FreeLLMAlle Modelle › microsoft
UserRepGen-4B
microsoft · veröffentlicht am 14. Okt. 2026
Wo du es kostenlos nutzen kannst
- Lade es herunter und führe es zu Hause aus: offizielle Gewichte · GGUF-Dateien für Ollama und LM Studio
Neu: wartet auf Arena-Stimmen
Veröffentlicht am 14. Okt. 2026. Die Arena hat über dieses Modell noch nicht abgestimmt. Sobald das passiert, rückt das Modell automatisch in die Rangliste auf, meist in der nächsten Nacht. Bis dahin kannst du unten schon Größe, Speicherbedarf und Geschwindigkeit ansehen.
Geschwindigkeit auf gängiger Hardware
| Hardware | GPU-Speicher | Passt es? | Geschwindigkeit |
|---|---|---|---|
| RTX 3060 12 GB | 12 GB | Passt in die GPU | 69 tok/s |
| RTX 4060 Ti 16 GB | 16 GB | Passt in die GPU | 56 tok/s |
| RTX 3090 | 24 GB | Passt in die GPU | 161 tok/s |
| RTX 4090 | 24 GB | Passt in die GPU | 171 tok/s |
| RTX 5090 | 32 GB | Passt in die GPU | 269 tok/s |
| RX 7900 XTX | 24 GB | Passt in die GPU | 165 tok/s |
| 2 × RTX 3090 | 48 GB | Passt in die GPU | 156 tok/s |
| 4 × RTX 3090 | 96 GB | Passt in die GPU | 148 tok/s |
| Mac M4 Max 128 GB | 96 GB | Passt in die GPU | 80 tok/s |
| Ryzen AI Max+ 395 128 GB | 96 GB | Passt in die GPU | 50 tok/s |
| 8 × H100 SXM | 640 GB | Passt in die GPU | 337 tok/s |
Schätzung bei 4-Bit mit 32K Kontext, 64 GB DDR5 zum Auslagern. Geschwindigkeit ≈ Speicherbandbreite × 78 % ÷ pro Token gelesene Daten, plus feste Kosten pro Token, kalibriert an 44 echten llama.cpp-Tests; typische Abweichung etwa ±10 %. Alle Grafikkarten vergleichen.
Benötigter GPU-Speicher
| Stufe | 8K Kontext | 32K Kontext | 128K Kontext | Qualität im Vergleich zum Original |
|---|---|---|---|---|
| Q3_K_M | 3.1 GB | 3.9 GB | 7.1 GB | +10.5 % spürbarer Verlust |
| Q4_K_M | 3.6 GB | 4.4 GB | 7.6 GB | +2.8 % kleiner Verlust |
| Q5_K_M | 4.1 GB | 4.9 GB | 8.1 GB | +0.9 % sehr kleiner Verlust |
| Q6_K | 4.6 GB | 5.4 GB | 8.6 GB | +0.3 % nahezu verlustfrei |
| Q8_0 | 5.6 GB | 6.5 GB | 9.7 GB | ≈ 0 % wie das Original |
| F16 | 9.9 GB | 11 GB | 14 GB | ≈ 0 % wie das Original |
Gewichte + Kontext-Cache (aus der Architektur des Modells) + Laufzeit. Qualität: Anstieg von perplexity gegenüber dem vollen Modell, aus llama.cpp-Tests, skaliert nach Modellgröße. Simuliere dein eigenes Setup.
Diese Seite teilen:XLinkedInRedditWhatsApp
Falsche Zahl oder kaputten Link entdeckt? Fehler melden