# Wie man die LM Studio CLI im Linux-Terminal installiert
1. Öffnen Sie ein neues Terminal, um die LM Studio CLI auszuführen, oder verwenden Sie `tmux`
2. Hol dir [LM Studio](https://lmstudio.ai/download) oder führen Sie unten aus (Downloadgröße etwa 1 GB)
{% code overflow="wrap" %}
```bash
wget https://lmstudio.ai/download/latest/linux/x64?format=AppImage -O 'LM_Studio.AppImage'
chmod u+x ./LM_Studio.AppImage
```
{% endcode %}
2. Starten Sie LM Studio über
```bash
./LM_Studio.AppImage
```
Sie könnten Folgendes sehen:
{% code overflow="wrap" %}
```
[802435:0215/073628.027773:FATAL:sandbox/linux/suid/client/setuid_sandbox_host.cc:166] The SUID sandbox helper binary was found, but is not configured correctly. Rather than run without sandboxing I'm aborting now.
```
{% endcode %}
Falls ja, machen Sie stattdessen Folgendes:
```bash
./LM_Studio.AppImage --no-sandbox
```
3. Sie könnten dann Folgendes sehen, besonders wenn Sie sich in einer Cloud-Instanz ohne Desktop befinden:
{% code overflow="wrap" %}
```
[807101:0215/073740.801969:ERROR:ui/ozone/platform/x11/ozone_platform_x11.cc:249] Missing X server or $DISPLAY
[807101:0215/073740.802000:ERROR:ui/aura/env.cc:257] The platform failed to initialize. Exiting.
Segmentation fault (core dumped)
```
{% endcode %}
Falls ja, installieren Sie einen "Fake"-Desktop-Simulator im Terminal:
```bash
sudo apt-get install xvfb
```
4. Verwenden Sie dann `xvfb` und starten Sie LM Studio:
```bash
xvfb-run --auto-servernum ./LM_Studio.AppImage --no-sandbox
```
5. Holen Sie sich dann LM Studios LMS / CLI in einem anderen Terminal, oder nach CTRL+B+D für `tmux`
```bash
~/.lmstudio/bin/lms bootstrap
```
6. Öffnen Sie ein neues Terminal oder `tmux` führen Sie dann aus:
```bash
lms
```
Wenn Sie sehen `-bash: lms: command not found` führen Sie bitte aus `lms` in einem neuen Terminalfenster!
7. Laden Sie nun ein Modell wie [qwen3-coder-next](https://unsloth.ai/docs/de/modelle/qwen3-coder-next "mention") wie unten. Wenn Downloads hängen bleiben, siehe [hugging-face-hub-xet-debugging](https://unsloth.ai/docs/de/grundlagen/troubleshooting-and-faqs/hugging-face-hub-xet-debugging "mention")
{% code overflow="wrap" %}
```bash
pip install -U huggingface_hub
hf download unsloth/Qwen3-Coder-Next-GGUF \
--local-dir unsloth/Qwen3-Coder-Next-GGUF \
--include "*UD-Q4_K_XL*"
```
{% endcode %}
8. Wir importieren das Modell dann über:
{% code overflow="wrap" %}
```bash
lms import \
unsloth/Qwen3-Coder-Next-GGUF/Qwen3-Coder-Next-UD-Q4_K_XL.gguf \
--symbolic-link --user-repo "unsloth/Qwen3-Coder-Next-GGUF" -y
```
{% endcode %}
Sie könnten sehen `EEXIST: file already exists, symlink 'unsloth/Qwen3-Coder-Next-GGUF/UD-Q6_K_XL/Qwen3-Coder-Next-UD-Q6_K_XL-00001-of-00003.gguf' -> '~/.lmstudio/models/unsloth/Qwen3-Coder-Next-GGUF/Qwen3-Coder-Next-UD-Q6_K_XL-00001-of-00003.gguf'` was nur bedeutet, dass Sie das Modell bereits in LM Studio geladen haben.
Sie können auch alle LM Studio-Modelle prüfen über:
```bash
ls ~/.lmstudio/models
```
8. Sie können Modelle auch erhalten via `lms get` über Folgendes:
```bash
lms get https://huggingface.co/unsloth/Qwen3-Coder-Next-GGUF@Q4_K_XL
```
Sie werden dann sehen:
```
Finalizing download...
Download abgeschlossen. Sie können das Modell laden mit:
lms load qwen3-coder-next
```
Dann laden `lms load qwen3-coder-next`:
9. Starten Sie dann den Server von LM Studio:
```bash
lms server start --port 8001 --bind 127.0.0.1
```
Sie werden sehen `Erfolg! Server läuft jetzt auf Port 8001`
9. Dann verwenden Sie in einem neuen Terminal das Modell über den OpenAI-kompatiblen Endpunkt:
```python
from openai import OpenAI
import json
openai_client = OpenAI(
base_url = "http://127.0.0.1:8001/v1",
api_key = "null",
)
model_name = next(iter(openai_client.models.list())).id
print(model_name)
completion = openai_client.chat.completions.create(
model = model_name,
messages = [{"role": "user", "content": "What is 2+2?"},],
)
print(completion.choices[0].message.content)
```
Und fertig!
