GLM-4.7-Flash
GLM-4.7-Flash braucht mit der Variante Q4_K_M rund 19,7 GB Speicher und läuft auf 236 von 538 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: ASUS ROG Strix SCAR 16 (2025), GeForce RTX 5090 Laptop GPU, 32 GB.
Berechnet für 4.096 Token Kontext (Anwendungsfall „Ausprobieren, Neugier“). Die Tempowerte sind an veröffentlichten Messungen abgeglichen, aber nicht auf diesem Gerät gemessen.
GLM-4.7-Flash braucht mit der Variante Q4_K_M rund 20,4 GB Speicher und läuft auf 236 von 538 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: ASUS ROG Strix SCAR 16 (2025), GeForce RTX 5090 Laptop GPU, 32 GB.
Berechnet für 16.384 Token Kontext (Anwendungsfall „Programmieren“). Die Tempowerte sind an veröffentlichten Messungen abgeglichen, aber nicht auf diesem Gerät gemessen.
GLM-4.7-Flash braucht mit der Variante Q4_K_M rund 19,9 GB Speicher und läuft auf 236 von 538 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: ASUS ROG Strix SCAR 16 (2025), GeForce RTX 5090 Laptop GPU, 32 GB.
Berechnet für 8.192 Token Kontext (Anwendungsfall „Texte schreiben, übersetzen“). Die Tempowerte sind an veröffentlichten Messungen abgeglichen, aber nicht auf diesem Gerät gemessen.
GLM-4.7-Flash braucht mit der Variante Q4_K_M rund 21,3 GB Speicher und läuft auf 236 von 538 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: ASUS ROG Strix SCAR 16 (2025), GeForce RTX 5090 Laptop GPU, 32 GB.
Berechnet für 32.768 Token Kontext (Anwendungsfall „Dokumente auswerten“). Die Tempowerte sind an veröffentlichten Messungen abgeglichen, aber nicht auf diesem Gerät gemessen.
GLM-4.7-Flash braucht mit der Variante Q4_K_M rund 21,3 GB Speicher und läuft auf 236 von 538 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: ASUS ROG Strix SCAR 16 (2025), GeForce RTX 5090 Laptop GPU, 32 GB.
Berechnet für 32.768 Token Kontext (Anwendungsfall „Kundendaten, interne Unterlagen“). Die Tempowerte sind an veröffentlichten Messungen abgeglichen, aber nicht auf diesem Gerät gemessen.
- Anbieter
- Z.ai
- Parameter
- 29,9 Mrd., davon 3 Mrd. aktiv
- Längster Kontext
- 202.752 Token
- Nimmt entgegen
- Text
- Lizenz
- MIT
So starten Sie es mit Ollama:
$ ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M
>>> /set parameter num_ctx 4096Ab 24 GB Grafikspeicher (beim Mac ab 36 GB Arbeitsspeicher) wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 4.096 Token, für die die Zahlen hier gelten.
So starten Sie es mit Ollama:
$ ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M
>>> /set parameter num_ctx 16384Ab 24 GB Grafikspeicher (beim Mac ab 36 GB Arbeitsspeicher) wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 16.384 Token, für die die Zahlen hier gelten.
So starten Sie es mit Ollama:
$ ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M
>>> /set parameter num_ctx 8192Ab 24 GB Grafikspeicher (beim Mac ab 36 GB Arbeitsspeicher) wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 8.192 Token, für die die Zahlen hier gelten.
So starten Sie es mit Ollama:
$ ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M
>>> /set parameter num_ctx 32768Ab 24 GB Grafikspeicher (beim Mac ab 36 GB Arbeitsspeicher) wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 32.768 Token, für die die Zahlen hier gelten.
So starten Sie es mit Ollama:
$ ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M
>>> /set parameter num_ctx 32768Ab 24 GB Grafikspeicher (beim Mac ab 36 GB Arbeitsspeicher) wählt Ollama von selbst mehr Kontext und braucht dann mehr Speicher. Die zweite Zeile, nach dem Start in Ollama eingegeben, hält den Kontext bei den 32.768 Token, für die die Zahlen hier gelten.
Geräte, auf denen es flüssig läuft
Alle Tempowerte sind berechnet und an veröffentlichten Messungen abgeglichen, nicht auf dem Gerät gemessen. Mit * markierte Werte sind nicht abgeglichen und deshalb unsicher.
und 226 weitere
und 226 weitere
und 226 weitere
und 226 weitere
und 226 weitere
Grafikkarten, in die es ganz passt
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 4090, 24 GB | Läuft gut | 179 bis 285 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090 Ti, 24 GB | Läuft gut | 179 bis 285 Token/s | 24 GB davon 23,2 GB nutzbar |
| AMD Radeon RX 7900 XTX, 24 GB | Läuft gut | 156 bis 290 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090, 24 GB | Läuft gut | 171 bis 272 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX A5000, 24 GB | Läuft gut | 151 bis 240 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX PRO 4000 Blackwell, 24 GB | Läuft gut | 138 bis 220 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX 4500 Ada Generation, 24 GB | Läuft gut | 100 bis 159 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 5090, 32 GB | Läuft gut | 240 bis 384 Token/s | 32 GB davon 31,2 GB nutzbar |
| NVIDIA RTX PRO 4500 Blackwell, 32 GB | Läuft gut | 166 bis 265 Token/s | 32 GB davon 31,2 GB nutzbar |
| AMD Radeon AI PRO R9700, 32 GB | Läuft gut | 117 bis 218 Token/s | 32 GB davon 31,2 GB nutzbar |
und 7 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 4090, 24 GB | Läuft gut | 162 bis 259 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090 Ti, 24 GB | Läuft gut | 162 bis 259 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090, 24 GB | Läuft gut | 154 bis 247 Token/s | 24 GB davon 23,2 GB nutzbar |
| AMD Radeon RX 7900 XTX, 24 GB | Läuft gut | 140 bis 260 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX A5000, 24 GB | Läuft gut | 135 bis 216 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX PRO 4000 Blackwell, 24 GB | Läuft gut | 123 bis 197 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX 4500 Ada Generation, 24 GB | Läuft gut | 88 bis 141 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 5090, 32 GB | Läuft gut | 223 bis 357 Token/s | 32 GB davon 31,2 GB nutzbar |
| NVIDIA RTX PRO 4500 Blackwell, 32 GB | Läuft gut | 150 bis 240 Token/s | 32 GB davon 31,2 GB nutzbar |
| AMD Radeon AI PRO R9700, 32 GB | Läuft gut | 104 bis 193 Token/s | 32 GB davon 31,2 GB nutzbar |
und 7 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 4090, 24 GB | Läuft gut | 173 bis 276 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090 Ti, 24 GB | Läuft gut | 173 bis 276 Token/s | 24 GB davon 23,2 GB nutzbar |
| AMD Radeon RX 7900 XTX, 24 GB | Läuft gut | 150 bis 279 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090, 24 GB | Läuft gut | 165 bis 263 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX A5000, 24 GB | Läuft gut | 145 bis 232 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX PRO 4000 Blackwell, 24 GB | Läuft gut | 132 bis 212 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX 4500 Ada Generation, 24 GB | Läuft gut | 96 bis 153 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 5090, 32 GB | Läuft gut | 234 bis 374 Token/s | 32 GB davon 31,2 GB nutzbar |
| NVIDIA RTX PRO 4500 Blackwell, 32 GB | Läuft gut | 160 bis 256 Token/s | 32 GB davon 31,2 GB nutzbar |
| AMD Radeon AI PRO R9700, 32 GB | Läuft gut | 113 bis 209 Token/s | 32 GB davon 31,2 GB nutzbar |
und 7 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 4090, 24 GB | Läuft gut | 144 bis 231 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090 Ti, 24 GB | Läuft gut | 144 bis 231 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090, 24 GB | Läuft gut | 137 bis 219 Token/s | 24 GB davon 23,2 GB nutzbar |
| AMD Radeon RX 7900 XTX, 24 GB | Läuft gut | 123 bis 229 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX A5000, 24 GB | Läuft gut | 119 bis 191 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX PRO 4000 Blackwell, 24 GB | Läuft gut | 108 bis 173 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX 4500 Ada Generation, 24 GB | Läuft gut | 76 bis 122 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 5090, 32 GB | Läuft gut | 204 bis 326 Token/s | 32 GB davon 31,2 GB nutzbar |
| NVIDIA RTX PRO 4500 Blackwell, 32 GB | Läuft gut | 133 bis 213 Token/s | 32 GB davon 31,2 GB nutzbar |
| AMD Radeon AI PRO R9700, 32 GB | Läuft gut | 90 bis 168 Token/s | 32 GB davon 31,2 GB nutzbar |
und 7 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 4090, 24 GB | Läuft gut | 144 bis 231 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090 Ti, 24 GB | Läuft gut | 144 bis 231 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 3090, 24 GB | Läuft gut | 137 bis 219 Token/s | 24 GB davon 23,2 GB nutzbar |
| AMD Radeon RX 7900 XTX, 24 GB | Läuft gut | 123 bis 229 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX A5000, 24 GB | Läuft gut | 119 bis 191 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX PRO 4000 Blackwell, 24 GB | Läuft gut | 108 bis 173 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA RTX 4500 Ada Generation, 24 GB | Läuft gut | 76 bis 122 Token/s | 24 GB davon 23,2 GB nutzbar |
| NVIDIA GeForce RTX 5090, 32 GB | Läuft gut | 204 bis 326 Token/s | 32 GB davon 31,2 GB nutzbar |
| NVIDIA RTX PRO 4500 Blackwell, 32 GB | Läuft gut | 133 bis 213 Token/s | 32 GB davon 31,2 GB nutzbar |
| AMD Radeon AI PRO R9700, 32 GB | Läuft gut | 90 bis 168 Token/s | 32 GB davon 31,2 GB nutzbar |
und 7 weitere
Alle Geräte und Grafikkarten für GLM-4.7-Flash
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 | 14,6 GB | 15,9 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q3_K_M |
| Q4_0 | 17,2 GB | 18,6 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_0 |
| Q4_K_M | 18,3 GB | 19,7 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M |
| Q5_K_M | 21,4 GB | 22,9 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q5_K_M |
| Q6_K | 24,7 GB | 26,2 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q6_K |
| Q8_0 | 31,8 GB | 33,5 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q8_0 |
| BF16 | 59,9 GB | 62,1 GB | In mehrere Dateien aufgeteilt, mit Ollama nicht direkt startbar. |
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 | 14,6 GB | 16,6 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q3_K_M |
| Q4_0 | 17,2 GB | 19,2 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_0 |
| Q4_K_M | 18,3 GB | 20,4 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M |
| Q5_K_M | 21,4 GB | 23,5 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q5_K_M |
| Q6_K | 24,7 GB | 26,9 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q6_K |
| Q8_0 | 31,8 GB | 34,2 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q8_0 |
| BF16 | 59,9 GB | 62,8 GB | In mehrere Dateien aufgeteilt, mit Ollama nicht direkt startbar. |
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 | 14,6 GB | 16,2 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q3_K_M |
| Q4_0 | 17,2 GB | 18,8 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_0 |
| Q4_K_M | 18,3 GB | 19,9 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M |
| Q5_K_M | 21,4 GB | 23,1 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q5_K_M |
| Q6_K | 24,7 GB | 26,4 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q6_K |
| Q8_0 | 31,8 GB | 33,7 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q8_0 |
| BF16 | 59,9 GB | 62,4 GB | In mehrere Dateien aufgeteilt, mit Ollama nicht direkt startbar. |
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 | 14,6 GB | 17,5 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q3_K_M |
| Q4_0 | 17,2 GB | 20,1 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_0 |
| Q4_K_M | 18,3 GB | 21,3 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M |
| Q5_K_M | 21,4 GB | 24,4 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q5_K_M |
| Q6_K | 24,7 GB | 27,8 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q6_K |
| Q8_0 | 31,8 GB | 35,1 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q8_0 |
| BF16 | 59,9 GB | 63,7 GB | In mehrere Dateien aufgeteilt, mit Ollama nicht direkt startbar. |
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 | 14,6 GB | 17,5 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q3_K_M |
| Q4_0 | 17,2 GB | 20,1 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_0 |
| Q4_K_M | 18,3 GB | 21,3 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q4_K_M |
| Q5_K_M | 21,4 GB | 24,4 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q5_K_M |
| Q6_K | 24,7 GB | 27,8 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q6_K |
| Q8_0 | 31,8 GB | 35,1 GB | ollama run hf.co/unsloth/GLM-4.7-Flash-GGUF:Q8_0 |
| BF16 | 59,9 GB | 63,7 GB | In mehrere Dateien aufgeteilt, mit Ollama nicht direkt startbar. |
Quelle: https://huggingface.co/unsloth/GLM-4.7-Flash-GGUF
Weitere Ratgeber
- 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 538 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 326 von 538 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.
- 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.
- Mac mini für lokale KI: Welche Ausstattung reicht und wann es der Mac Studio sein mussBeim Mac zählt der Arbeitsspeicher, aber nicht die ganze Zahl. Was die Ausstattungen des Mac mini mit M4, M5 Pro und M6 tragen und wo der Mac Studio anfängt.
- 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.
- Ornith 1.5: Welche der drei Größen auf Ihrem Rechner läuftOrnith 1.5 in drei Größen: Die kleinste läuft beim Ausprobieren auf 413 von 538 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.