EuroMoE 2.6B A0.6B Instruct
Dieses Modell ist aus seiner Modellkarte automatisch übernommen und von uns noch nicht gegengelesen; Größen, Kontext und Lizenz sind gemessen, die Einordnung nicht.
EuroMoE 2.6B A0.6B Instruct braucht mit der Variante Q4_K_M rund 2,5 GB Speicher und läuft auf allen 561 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: HP ZBook 8 G2i 16 Zoll (2026), RTX PRO 500 Blackwell Laptop GPU, 48 GB. Die letzte Zahl im Namen ist der Arbeitsspeicher; der Grafikspeicher beträgt 6 GB.
Berechnet für 4.096 Token Kontext (Anwendungsfall „Ausprobieren, Neugier“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen. Ausgenommen sind Werte mit dem Zusatz „nicht an Messungen abgeglichen“: für sie fehlt der Abgleich, sie sind unsicher.
EuroMoE 2.6B A0.6B Instruct braucht mit der Variante Q4_K_M rund 2,9 GB Speicher und läuft auf allen 561 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: HP ZBook 8 G2i 16 Zoll (2026), RTX PRO 500 Blackwell Laptop GPU, 48 GB. Die letzte Zahl im Namen ist der Arbeitsspeicher; der Grafikspeicher beträgt 6 GB.
Berechnet für 16.384 Token Kontext (Anwendungsfall „Programmieren“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen. Ausgenommen sind Werte mit dem Zusatz „nicht an Messungen abgeglichen“: für sie fehlt der Abgleich, sie sind unsicher.
EuroMoE 2.6B A0.6B Instruct braucht mit der Variante Q4_K_M rund 2,6 GB Speicher und läuft auf allen 561 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: HP ZBook 8 G2i 16 Zoll (2026), RTX PRO 500 Blackwell Laptop GPU, 48 GB. Die letzte Zahl im Namen ist der Arbeitsspeicher; der Grafikspeicher beträgt 6 GB.
Berechnet für 8.192 Token Kontext (Anwendungsfall „Texte schreiben, übersetzen“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen. Ausgenommen sind Werte mit dem Zusatz „nicht an Messungen abgeglichen“: für sie fehlt der Abgleich, sie sind unsicher.
EuroMoE 2.6B A0.6B Instruct braucht mit der Variante Q4_K_M rund 3,3 GB Speicher und läuft auf allen 561 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: HP ZBook 8 G2i 16 Zoll (2026), RTX PRO 500 Blackwell Laptop GPU, 48 GB. Die letzte Zahl im Namen ist der Arbeitsspeicher; der Grafikspeicher beträgt 6 GB.
Berechnet für 32.768 Token Kontext (Anwendungsfall „Dokumente auswerten“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen. Ausgenommen sind Werte mit dem Zusatz „nicht an Messungen abgeglichen“: für sie fehlt der Abgleich, sie sind unsicher.
EuroMoE 2.6B A0.6B Instruct braucht mit der Variante Q4_K_M rund 3,3 GB Speicher und läuft auf allen 561 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: HP ZBook 8 G2i 16 Zoll (2026), RTX PRO 500 Blackwell Laptop GPU, 48 GB. Die letzte Zahl im Namen ist der Arbeitsspeicher; der Grafikspeicher beträgt 6 GB.
Berechnet für 32.768 Token Kontext (Anwendungsfall „Kundendaten, interne Unterlagen“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen. Ausgenommen sind Werte mit dem Zusatz „nicht an Messungen abgeglichen“: für sie fehlt der Abgleich, sie sind unsicher.
- Anbieter
- utter-project
- Parameter
- 2,6 Mrd., davon 0,6 Mrd. aktiv
- Längster Kontext
- 32.768 Token
- Lizenz
- Apache 2.0
So starten Sie es mit Ollama:
$ ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M
>>> /set parameter num_ctx 4096Ab 24 GB Grafikspeicher wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher; beim Mac zählt dabei der Teil des Arbeitsspeichers, den macOS der Grafik zuteilt. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 4.096 Token, für die die Zahlen hier gelten.
Oder mit llama.cpp, mit dem Kontext dieser Seite (lädt das Modell von Hugging Face):
$ llama-server -hf mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M -c 4096So starten Sie es mit Ollama:
$ ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M
>>> /set parameter num_ctx 16384Ab 24 GB Grafikspeicher wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher; beim Mac zählt dabei der Teil des Arbeitsspeichers, den macOS der Grafik zuteilt. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 16.384 Token, für die die Zahlen hier gelten.
Oder mit llama.cpp, mit dem Kontext dieser Seite (lädt das Modell von Hugging Face):
$ llama-server -hf mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M -c 16384So starten Sie es mit Ollama:
$ ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M
>>> /set parameter num_ctx 8192Ab 24 GB Grafikspeicher wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher; beim Mac zählt dabei der Teil des Arbeitsspeichers, den macOS der Grafik zuteilt. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 8.192 Token, für die die Zahlen hier gelten.
Oder mit llama.cpp, mit dem Kontext dieser Seite (lädt das Modell von Hugging Face):
$ llama-server -hf mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M -c 8192So starten Sie es mit Ollama:
$ ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M
>>> /set parameter num_ctx 32768Ab 24 GB Grafikspeicher wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher; beim Mac zählt dabei der Teil des Arbeitsspeichers, den macOS der Grafik zuteilt. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 32.768 Token, für die die Zahlen hier gelten.
Oder mit llama.cpp, mit dem Kontext dieser Seite (lädt das Modell von Hugging Face):
$ llama-server -hf mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M -c 32768So starten Sie es mit Ollama:
$ ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M
>>> /set parameter num_ctx 32768Ab 24 GB Grafikspeicher wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher; beim Mac zählt dabei der Teil des Arbeitsspeichers, den macOS der Grafik zuteilt. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 32.768 Token, für die die Zahlen hier gelten.
Oder mit llama.cpp, mit dem Kontext dieser Seite (lädt das Modell von Hugging Face):
$ llama-server -hf mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M -c 32768Geräte, auf denen es flüssig läuft
Die Tempowerte sind berechnet, nicht auf dem Gerät gemessen, und an veröffentlichten und eigenen Messungen abgeglichen. Ausgenommen sind die mit * markierten Werte: sie sind nicht abgeglichen und deshalb unsicher.
und 551 weitere
und 551 weitere
und 551 weitere
und 551 weitere
und 551 weitere
Grafikkarten, in die es ganz passt
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| AMD Radeon RX 5500 XT, 4 GB | Läuft gut | 227 bis 421 Token/s * | 4 GB davon 3,2 GB nutzbar |
| NVIDIA GeForce GTX 1650 SUPER, 4 GB | Läuft gut | 236 bis 378 Token/s * | 4 GB davon 3,2 GB nutzbar |
| NVIDIA T1000, 4 GB | Läuft gut | 201 bis 320 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA T600, 4 GB | Läuft gut | 201 bis 320 Token/s | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon RX 6500 XT, 4 GB | Läuft gut | 151 bis 280 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA GeForce GTX 1650, 4 GB | Läuft gut | 164 bis 261 Token/s * | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon PRO W6400, 4 GB | Läuft gut | 135 bis 251 Token/s | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon RX 6400, 4 GB | Läuft gut | 135 bis 251 Token/s | 4 GB davon 3,2 GB nutzbar |
| Intel Arc A310, 4 GB | Läuft gut | 131 bis 243 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA RTX A400, 4 GB | Läuft gut | 125 bis 200 Token/s | 4 GB davon 3,2 GB nutzbar |
und 105 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| AMD Radeon RX 5500 XT, 4 GB | Läuft gut | 171 bis 318 Token/s * | 4 GB davon 3,2 GB nutzbar |
| NVIDIA GeForce GTX 1650 SUPER, 4 GB | Läuft gut | 179 bis 286 Token/s * | 4 GB davon 3,2 GB nutzbar |
| NVIDIA T1000, 4 GB | Läuft gut | 151 bis 242 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA T600, 4 GB | Läuft gut | 151 bis 242 Token/s | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon RX 6500 XT, 4 GB | Läuft gut | 113 bis 210 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA GeForce GTX 1650, 4 GB | Läuft gut | 123 bis 196 Token/s * | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon PRO W6400, 4 GB | Läuft gut | 101 bis 187 Token/s | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon RX 6400, 4 GB | Läuft gut | 101 bis 187 Token/s | 4 GB davon 3,2 GB nutzbar |
| Intel Arc A310, 4 GB | Läuft gut | 98 bis 182 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA RTX A400, 4 GB | Läuft gut | 93 bis 149 Token/s | 4 GB davon 3,2 GB nutzbar |
und 105 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| AMD Radeon RX 5500 XT, 4 GB | Läuft gut | 204 bis 380 Token/s * | 4 GB davon 3,2 GB nutzbar |
| NVIDIA GeForce GTX 1650 SUPER, 4 GB | Läuft gut | 214 bis 341 Token/s * | 4 GB davon 3,2 GB nutzbar |
| NVIDIA T1000, 4 GB | Läuft gut | 181 bis 289 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA T600, 4 GB | Läuft gut | 181 bis 289 Token/s | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon RX 6500 XT, 4 GB | Läuft gut | 136 bis 252 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA GeForce GTX 1650, 4 GB | Läuft gut | 147 bis 235 Token/s * | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon PRO W6400, 4 GB | Läuft gut | 121 bis 225 Token/s | 4 GB davon 3,2 GB nutzbar |
| AMD Radeon RX 6400, 4 GB | Läuft gut | 121 bis 225 Token/s | 4 GB davon 3,2 GB nutzbar |
| Intel Arc A310, 4 GB | Läuft gut | 118 bis 219 Token/s | 4 GB davon 3,2 GB nutzbar |
| NVIDIA RTX A400, 4 GB | Läuft gut | 112 bis 179 Token/s | 4 GB davon 3,2 GB nutzbar |
und 105 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce GTX 1660 SUPER, 6 GB | Läuft gut | 227 bis 362 Token/s * | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce RTX 2060, 6 GB | Läuft gut | 227 bis 362 Token/s * | 6 GB davon 5,2 GB nutzbar |
| NVIDIA RTX A2000, 6 GB | Läuft gut | 197 bis 315 Token/s | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce GTX 1660 Ti, 6 GB | Läuft gut | 197 bis 315 Token/s * | 6 GB davon 5,2 GB nutzbar |
| AMD Radeon RX 5600 XT, 6 GB | Läuft gut | 163 bis 303 Token/s | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce GTX 1660, 6 GB | Läuft gut | 136 bis 217 Token/s * | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce RTX 3050, 6 GB | Läuft gut | 119 bis 191 Token/s | 6 GB davon 5,2 GB nutzbar |
| Intel Arc A380, 6 GB | Läuft gut | 108 bis 201 Token/s | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 378 bis 604 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 2080 SUPER, 8 GB | Läuft gut | 319 bis 509 Token/s * | 8 GB davon 7,2 GB nutzbar |
und 94 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce GTX 1660 SUPER, 6 GB | Läuft gut | 227 bis 362 Token/s * | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce RTX 2060, 6 GB | Läuft gut | 227 bis 362 Token/s * | 6 GB davon 5,2 GB nutzbar |
| NVIDIA RTX A2000, 6 GB | Läuft gut | 197 bis 315 Token/s | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce GTX 1660 Ti, 6 GB | Läuft gut | 197 bis 315 Token/s * | 6 GB davon 5,2 GB nutzbar |
| AMD Radeon RX 5600 XT, 6 GB | Läuft gut | 163 bis 303 Token/s | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce GTX 1660, 6 GB | Läuft gut | 136 bis 217 Token/s * | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce RTX 3050, 6 GB | Läuft gut | 119 bis 191 Token/s | 6 GB davon 5,2 GB nutzbar |
| Intel Arc A380, 6 GB | Läuft gut | 108 bis 201 Token/s | 6 GB davon 5,2 GB nutzbar |
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 378 bis 604 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 2080 SUPER, 8 GB | Läuft gut | 319 bis 509 Token/s * | 8 GB davon 7,2 GB nutzbar |
und 94 weitere
Varianten
Der Bedarf gilt für 4.096 Token Kontext. Dabei bleibt Ollama, wenn Sie nach dem Start „/set parameter num_ctx 4096“ eingeben.
| Variante | Datei | Speicherbedarf | Startbefehl |
|---|---|---|---|
| Q3_K_M | 1,3 GB | 2,2 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q3_K_M |
| Q4_K_M | 1,6 GB | 2,5 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M |
| Q5_K_M | 1,9 GB | 2,8 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q5_K_M |
| Q6_K | 2,2 GB | 3,1 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q6_K |
| Q8_0 | 2,8 GB | 3,7 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q8_0 |
| F16 | 5,2 GB | 6,2 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:F16 |
Varianten
Der Bedarf gilt für 16.384 Token Kontext. Dabei bleibt Ollama, wenn Sie nach dem Start „/set parameter num_ctx 16384“ eingeben.
| Variante | Datei | Speicherbedarf | Startbefehl |
|---|---|---|---|
| Q3_K_M | 1,3 GB | 2,5 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q3_K_M |
| Q4_K_M | 1,6 GB | 2,9 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M |
| Q5_K_M | 1,9 GB | 3,1 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q5_K_M |
| Q6_K | 2,2 GB | 3,4 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q6_K |
| Q8_0 | 2,8 GB | 4,0 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q8_0 |
| F16 | 5,2 GB | 6,5 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:F16 |
Varianten
Der Bedarf gilt für 8.192 Token Kontext. Dabei bleibt Ollama, wenn Sie nach dem Start „/set parameter num_ctx 8192“ eingeben.
| Variante | Datei | Speicherbedarf | Startbefehl |
|---|---|---|---|
| Q3_K_M | 1,3 GB | 2,3 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q3_K_M |
| Q4_K_M | 1,6 GB | 2,6 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M |
| Q5_K_M | 1,9 GB | 2,9 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q5_K_M |
| Q6_K | 2,2 GB | 3,2 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q6_K |
| Q8_0 | 2,8 GB | 3,8 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q8_0 |
| F16 | 5,2 GB | 6,3 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:F16 |
Varianten
Der Bedarf gilt für 32.768 Token Kontext. Dabei bleibt Ollama, wenn Sie nach dem Start „/set parameter num_ctx 32768“ eingeben.
| Variante | Datei | Speicherbedarf | Startbefehl |
|---|---|---|---|
| Q3_K_M | 1,3 GB | 2,9 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q3_K_M |
| Q4_K_M | 1,6 GB | 3,3 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M |
| Q5_K_M | 1,9 GB | 3,5 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q5_K_M |
| Q6_K | 2,2 GB | 3,8 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q6_K |
| Q8_0 | 2,8 GB | 4,4 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q8_0 |
| F16 | 5,2 GB | 6,9 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:F16 |
Varianten
Der Bedarf gilt für 32.768 Token Kontext. Dabei bleibt Ollama, wenn Sie nach dem Start „/set parameter num_ctx 32768“ eingeben.
| Variante | Datei | Speicherbedarf | Startbefehl |
|---|---|---|---|
| Q3_K_M | 1,3 GB | 2,9 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q3_K_M |
| Q4_K_M | 1,6 GB | 3,3 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q4_K_M |
| Q5_K_M | 1,9 GB | 3,5 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q5_K_M |
| Q6_K | 2,2 GB | 3,8 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q6_K |
| Q8_0 | 2,8 GB | 4,4 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:Q8_0 |
| F16 | 5,2 GB | 6,9 GB | ollama run hf.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF:F16 |
Quelle: https://huggingface.co/mradermacher/EuroMoE-2.6B-A0.6B-Instruct-2512-GGUF
Weitere Ratgeber
- Qwen lokal betreiben: welche Fassung auf welches GerätQwen gibt es in vielen Größen. Die kleinste aktuelle Fassung in unserem Katalog, Qwen3.5 4B, braucht 4,4 GB und läuft damit auf praktisch jedem Rechner, Qwen3.8 27B flüssig auf 214 von 561 Geräten. Welche Fassung zu Ihrem Rechner passt und wie Sie sie starten.
- KI-Agenten mit lokalem Modell: zwölf Werkzeuge im VergleichOpenClaw, Hermes Agent, DeepSeek Harness und neun weitere Agenten mit einem Modell auf dem eigenen Rechner: was jeder verlangt, was Ihr Gerät hergibt und welcher zu Ihnen passt.
- Mac mini für lokale KI: Welche Ausstattung reicht und wann es der Mac Studio sein mussBeim Mac zählt der Arbeitsspeicher, nicht die ganze Zahl. Was der Mac mini mit M4, M5 Pro und M6 trägt, wann es der Mac Studio sein muss und was gebraucht zählt.
- DeepSeek Harness installieren und lokal nutzenDeepSeek Harness ist der quelloffene Programmier-Agent von DeepSeek. Wie Sie ihn installieren, mit einem lokalen Modell verbinden und was an DeepSeek geht.
- Deutsche und europäische KI-Modelle: Welche es gibt und was davon lokal läuftTeuken aus Deutschland, EuroLLM aus einem EU-Projekt, Mistral aus Paris, Apertus aus der Schweiz. Lizenz, Größe und auf wie vielen der 561 Geräte sie flüssig laufen.
- DSGVO-konforme KI: Welche Daten verlassen bei welchem Aufbau Ihr Haus?Lokal heißt nicht telemetriefrei, und eine EU-Zusage hängt am Bereitstellungstyp. Was bei vier gängigen Aufbauten wirklich übertragen wird, mit Zitaten aus den Datenschutzerklärungen der Anbieter.
- gpt-oss: OpenAIs offenes Modell auf dem eigenen Rechnergpt-oss gibt es in zwei Größen. Die kleine läuft auf 327 von 561 geführten Geräten flüssig, die große auf 69. Was Sie brauchen und wo das Modell nicht passt.
- Grafikkarte für KI: Worauf es bei lokalen Modellen ankommtFür KI zählt an einer Grafikkarte zuerst der Speicher, dann das Tempo. Welche Speicherklasse wie viele Modelle trägt und warum 24 GB der wichtigste Schritt ist.
- Hermes Agent lokal: mit Ollama oder LM Studio nutzenHermes Agent lokal mit Ollama oder LM Studio: Er braucht mindestens 64.000 Token Kontext, ein Modell mit Werkzeugaufrufen und genug Speicher.
- KI selbst hosten: Was sich ändert, sobald mehrere zugreifenSelbst hosten heißt, dass einer betreibt und mehrere nutzen. Was dafür nötig ist, warum die Voreinstellungen dafür nicht gemacht sind und welche Fragen ab dem zweiten Nutzer keine Technikfragen mehr sind.
- Lokale KI: Was das heißt, was Sie brauchen, was sie kannLokale KI heißt, dass die Modelldatei auf Ihrem Gerät liegt und die Rechenarbeit dort stattfindet. Was Sie dafür brauchen, was heute gut funktioniert und wo die Grenzen liegen.
- Open Source KI: Welche Modelle wirklich offen sindDie meisten Modelle, die „Open Source KI“ heißen, geben nur die fertigen Modelldateien frei, nicht den Weg dorthin. Was der Begriff bedeutet, welche Familien es gibt und was davon auf eigener Hardware läuft.
- OpenClaw lokal: mit Ollama oder LM Studio einrichtenOpenClaw mit einem lokalen Modell über Ollama oder LM Studio: installieren, einrichten, passende Modelle wählen und wissen, was trotzdem ins Netz geht.
- Ornith 1.5: Welche der drei Größen auf Ihrem Rechner läuftOrnith 1.5 in drei Größen: Die kleinste läuft beim Ausprobieren auf 413 von 561 Geräten flüssig, die größte auf 9. Was jede braucht und wann ein Verbund hilft.
- Qwen-Image: KI-Bilder lokal erzeugen und die richtige Fassung wählenQwen-Image erzeugt Bilder auf dem eigenen Rechner. Die neue Fassung 2.1 ist nur für Forschung und Erprobung freigegeben, für Unternehmen ist 2512 die Fassung. Was beide an Speicher brauchen und wie lange ein Bild auf unserer Karte dauerte.
- Lokale KI-Modelle: Welches läuft auf Ihrer Hardware?Ob ein lokales KI-Modell auf Ihrem Rechner läuft, entscheidet der Speicher. Wie Sie die richtige Zahl finden und was die Stufen hinter dem Namen bedeuten.
- KI lokal betreiben, ohne Terminal: So läuft ein Sprachmodell auf Ihrem RechnerLokale KI-Modelle brauchen auf Mac und Windows keine Befehlszeile mehr. Was Sie an Hardware brauchen, wie die Einrichtung Schritt für Schritt gelingt und wo die Grenzen liegen.
- Ollama oder LM Studio: Was ist der Unterschied, und welches passt zu Ihnen?Beide laden offene Sprachmodelle auf Ihren Rechner und rechnen mit demselben Unterbau. Was sie wirklich unterscheidet, was sie kosten und welche Daten dabei Ihr Haus verlassen.
- Was ist Ollama, und welche Alternativen gibt es?Ollama, LM Studio, llama.cpp und vLLM tauchen in vielen Anleitungen für lokale KI auf. Was jedes davon ist, wie die vier zusammenhängen und welches Sie wofür brauchen.
- Was kostet ChatGPT wirklich, und ab wann lohnt sich eigene Hardware?Die Rechnung hat vier Posten, und drei davon stehen auf keiner Preisliste. Was ein Modell über die Schnittstelle kostet, was eigene Hardware dagegenstellt, und ab welchem Punkt sich der Wechsel rechnet.