Dedizierte GPU, Unified Memory oder CPU-only wählen und ein passendes Preset setzen.
Alle ToolsVerfügbar · Lokale AI
Local AI Hardware Checker
GPU-VRAM, Unified Memory oder CPU wählen und sofort sehen, welche Modellgröße sinnvoll passt.
LinkLoot AI Review 93/100Hardwaredaten bleiben lokal500 frei pro TagOhne Gem-Kosten
Für Nutzer, die vor Download oder GPU-Kauf wissen wollen, ob 3B, 8B, 14B, 32B oder 70B Modelle lokal praktikabel sind.
Tool öffnen
Speicherart und Modell wählen, klare Einschätzung sehen.
Ollama läuft langsam?
Grenze das Problem ein und vergleiche anschließend die Einstellungen im Rechner. Es werden keine Geräte- oder Logdaten ausgelesen.
Speicherdruck prüfen
- Prüfe RAM und Auslagerung im Task-Manager bzw. in der Aktivitätsanzeige.
- Schließe nicht benötigte speicherintensive Anwendungen. Prüfe mit ollama ps, welche Modelle geladen sind.
- Vergleiche ein kleineres Modell und einen kürzeren Kontext im Rechner. Ändere jeweils nur eine Einstellung.
Dein Setup
Drei Angaben reichen für eine erste Einschätzung.
Speicher-ArchitekturDedizierte GPUs haben eigenen VRAM. Bei Apple Silicon und manchen APUs teilen CPU und GPU den Arbeitsspeicher. CPU-only nutzt keinen GPU-Speicher.
Genaue HardwarewerteNur nötig, wenn kein Preset passt.
ModellgrößeDie Parameterzahl steht meist im Modellnamen, zum Beispiel 8B, 14B oder 32B.
Der häufigste lokale Einstieg für Chat, Coding und einfache Agents.
keine Datenübertragunglokale Schätzung
Deine Einschätzung
Planungswert – kein Geräte-Benchmark.
gute WahlDieses Setup sollte im Alltag gut funktionieren.
Chat und Coding sollten angenehm reagieren.
88/ 100
Modellspeicher7,3 GB
RAM empfohlen16 GB
Download6 GB
AusführungGPU
Erwartetes Gefühlflüssig
Speicherreserve0,7 GB
Bester nächster SchrittSetup unverändert verwenden
Andere Quantisierung testenQ4 spart am meisten Speicher; höhere Stufen brauchen mehr Platz.
So kommt die Schätzung zustande7B/8B Chat & Coding · Q4
Weights 4,5 GBKV cache 1,5 GBRuntime 1,4 GBSpeicherreserve 0,7 GB
Hardware-Empfehlung
Nur relevant, wenn du Hardware auswählst oder aufrüstest.
Passende dedizierte GPUsNach VRAM-Eignung sortiert.
Datenstand & Methodik
Datenstand09.06.2026
Hardware-RankingLinkLoot fallback hardware catalog
Gut zu wissen
Was der Rechner kann, wo die Grenzen liegen und welche Quellen drinstecken.
VRAM-, Unified-Memory-, RAM-, Download- und KV-Cache-Schätzung für lokale LLMs
Kein echter Benchmark und keine Tokens-pro-Sekunde-Garantie
Kann mein PC lokale KI ausführen?
Reddit-Fragen zu lokalen LLMs beginnen fast immer mit GPU, VRAM, Quantisierung und „läuft das auf meinem Rechner?“. Der Checker übersetzt diese technischen Hebel in eine schnelle Ampel.
Modellspeicher zuerst
Für flüssige lokale Modelle zählt zuerst, ob Gewichte, KV-Cache und Runtime in dedizierten VRAM oder nutzbaren Unified Memory passen. Sobald Offload nötig wird, sinkt die Geschwindigkeit oft stark.
Quantisierung erklärt
Q4, Q5, Q8 und FP16 verändern Speicherbedarf und Qualität. Der Checker zeigt, welche Stufe für dein Setup realistisch wirkt.
Kontext kostet Speicher
Lange Kontextfenster erhöhen den KV-Cache. Genau dieser Punkt wird in vielen Hardware-Diskussionen unterschätzt.