Lokale KI Setup

Qwen-Startcheck für deinen lokalen Rechner

Erkenne vor dem nächsten Test, welches Ollama-Modell wirklich geladen ist und wie viel Speicher davon auf der GPU liegt. Plus klarer Übergang zur Cloud.

4 Dateien15 Min. zum EinstiegEinfach

Video: Qwen 3.8 27B: unzensierte KI auf dem Mac und in der Cloud

Das passende Video ansehen

Das hast du danach.

Ein lesbarer Laufzeitbericht statt der Annahme, dass das Modell auf der GPU läuft.

Diese Dateien sind dabei.

README.md2,3 KB
laufzeit-demo.json0,4 KB
laufzeitcheck.py3 KB
ENTSCHEIDUNG.md2,6 KB

So startest du.

Starte python3 laufzeitcheck.py --fixture laufzeit-demo.json und lerne die Anzeige kennen.
Starte dein bereits installiertes Modell in Ollama und rufe python3 laufzeitcheck.py --live auf.
Nutze ENTSCHEIDUNG.md für Quantisierung, lokalen Betrieb oder den manuellen Cloud-Test.

Ein Blick in die Datei.

Ein Ausschnitt aus dem Paket. Die vollständige Datei liegt im ZIP.

laufzeitcheck.pyAusschnitt

"""Read Ollama runtime metadata from a local endpoint or an offline fixture."""
import argparse
import json
import math
from pathlib import Path
from http.client import HTTPConnection, HTTPException

def nonnegative(value: object, label: str) -> float:
    if isinstance(value, bool) or not isinstance(value, (int, float)) or not math.isfinite(value) or value < 0:
        raise ValueError(f"Ungültiger Wert: {label}")
    return float(value)

def report(data: dict) -> str:
    models = data.get("models")
    if not isinstance(models, list):
        raise ValueError("Antwort enthält keine Modellliste")
    if not models:
        return "Kein Modell geladen. Erst ein vorhandenes Modell in Ollama öffnen, danach erneut prüfen."

Quellen zum Weiterlesen.

Ein Blick in die Datei.

Ein Ausschnitt aus dem Paket. Die vollständige Datei liegt im ZIP.

laufzeitcheck.pyAusschnitt

"""Read Ollama runtime metadata from a local endpoint or an offline fixture."""
import argparse
import json
import math
from pathlib import Path
from http.client import HTTPConnection, HTTPException

def nonnegative(value: object, label: str) -> float:
    if isinstance(value, bool) or not isinstance(value, (int, float)) or not math.isfinite(value) or value < 0:
        raise ValueError(f"Ungültiger Wert: {label}")
    return float(value)

def report(data: dict) -> str:
    models = data.get("models")
    if not isinstance(models, list):
        raise ValueError("Antwort enthält keine Modellliste")
    if not models:
        return "Kein Modell geladen. Erst ein vorhandenes Modell in Ollama öffnen, danach erneut prüfen."