Wer LLMs lokal betreibt, kennt das Problem: Man lädt ein 20-GB-Modell herunter, nur um festzustellen, dass der VRAM um wenige Megabyte nicht ausreicht oder die Quantisierung zu aggressiv gewählt wurde. Das Projekt llmfit (github.com/AlexsJones/llmfit) löst dieses Problem radikal einfach.

Die Brücke zwischen Hardware und Modell

llmfit analysiert beim Start sofort die Systemressourcen. Dabei geht das Tool weit über die Anzeige des Arbeitsspeichers hinaus. Es erkennt dedizierte Grafikspeicher (VRAM), CPU-Kerne und die spezifische Architektur deines Systems – egal ob Windows, Linux oder macOS (Apple Silicon).

Warum jeder Local-LLM-Nutzer llmfit braucht:

1. Präzise Vorhersage: Basierend auf einer Datenbank von über 200 Modellen berechnet llmfit den „Fit-Score“. Es zeigt dir, ob ein Modell „Perfect“, „Good“ oder „Too Tight“ für deine Hardware ist.

2. Quantisierungs-Empfehlungen: llmfit schlägt dir die beste Quantisierungsstufe vor. Es balanciert zwischen Modellqualität und verfügbarer Geschwindigkeit, damit deine Inferenz nicht zur Diashow wird.

3. Unterstützung für MoE (Mixture of Experts): Das Tool versteht, dass Modelle wie Mixtral oder DeepSeek-V3 zwar viele Parameter haben, aber nur einen Bruchteil davon pro Token aktiv nutzen, was die Speicheranforderungen beeinflusst.

4. Integrierter Model-Downloader: Über die Anbindung an Ollama können kompatible Modelle direkt aus der interaktiven Terminal-Oberfläche (TUI) heraus installiert werden.

Ein Tool von Entwicklern für Entwickler

Entwickelt von Alex Jones (bekannt durch Projekte wie k8sgpt), ist llmfit extrem leichtgewichtig und schnell. Die Installation erfolgt unkompliziert via Homebrew oder einen einfachen Curl-Befehl.

Fazit

llmfit nimmt das Rätselraten aus der lokalen KI-Nutzung. Es ist das ideale Werkzeug, um das Maximum aus der vorhandenen Hardware herauszuholen oder um zu rechtfertigen, warum der nächste Rechner doch 64 GB Unified Memory braucht.

Zum Projekt: llmfit auf GitHub

Der Beitrag llmfit: Welches LLM läuft auf meiner Hardware? Terminal-Guide erschien zuerst auf Ivan Ivanov.