Tag
#ollama
38 Artikel
Meta Muse Glimmer 30B im Faktencheck: lokales Agentenmodell für 24/32 GB
Muse Glimmer 30B geprüft: 24/32-GB-Hardware, DFlash-Speed, 131K Kontext, Ollama/MLX und Benchmarks gegen Qwen3.6-27B – mit Methodikcheck.
Meta Muse Glimmer 30B fact-checked: 24/32 GB, DFlash, Qwen3.6-27B
Muse Glimmer 30B checked: 24/32 GB hardware, DFlash speed, 131K context, Ollama/MLX and independent benchmarks against Qwen3.6-27B.
Best MacBook for AI Development in 2026: M5 Pro 48GB vs 64GB
M5 Pro 48GB is the best overall MacBook for local AI development (7B-32B models). M5 Air 24GB, M5 Pro 64GB and M5 Max 128GB for Ollama, MLX, LM Studio.
MacBook für KI-Entwicklung 2026: M5 Pro 48 GB vs 64 GB im RAM-Check
M5 Pro mit 48 oder 64 GB ist die ausgewogenste Wahl für lokale KI-Entwicklung. M5 Air 24 GB, M5 Pro und M5 Max 128 GB für Ollama, MLX, LM Studio.
Poolside Laguna XS.2 auf dem Mac: Open-Weight Coding-Modell, Benchmarks und RAM
Poolside Laguna XS.2 vs. XS 2.1 auf Mac: Ollama-Q4- und MLX-Tags, Kontext, Metal-Chatfehler, Lizenzen und sichere Migration.
Poolside Laguna XS.2 on Mac: Open-Weight Coding Model, Benchmarks and RAM
Poolside Laguna XS.2 vs XS 2.1 on Mac: Ollama Q4 and MLX tags, context, Metal chat failures, licenses and safe agent migration.
Kimi K2.7 Code auf dem Mac: Cloud, API oder GGUF?
Kimi K2.7 Code auf dem Mac: Kimi API gegenüber K3, aktuelle USD-Preise, Ollama Cloud, Kimi-Code-Abo, 256K- versus 1M-Kontext und lokale GGUF-Grenzen.
Kimi K2.7 Code on Mac: Cloud, API, or GGUF?
Kimi K2.7 Code on Mac: U.S. API rates versus K3, cloud/Ollama separation, Kimi Code subscriptions, 256K versus 1M context, and GGUF hardware.
Nex N2 Pro auf dem Mac: Was 397B MoE in der Praxis bedeuten
Nex N2 Pro auf dem Mac: 397B/17B MoE, offizielles FP8 mit 400 GB, realistische RAM-Grenzen und sichere Remote-Nutzung statt erfundener MLX-Tests.
Nex N2 Pro on Mac: What 397B MoE Means in Practice
Nex N2 Pro on Mac: 397B/17B MoE, official 400GB FP8 release, realistic memory limits, and secure remote use without invented MLX benchmarks.
Gemma 4 12B auf dem Mac: RAM, Ollama, MLX und Multimodalität
Gemma 4 12B Unified bietet 256K Kontext sowie Text-, Bild-, Audio- und Videoeingaben. Aktueller Mac-Check für Ollama, MLX, RAM und Benchmarks.
Gemma 4 12B on Mac: RAM, Ollama, MLX and Multimodal Support
Gemma 4 12B runs on 16GB Macs in 4-bit (~8GB package): 256K context, image, audio and video input, plus a repeatable 16/24/32GB RAM check for Ollama and MLX.
NVIDIA Nemotron 3 Ultra auf dem Mac: Cloud-Tag, 256K und NIM
Nemotron 3 Ultra vom Mac aus nutzen: Ollama Cloud, native 256K, optionales NIM-1M-Setup und die Grenzen auf Apple Silicon klar getrennt.
NVIDIA Nemotron 3 Ultra on Mac: Cloud Tag, 256K and NIM
Use Nemotron 3 Ultra from a Mac without confusing cloud access with local inference: Ollama Cloud, native 256K, optional NIM 1M, real hardware limits.
Gemini 3.5 Flash on Mac: How to Use It, Pricing, and Local Alternatives
What Gemini 3.5 Flash can do, how to use it from a Mac, what it costs, how Google handles your data, and which local models fit when you need offline AI.
Gemini 3.5 Flash auf dem Mac: Nutzung, Preise und lokale Alternativen
Was Gemini 3.5 Flash kann, wie du es vom Mac nutzt, was es kostet, wie Google mit Daten umgeht und welche lokalen Modelle passen, wenn du Offline-KI brauchst.
Moondream2 auf dem Mac: 1,7 GB Vision ohne Cloud
Moondream2 lokal auf Apple Silicon: Ollama-Setup, Python-API, RAM-Empfehlung, Datenschutz und die Grenzen des kompakten Vision-Modells.
Moondream2 on Mac: 1.7 GB Vision Without the Cloud
Run Moondream2 locally on Apple Silicon: Ollama setup, Python API, memory guidance, privacy and the limits of this compact vision model.
Gemma 4 26B vs. Qwen3.6 27B auf dem Mac: RAM, Ollama und MLX
Gemma 4 26B A4B und Qwen3.6 27B im Mac-Vergleich: RAM, Ollama, MLX, Coding, Multimodalität und der Hinweis auf den neueren Qwen3.8-Nachfolger.
Gemma 4 26B vs Qwen3.6 27B on Mac: RAM, Ollama and MLX
Gemma 4 26B A4B and Qwen3.6 27B compared on Mac: RAM, Ollama, MLX, coding, multimodality and the newer Qwen3.8 successor.
Gemma 3 auf dem Mac: Varianten, Vision und Speichergrenzen
Gemma 3 lokal auf Apple Silicon: Welche Ollama-Variante Text und Bilder unterstützt, welche Paketgröße passt und warum 128K Kontext kein RAM-Versprechen ist.
Gemma 3 on Mac: Variants, Vision and Memory Limits
Gemma 3 on Apple Silicon: which Ollama variants support text and images, what package size fits, and why 128K context is not a RAM promise.
Gemma 4 auf dem Mac: Varianten, Modalitäten und Speicherplanung
Gemma 4 auf dem Mac: geprüfte Q4-Tags, Speicherbedarf und reproduzierbares Ollama-Messprotokoll mit echten Token-/Sekunden-Werten.
Gemma 4 on Mac: Variants, Modalities and Memory Planning
Gemma 4 on Mac: verified Q4 tags, memory planning and a reproducible Ollama API benchmark protocol with real token-per-second metrics.
Qwen3.6 auf dem Mac: 27B, 35B-A3B, Vision und Ollama
Qwen3.6 27B und 35B-A3B auf dem Mac: exakte Ollama-Tags, RAM-Reserve, lokale Vision mit Python, Kontext und überprüfbare API-Tests.
Qwen3.6 on Mac: 27B, 35B-A3B, Vision and Ollama
Run Qwen3.6 27B or 35B-A3B on Mac: exact Ollama tags, memory headroom, local vision with Python, context settings and measured API checks.
Wie viel RAM braucht ein lokales LLM auf dem Mac?
16 GB für 7B–8B, 24–32 GB Sweet Spot für 12B–32B, 70B Q4 ab 64 GB mit Checks. Mac-RAM-Staffeln für Ollama, LM Studio und MLX, inkl. KV-Cache und Systemreserve.
How Much RAM Does a Local LLM Need on a Mac?
16GB runs 7B–8B models, 24–32GB is the sweet spot for 12B–32B, and 70B Q4 needs 64GB with checks. Mac RAM tiers for Ollama, LM Studio and MLX, incl. KV cache.
Best Open-Weight LLMs for Mac in 2026: RAM, Ollama Tags & Picks
Open-weight LLM picks for 8–64GB Macs: Gemma 4 for smaller systems, Qwen3.8-27B for 32GB+, Ollama tags, realistic memory margins and a fair speed test.
Beste Open-Weight-LLMs für den Mac 2026: RAM, Ollama-Tags & Auswahl
Open-Weight-LLMs für Macs von 8 bis 64 GB: Gemma 4 für kleine Systeme, Qwen3.8-27B ab 32 GB, Ollama-Tags, echte RAM-Reserve und faire Tests.
Apple Intelligence vs Local AI: Mac Privacy Guide
Apple Intelligence routes requests to Private Cloud Compute or ChatGPT, so it is not local inference. A local Ollama or MLX model needs cloud features off.
Apple Intelligence vs. lokale KI: Datenschutz auf dem Mac
Apple Intelligence, PCC und ChatGPT: Wann Daten den Mac verlassen und wie du Ollama mit deaktivierten Cloud-Funktionen lokal betreibst.
LM Studio vs. Ollama: Was ist besser auf dem Mac?
LM Studio oder Ollama auf Apple Silicon: GUI, CLI, lokale APIs, GGUF, MLX, RAG, Offline-Betrieb und Sicherheit im direkten Vergleich.
LM Studio vs Ollama: Which Is Better on Mac?
LM Studio or Ollama on Apple Silicon: GUI, CLI, local APIs, GGUF, MLX, RAG, offline operation and security compared.
Ollama auf dem Mac mini M4 einrichten: lokale KI, RAM-Grenzen und Cloud-Falle erklärt
Ollama auf dem Mac mini M4 einrichten: Modellwahl für 16–64 GB Unified Memory, lokale API, Open WebUI, Kontextlänge und Datenschutz.
Ollama on Mac mini M4: local AI setup, memory limits and the cloud trap
Set up Ollama on a Mac mini M4 and pick the right models per RAM tier: Gemma 4 and Qwen for 16–64GB, local API, Open WebUI, context length and the cloud trap.
Mac mini M4 for Local AI in 2026: 16GB, 24GB or M4 Pro?
The Mac mini M4 with 24GB is the practical pick for local AI: 4B-8B models with headroom. 32GB opens 8B-14B, M4 Pro adds bandwidth. Check Activation Lock used.
Mac mini M4 für lokale KI 2026: 16 GB, 24 GB oder M4 Pro?
Mac mini M4 gebraucht für lokale KI kaufen? Prüfe 16–64 GB RAM, Aktivierungssperre, Bandbreite und den Vergleich zum M6 – mit Quellen und Grenzen.