LFM2.5-VL-1.6B
Dieses Modell ist aus seiner Modellkarte automatisch übernommen und von uns noch nicht gegengelesen; Größen, Kontext und Lizenz sind gemessen, die Einordnung nicht.
LFM2.5-VL-1.6B braucht mit der Variante Q4_K_M rund 2,2 GB Speicher und läuft auf allen 544 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: Lenovo ThinkPad P1 16 Zoll (2025), RTX PRO 1000 Blackwell Laptop GPU, 32 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.
LFM2.5-VL-1.6B braucht mit der Variante Q4_K_M rund 2,6 GB Speicher und läuft auf allen 544 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: Lenovo ThinkPad P1 16 Zoll (2025), RTX PRO 1000 Blackwell Laptop GPU, 32 GB.
Berechnet für 16.384 Token Kontext (Anwendungsfall „Programmieren“). Die Tempowerte sind an veröffentlichten und eigenen Messungen abgeglichen, aber nicht auf diesem Gerät gemessen.
LFM2.5-VL-1.6B braucht mit der Variante Q4_K_M rund 2,4 GB Speicher und läuft auf allen 544 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: Lenovo ThinkPad P1 16 Zoll (2025), RTX PRO 1000 Blackwell Laptop GPU, 32 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.
LFM2.5-VL-1.6B braucht mit der Variante Q4_K_M rund 3,1 GB Speicher und läuft auf allen 544 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: Lenovo ThinkPad P1 16 Zoll (2025), RTX PRO 1000 Blackwell Laptop GPU, 32 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.
LFM2.5-VL-1.6B braucht mit der Variante Q4_K_M rund 3,1 GB Speicher und läuft auf allen 544 geführten Geräten flüssig.
Mit dem wenigsten Speicher schafft es: Lenovo ThinkPad P1 16 Zoll (2025), RTX PRO 1000 Blackwell Laptop GPU, 32 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.
- Anbieter
- LiquidAI
- Parameter
- 1,2 Mrd.
- Längster Kontext
- 128.000 Token
- Nimmt entgegen
- Text und Bilder
- Lizenz
- eigene Lizenz des AnbietersOb die Lizenz den Einsatz im Unternehmen erlaubt, haben wir noch nicht geprüft.
So starten Sie es mit Ollama:
$ ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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.
So starten Sie es mit Ollama:
$ ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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.
So starten Sie es mit Ollama:
$ ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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.
So starten Sie es mit Ollama:
$ ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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.
So starten Sie es mit Ollama:
$ ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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.
Für mehrere Nutzer gleichzeitig: Ollama bedient dieses Modell immer nur mit einer Anfrage nach der anderen. Bei anderen Modellen lässt sich das über die Einstellung OLLAMA_NUM_PARALLEL ändern, hier nicht: Ollama setzt den Wert für diese Modellart selbst zurück. Die Tempoangaben oben gelten für eine einzelne Anfrage.
Geräte, 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 534 weitere
und 534 weitere
und 534 weitere
und 534 weitere
und 534 weitere
Grafikkarten, in die es ganz passt
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 510 bis 623 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060, 8 GB | Läuft gut | 384 bis 469 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060 Ti, 8 GB | Läuft gut | 384 bis 469 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3060 Ti, 8 GB | Läuft gut | 384 bis 469 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3070, 8 GB | Läuft gut | 384 bis 469 Token/s | 8 GB davon 7,2 GB nutzbar |
| AMD Radeon RX 9060 XT, 8 GB | Läuft gut | 224 bis 416 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060 Ti, 8 GB | Läuft gut | 252 bis 308 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060, 8 GB | Läuft gut | 238 bis 291 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3080, 10 GB | Läuft gut | 625 bis 764 Token/s | 10 GB davon 9,2 GB nutzbar |
| Intel Arc B570, 10 GB | Läuft gut | 261 bis 485 Token/s | 10 GB davon 9,2 GB nutzbar |
und 50 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 422 bis 515 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060, 8 GB | Läuft gut | 316 bis 386 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060 Ti, 8 GB | Läuft gut | 316 bis 386 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3060 Ti, 8 GB | Läuft gut | 316 bis 386 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3070, 8 GB | Läuft gut | 316 bis 386 Token/s | 8 GB davon 7,2 GB nutzbar |
| AMD Radeon RX 9060 XT, 8 GB | Läuft gut | 184 bis 342 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060 Ti, 8 GB | Läuft gut | 207 bis 253 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060, 8 GB | Läuft gut | 196 bis 239 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3080, 10 GB | Läuft gut | 519 bis 634 Token/s | 10 GB davon 9,2 GB nutzbar |
| Intel Arc B570, 10 GB | Läuft gut | 216 bis 400 Token/s | 10 GB davon 9,2 GB nutzbar |
und 50 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 477 bis 583 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060, 8 GB | Läuft gut | 358 bis 438 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060 Ti, 8 GB | Läuft gut | 358 bis 438 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3060 Ti, 8 GB | Läuft gut | 358 bis 438 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3070, 8 GB | Läuft gut | 358 bis 438 Token/s | 8 GB davon 7,2 GB nutzbar |
| AMD Radeon RX 9060 XT, 8 GB | Läuft gut | 209 bis 388 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060 Ti, 8 GB | Läuft gut | 235 bis 287 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060, 8 GB | Läuft gut | 222 bis 272 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3080, 10 GB | Läuft gut | 585 bis 715 Token/s | 10 GB davon 9,2 GB nutzbar |
| Intel Arc B570, 10 GB | Läuft gut | 244 bis 453 Token/s | 10 GB davon 9,2 GB nutzbar |
und 50 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 343 bis 419 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060 Ti, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3060 Ti, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3070, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| AMD Radeon RX 9060 XT, 8 GB | Läuft gut | 149 bis 277 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060 Ti, 8 GB | Läuft gut | 167 bis 204 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060, 8 GB | Läuft gut | 158 bis 193 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3080, 10 GB | Läuft gut | 423 bis 517 Token/s | 10 GB davon 9,2 GB nutzbar |
| Intel Arc B570, 10 GB | Läuft gut | 175 bis 325 Token/s | 10 GB davon 9,2 GB nutzbar |
und 50 weitere
| Grafikkarte | Urteil | Tempo | Speicher |
|---|---|---|---|
| NVIDIA GeForce RTX 3070 Ti, 8 GB | Läuft gut | 343 bis 419 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 5060 Ti, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3060 Ti, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3070, 8 GB | Läuft gut | 256 bis 313 Token/s | 8 GB davon 7,2 GB nutzbar |
| AMD Radeon RX 9060 XT, 8 GB | Läuft gut | 149 bis 277 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060 Ti, 8 GB | Läuft gut | 167 bis 204 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 4060, 8 GB | Läuft gut | 158 bis 193 Token/s | 8 GB davon 7,2 GB nutzbar |
| NVIDIA GeForce RTX 3080, 10 GB | Läuft gut | 423 bis 517 Token/s | 10 GB davon 9,2 GB nutzbar |
| Intel Arc B570, 10 GB | Läuft gut | 175 bis 325 Token/s | 10 GB davon 9,2 GB nutzbar |
und 50 weitere
Alle Geräte und Grafikkarten für LFM2.5-VL-1.6B
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 |
|---|---|---|---|
| Q4_0 | 0,7 GB | 2,2 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_0 |
| Q4_K_M | 0,7 GB | 2,2 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_K_M |
| Q5_K_M | 0,8 GB | 2,4 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q5_K_M |
| Q6_K | 1,0 GB | 2,5 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q6_K |
| Q8_0 | 1,2 GB | 2,8 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q8_0 |
| BF16 | 2,3 GB | 4,2 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:BF16 |
| F16 | 2,3 GB | 4,2 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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 |
|---|---|---|---|
| Q4_0 | 0,7 GB | 2,6 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_0 |
| Q4_K_M | 0,7 GB | 2,6 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_K_M |
| Q5_K_M | 0,8 GB | 2,7 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q5_K_M |
| Q6_K | 1,0 GB | 2,8 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q6_K |
| Q8_0 | 1,2 GB | 3,1 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q8_0 |
| BF16 | 2,3 GB | 4,5 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:BF16 |
| F16 | 2,3 GB | 4,5 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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 |
|---|---|---|---|
| Q4_0 | 0,7 GB | 2,3 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_0 |
| Q4_K_M | 0,7 GB | 2,4 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_K_M |
| Q5_K_M | 0,8 GB | 2,5 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q5_K_M |
| Q6_K | 1,0 GB | 2,6 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q6_K |
| Q8_0 | 1,2 GB | 2,9 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q8_0 |
| BF16 | 2,3 GB | 4,3 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:BF16 |
| F16 | 2,3 GB | 4,3 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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 |
|---|---|---|---|
| Q4_0 | 0,7 GB | 3,1 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_0 |
| Q4_K_M | 0,7 GB | 3,1 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_K_M |
| Q5_K_M | 0,8 GB | 3,2 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q5_K_M |
| Q6_K | 1,0 GB | 3,3 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q6_K |
| Q8_0 | 1,2 GB | 3,6 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q8_0 |
| BF16 | 2,3 GB | 5,0 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:BF16 |
| F16 | 2,3 GB | 5,0 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-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 |
|---|---|---|---|
| Q4_0 | 0,7 GB | 3,1 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_0 |
| Q4_K_M | 0,7 GB | 3,1 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q4_K_M |
| Q5_K_M | 0,8 GB | 3,2 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q5_K_M |
| Q6_K | 1,0 GB | 3,3 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q6_K |
| Q8_0 | 1,2 GB | 3,6 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:Q8_0 |
| BF16 | 2,3 GB | 5,0 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:BF16 |
| F16 | 2,3 GB | 5,0 GB | ollama run hf.co/LiquidAI/LFM2.5-VL-1.6B-GGUF:F16 |
Quelle: https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B-GGUF
Weitere Ratgeber
- 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 544 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 544 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 544 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.