Lora

Lora es un modelo de lenguaje que funciona en el teléfono, no en un servidor. PeekabooLabs lo diseñó para móviles, y el conjunto pesa unos 1.5GB con 2.4 mil millones de parámetros. No mandas un mensaje a un centro de datos para esperar respuesta. Lora AI vive en el dispositivo y contesta ahí mismo.

Esa decisión marca todo lo demás. Como nada sale del teléfono, Lora sigue respondiendo en modo avión y con cobertura irregular. También deja en el dispositivo lo que escribe el usuario, algo que importa si la app maneja notas privadas, datos de salud o documentos de trabajo. El fabricante sitúa su calidad al nivel de GPT-4o-mini. Es una comparación de Peekaboo Labs, no una prueba independiente.

Lora no es una app de consumo que descargas de una tienda. Es un componente para desarrolladores. La empresa publica un paquete de Flutter llamado lora_sdk, y lo metes en una app de iOS o Android para añadir chat o generación de texto. Necesitas una clave de licencia del panel de Peekaboo Labs, y cada clave trae sus propios límites de uso. La compañía también desarrolla Carve, un servicio que adapta modelos de IA para uso en el dispositivo, así que este LLM local para móviles encaja en un movimiento más amplio hacia llevar los modelos al teléfono en lugar de detrás de una API. Para quien busca un asistente de IA sin conexión dentro de su propia app, ahí está el atractivo.

El pero principal es el alcance. Un modelo de 2.4B no iguala a un modelo puntero en razonamiento difícil, investigaciones largas ni nada que exija una base de conocimiento enorme. Apunta a tareas rápidas y concretas que un móvil resuelve bien. Si tu app necesita análisis profundo, Lora rinde mejor junto a un modelo en la nube, no en su lugar.

Getting Started

1. Crea una cuenta en la web de Lora y abre el panel para encontrar tu clave de licencia.
2. Añade el paquete lora_sdk de Flutter a tu app y confirma los requisitos de plataforma, que son iOS 13 o superior y Android SDK 23 o superior.
3. Inicializa el SDK con tu clave de licencia y un proveedor de LLM, y deja que el modelo se descargue en el dispositivo.
4. Ejecuta el paso de calentamiento para que el modelo esté listo antes de la primera petición.
5. Llama a la función de generación para una respuesta única, o a la versión en streaming para mostrar el texto según aparece.
6. Publica la app y sigue los cambios de estado con el objeto de estado del SDK.