Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com31. Mai 2026 · Q011272

The Best Open Models for Every Hardware Tier in 2026

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vollständige Bericht empfiehlt je nach VRAM MiniCPM5, LFM-2.5–8B, DeepSeek V4 Flash oder Step-3.7-Flash und führt deren Agentenfunktionen, Effizienz und große Kontextfenster als Vorteile an. Die Leistungsangaben sind im Text nicht durch eine beschriebene Testmethode oder konkrete Vergleichsdaten abgesichert.

Mittel

Der vollständige Bericht stellt vier offene Modelle für unterschiedliche VRAM-Klassen vor und argumentiert, dass lokale KI durch MoE-Architekturen, neue Trainingsverfahren und große Datensätze leistungsfähiger geworden sei. VRAM-Bedarf hänge laut Autor unter anderem von Modellgröße, Kontextfenster und Quantisierung ab.

Für 4–8 GB empfiehlt er MiniCPM5, ein 1B-Modell für schnelle Werkzeugnutzung und Agenten. Für 8–16 GB nennt er LFM-2.5–8B mit 1,5B aktiven Parametern, 38 Billionen Trainingstokens und 131K Kontext. DeepSeek V4 Flash ordnet der Bericht 96–128 GB zu und hebt dessen Agentenfähigkeiten, Geschwindigkeit und Kontext hervor. Ab 196 GB empfiehlt er Step-3.7-Flash mit 199B Gesamt- und 11B aktiven Parametern, Bildverarbeitung und 256K Kontext.

Der Autor sieht darin eine Annäherung lokaler Modelle an Cloud-Systeme. Eine systematische Testmethode oder detaillierte Vergleichsdaten nennt der Text nicht; Benchmark-, Leistungs- und Geschwindigkeitseinschätzungen bleiben daher Behauptungen beziehungsweise wiedergegebene Nutzerberichte.

Ausführlich lesen

Der vollständige Bericht empfiehlt vier offene Sprachmodelle für unterschiedliche Größenordnungen an GPU-VRAM und vertritt die These, dass leistungsfähige lokale KI inzwischen auch auf vergleichsweise günstiger Hardware möglich sei. Als Gründe nennt der Autor neue Modellarchitekturen, Mixture-of-Experts (MoE), Trainingsverfahren und große Datensätze. Die zentrale praktische Einschränkung sei der VRAM: Er werde unter anderem durch Modellgröße, Kontextfenster und Quantisierungspräzision beansprucht. Ziel sei, ein leistungsfähiges Modell zu wählen, das zur vorhandenen Hardware passt.

Für 4–8 GB VRAM empfiehlt der Autor MiniCPM5 mit einer Milliarde Parametern. Er beschreibt es als besonders klein und schnell sowie auf Werkzeugaufrufe und agentische Abläufe ausgerichtet. Als passende Anwendungen nennt er Coding-Assistenten, Automatisierung und persönliche Agenten. Der Bericht behauptet, das Modell sei in seiner Größenklasse bei Benchmarks führend, nennt dafür aber weder konkrete Messwerte noch einen Benchmark.

Für 8–16 GB VRAM stellt der Artikel LFM-2.5–8B heraus. Laut Bericht handelt es sich um ein MoE-Modell mit acht Milliarden Parametern, von denen 1,5 Milliarden aktiv seien. Als weitere Angaben nennt der Autor 38 Billionen Trainingstokens und ein Kontextfenster von 131.000 Tokens. Die MoE-Struktur soll Rechenaufwand senken und die Inferenz beschleunigen. Der Autor sieht das Modell als möglichen Kompromiss zwischen Leistung und Hardwarebedarf; die behaupteten Vorteile durch Trainingsumfang und Kontext werden jedoch nicht anhand konkreter Vergleichsdaten belegt.

Für 96–128 GB VRAM empfiehlt der Artikel DeepSeek V4 Flash. Der Autor führt hohe Geschwindigkeit, lange Kontexte und Eignung für Planung, Agenten, Programmierprojekte und lange Dokumente an. Er verweist zudem auf Berichte von Nutzern, wonach das Modell kohärent, agentisch und gut bei mehrstufigen Aufgaben sei. Diese Einschätzungen werden als Nutzerberichte wiedergegeben, nicht als eigene systematische Prüfung.

Für mindestens 196 GB VRAM nennt der Autor Step-3.7-Flash: 199 Milliarden Gesamtparameter, 11 Milliarden aktive Parameter, Bildverarbeitung, ein Kontextfenster von 256.000 Tokens und eine angegebene Geschwindigkeit von 150 Tokens pro Sekunde auf „6000s“. Der Artikel behauptet, der MoE-Aufbau ermögliche viel Modellkapazität bei geringerem aktivem Rechenaufwand. Als Anwendungen für die Bildverarbeitung nennt er Screenshots, Dokumente, Diagramme und Fotos.

Insgesamt zeichnet der Bericht einen Trend zu kleineren Agentenmodellen, effizienteren MoE-Systemen, größeren Kontextfenstern und offen verfügbaren sehr großen Modellen. Eine konkrete Testmethode, einheitliche Hardwarekonfigurationen oder nachvollziehbare Vergleichsdaten legt der Text nicht vor. Auch die Empfehlungen sind nach VRAM-Stufen geordnet, während der Bericht selbst darauf hinweist, dass Modellgröße, Kontext und Quantisierung den Speicherbedarf beeinflussen. Die Leistungs- und Geschwindigkeitsangaben sind daher Aussagen des Autors beziehungsweise genannte Nutzerberichte und keine im Text unabhängig belegten Ergebnisse.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Fassungen von Luna geben den Bericht treu wieder: Modellnamen, Parameterzahlen, Kontextfenster und die Einordnung als Nutzerberichte stimmen mit dem Text überein, und die Mängel bei Benchmarks werden richtig benannt. Die Kurzfassung ist sachlich korrekt, aber unvollständiger als die mittlere Fassung. Die Einordnung je Sammelfrage nutzt Luna-Werte, die hier nicht bewertet wurden; die Teilfragen sind leer.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Zuordnung der Modelle zu den VRAM-Klassen (4–8, 8–16, 96–128 und ab 196 GB) ist in der Kurzfassung nur allgemein als „je nach VRAM“ angedeutet
  • Die Einschätzung des Autors, dass die Lücke zwischen lokaler und Cloud-KI kleiner wird, fehlt in der Kurzfassung

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 87 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 66 %Hintergrund, keine Belege
    • JEV 55 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 23 %Hintergrund, keine Belege
    • amos 64 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →