mismos recuentos con las tarifas de Kunavo de Claude Haiku 4.5 ($0.70 de entrada, $0.07 en caché, $3.50 de salida por millón) ascienden a unos $0.021 y $0.020 por ejecución. No se midió la energía; la electricidad por ejecución es vatios × segundos ÷ 3,600,000 × su precio por kWh.

El patrón práctico es utilizar un modelo local como principal, con una alternativa alojada para los turnos en que falle el modelo local. OpenClaw acepta una lista de fallbacks por agente; una clave de Kunavo funciona como proveedor compatible con OpenAI junto a Ollama y se factura por token a partir de un saldo prepago. Nadie en Kunavo ha ejecutado OpenClaw contra su endpoint; estas ejecuciones fueron completamente locales.

Preguntas frecuentes

Ejecutado el 1 de octubre de 2026 en un Apple M3 Max (128 GB): OpenClaw 2026.9.7 (npm, Node 24.21.0), Ollama v0.35.0 (binario de versión), gemma4:latest, gpt-oss:20b y qwen3-coder:30b descargados del registro de Ollama y verificados mediante sha256. Cada una de las 36 ejecuciones utilizó un espacio de trabajo nuevo y un estado nuevo de OpenClaw, exec en el sandbox de Docker de OpenClaw y un script evaluador; las llamadas a herramientas y los recuentos de tokens son la salida JSON propia de OpenClaw. Los accesorios de las tareas, los evaluadores y el script adaptador se publican con las pruebas de esta página. No medido: consumo eléctrico, tareas largas, otras cuantizaciones o máquinas más pequeñas.