PC-Konfigurationen für lokale KI-Modelle, 20B bis 120B — 2026
Von einer 16-GB-Grafikkarte bis zu drei RTX 3090, einem EPYC-Server und Rechnern mit Unified Memory: was jede Konfiguration ausführt und wie schnell, mit der Quelle jeder Messung.
-
One 16 GB GPU
- Budget
- Einsteiger
- Grafikspeicher
- ≈16 GB
- RAM
- ≈32 GB
- Komponenten
- GPU: RTX 5060 Ti 16 GB / RTX 4060 Ti 16 GB
- CPU: any 6–8-core desktop CPU
- Mainboard: any ATX/mATX with a PCIe x16 slot
- RAM: 32 GB DDR4/DDR5
- Netzteil: 550–650 W
- PCIe: 1× x16 (x8 electrical is enough)
- Läuft
- gpt-oss-20b MXFP4 (RTX 5060 Ti 16 GB) MXFP4 112 tok/s [gemessen]
- Qwen3-30B-A3B Q4_K_M, experts partly in RAM Q4_K_M [≈ Schätzung aus der Speicherbandbreite]
- Hinweise
- gpt-oss-20b (≈12 GB) fits entirely in VRAM with room for a long context. Qwen3-30B-A3B Q4_K_M (≈18.6 GB) does not fit: a few expert layers go to system RAM with --n-cpu-moe, still usable because only ~3B parameters are active. Measured on an RTX 5060 Ti 16 GB (llama-bench tg128).
-
One RTX 3090 24 GB (used)
- Budget
- Einsteiger
- Grafikspeicher
- ≈24 GB
- RAM
- ≈64 GB
- Komponenten
- GPU: RTX 3090 24 GB
- CPU: any 6–8-core desktop CPU
- Mainboard: any ATX with a PCIe x16 slot
- RAM: 32–64 GB DDR4/DDR5
- Netzteil: 750–850 W
- PCIe: 1× x16
- Läuft
- gpt-oss-20b MXFP4 MXFP4 162 tok/s [gemessen]
- Qwen3-30B-A3B Q4_K Q4_K_M 154 tok/s @4k [gemessen]
- Gemma 3 27B Q4_K_M Q4_K_M ≈31–42 tok/s [≈ Schätzung aus der Speicherbandbreite]
- Hinweise
- The cheapest way to 24 GB of fast VRAM. Small MoE models fly; dense ~27–32B models fit at Q4 with a moderate context. The Gemma 3 27B figure is our estimate: 936 GB/s × 55–75 % efficiency ÷ 16.5 GB of weights.
-
12–24 GB GPU + 64–128 GB RAM (MoE offload)
- Budget
- Einsteiger
- Grafikspeicher
- ≈24 GB
- RAM
- ≈64 GB
- Komponenten
- GPU: RTX 3090 24 GB / RTX 4070 12 GB / RTX 3080 Ti 12 GB
- CPU: Core i5-12600K / Core Ultra 7 265K class
- Mainboard: desktop board, both memory channels populated
- RAM: 64–128 GB DDR5 (XMP/EXPO on) or DDR4-3600
- Netzteil: 750–850 W
- PCIe: 1× x16
- Läuft
- gpt-oss-120b MXFP4 — RTX 3090 + 64 GB DDR5-5200, --n-cpu-moe 24–26 MXFP4 26–28 tok/s [gemessen]
- gpt-oss-120b MXFP4 — RTX 4070 12 GB + 64 GB DDR5 MXFP4 25–28 tok/s [gemessen]
- gpt-oss-120b MXFP4 — RTX 3080 Ti 12 GB + 128 GB DDR4-3600, --n-cpu-moe 36 MXFP4 18,0–22 tok/s [gemessen]
- Hinweise
- llama.cpp --n-cpu-moe N keeps attention and the shared layers on the GPU and moves the experts of N layers to system RAM. Works well only for MoE models; RAM speed matters — the 4070 build ran at 10–11 tok/s until XMP was turned on.
-
Two RTX 3090 (48 GB)
- Budget
- Mittelklasse
- Grafikspeicher
- ≈48 GB
- RAM
- ≈64 GB
- Komponenten
- GPU: 2× RTX 3090 24 GB
- CPU: desktop CPU with x8/x8 bifurcation, or HEDT
- Mainboard: two x16-size slots spaced for 3-slot cards (x8/x8)
- RAM: 64 GB
- Netzteil: 1000–1200 W
- PCIe: 2× x8 PCIe 4.0; NVLink optional
- Läuft
- Llama 3 70B Q4_K_M (same size as Llama 3.3 70B) Q4_K_M 16,3 tok/s [gemessen]
- Hinweise
- 48 GB holds a dense 70B model at Q4_K_M (≈42.5 GB) with a short-to-medium context. llama.cpp splits the layers between the cards and runs them one after another, so speed is that of one 3090 reading the whole model; NVLink and x8 lanes barely matter here (they do for vLLM tensor parallel).
-
Used EPYC server, 8-channel DDR4 (CPU only)
- Budget
- Mittelklasse
- Grafikspeicher
- ≈0 GB
- RAM
- ≈512 GB
- Preis
- 2.000 $
- Komponenten
- CPU: AMD EPYC 7002/7003 (Rome/Milan), e.g. EPYC 7702
- Mainboard: ASRock Rack ROMED8-2T / Supermicro H12SSL-i / Gigabyte MZ32-AR0
- RAM: 256–512 GB DDR4-3200 RDIMM, all 8 channels populated
- Netzteil: 750–1000 W
- PCIe: 5–7× x16 PCIe 4.0 — room to add GPUs later
- Läuft
- DeepSeek R1 671B Q4 — EPYC 7702 + 512 GB DDR4-2400, MZ32-AR0 Q4 3,5–4,2 tok/s [gemessen]
- gpt-oss-120b MXFP4 MXFP4 ≈12,0–16,0 tok/s [≈ Schätzung aus der Speicherbandbreite]
- Hinweise
- Huge memory for little money: 8 channels of DDR4-3200 give 204.8 GB/s per socket. Only MoE models are practical — speed follows the active parameters. Fill every channel; a second socket adds NUMA trouble and little speed in llama.cpp (--numa distribute). The gpt-oss-120b figure is an estimate scaled by memory bandwidth from a DDR5 EPYC run. The source build cost about $2000 (prices of January 2025).
-
AMD Strix Halo mini-PC, 128 GB
- Budget
- Mittelklasse
- Grafikspeicher
- ≈96 GB
- RAM
- ≈128 GB
- Komponenten
- GPU: Radeon 8060S (integrated)
- CPU: AMD Ryzen AI Max+ 395
- Mainboard: Framework Desktop / other Strix Halo mini-PCs
- RAM: 128 GB LPDDR5X-8000 unified (≈96 GB+ usable as VRAM)
- Netzteil: built-in
- Läuft
- gpt-oss-120b MXFP4 (ROCm) MXFP4 50 tok/s [gemessen]
- Hinweise
- Quiet, ~120 W, the whole model in unified memory. Bandwidth (256 GB/s) is about a quarter of a 3090, so dense 70B models are slow; large MoE models with few active parameters are its sweet spot.
-
Three RTX 3090 (72 GB)
- Budget
- High-End
- Grafikspeicher
- ≈72 GB
- RAM
- ≈64 GB
- Komponenten
- GPU: 3× RTX 3090 24 GB
- CPU: AMD EPYC 7002/7003 or Threadripper (enough PCIe lanes)
- Mainboard: ASRock Rack ROMED8-2T / Supermicro H12SSL-i, risers for 3-slot cards
- RAM: 64–128 GB
- Netzteil: 1200–1600 W (or two PSUs)
- PCIe: 3× x8–x16 PCIe 4.0
- Läuft
- gpt-oss-120b MXFP4, all in VRAM MXFP4 41–73 tok/s @12.8k→93.7k [gemessen]
- Hinweise
- gpt-oss-120b (≈65 GB) fits fully in 72 GB of VRAM with a long context: 73 tok/s at 12.8k tokens of context, 41 tok/s at 93.7k. The measured machine was rented, so the platform here is our suggestion: a server board gives every card enough lanes. Three 350 W cards need a big PSU; many owners power-limit them.
-
NVIDIA DGX Spark, 128 GB
- Budget
- High-End
- Grafikspeicher
- ≈128 GB
- RAM
- ≈128 GB
- Preis
- 3.999 $
- Komponenten
- GPU: NVIDIA GB10 (integrated Blackwell)
- CPU: Arm CPU of the GB10
- Mainboard: NVIDIA DGX Spark
- RAM: 128 GB LPDDR5X unified
- Netzteil: built-in
- Läuft
- gpt-oss-120b MXFP4 MXFP4 61 tok/s [gemessen]
- Hinweise
- A CUDA box with 128 GB of unified memory at 273 GB/s: the same speed class as Strix Halo, with the NVIDIA software stack. Early llama.cpp builds gave ~35 tok/s on gpt-oss-120b; the figure is after the November 2025 update (llama-bench tg128).
-
Mac Studio, M2/M3 Ultra
- Budget
- High-End
- Grafikspeicher
- ≈192 GB
- RAM
- ≈192 GB
- Komponenten
- GPU: Apple M2 Ultra 76-core / M3 Ultra 80-core GPU
- CPU: Apple M2 Ultra / M3 Ultra
- Mainboard: Mac Studio
- RAM: 192–512 GB unified (800–819 GB/s)
- Netzteil: built-in
- Läuft
- gpt-oss-120b MXFP4 — M2 Ultra 192 GB MXFP4 80 tok/s [gemessen]
- gpt-oss-20b MXFP4 — M3 Ultra 512 GB MXFP4 116 tok/s [gemessen]
- Hinweise
- The simplest way to run the biggest models at home: the M3 Ultra goes up to 512 GB of unified memory, enough for DeepSeek-class MoE models at 4 bits. Prompt processing is much slower than on NVIDIA GPUs. For very large models raise the GPU memory limit with sysctl iogpu.wired_limit_mb.
Gemessene Geschwindigkeiten verlinken auf ihre Quelle; ≈ kennzeichnet eine Schätzung aus der Speicherbandbreite. Preise sind ungefähr.
Aktualisiert · Quellen: github.com , www.hardware-corner.net , carteakey.dev , github.crookster.org , hardware-corner.net , digitalspaceport.com , quozul.dev
Auf Ihrer Website einbetten
Fügen Sie diesen Code dort ein, wo die Infografik erscheinen soll: Sie aktualisiert sich von selbst. Kostenlos nutzbar — lassen Sie den Quellenlink stehen.
Welche Konfigurationen sind dabei?
Die Karten sind in drei Budgetgruppen sortiert. „Einsteiger“ umfasst eine einzelne 16-GB-Grafikkarte, eine gebrauchte RTX 3090 und eine GPU mit viel RAM für MoE-Auslagerung. In der „Mittelklasse“ stehen zwei RTX 3090, ein gebrauchter EPYC-Server mit 8-Kanal-DDR4 und ein Mini-PC mit AMD Strix Halo. „High-End“ reicht von drei RTX 3090 über NVIDIA DGX Spark bis zum Mac Studio mit M2/M3 Ultra.
Was steht auf einer Karte?
Grafikspeicher, RAM, ein ungefährer Preis und die Komponenten: GPU, CPU, Mainboard, RAM, Netzteil und PCIe-Lanes. Dazu kommt, welche Modelle die Konfiguration ausführt und mit welcher Geschwindigkeit. Jede Geschwindigkeit ist entweder gemessen, mit Link zur Quelle und Datum, oder aus der Speicherbandbreite geschätzt und mit ≈ markiert.
Wie gehe ich bei der Auswahl vor?
Am Anfang steht die Größe der Modelle, die Sie nutzen wollen, denn sie bestimmt den Speicher. Danach kommt das Tempo, das Ihnen reicht, und damit die Speicherbandbreite. Erst zum Schluss lohnt der Blick auf Lautstärke, Stromverbrauch und Preis.
- Grafikkarten liefern viel Tempo, solange das Modell vollständig in ihren Speicher passt.
- Rechner mit gemeinsamem Speicher wie Mac, Strix Halo oder DGX Spark fassen größere Modelle, generieren aber langsamer.
- CPU-Server nehmen sehr große MoE-Modelle günstig auf; praktikabel ist dort allerdings nur MoE.
Machen mehr Grafikkarten das Modell schneller?
Meist nicht. Mit llama.cpp verteilen sich die Schichten auf mehrere Karten, die nacheinander rechnen. Eine zweite oder dritte RTX 3090 erlaubt ein größeres Modell, die Geschwindigkeit bleibt aber nahe an der einer einzelnen Karte. Anders verhält es sich mit der MoE-Auslagerung (--n-cpu-moe): Die gemeinsamen Schichten bleiben auf der GPU, die Experten wandern in den Arbeitsspeicher. Das funktioniert gut, aber nur mit MoE-Modellen, und die RAM-Geschwindigkeit spielt dabei eine große Rolle.
Wie verlässlich sind Preise und Messungen?
Preise sind Richtwerte und ändern sich, gebrauchte Karten schwanken stark. Ein gemessener Lauf nutzte seine eigene Version der Laufzeit und eigene Einstellungen, Ihr Ergebnis kann davon abweichen. Für den Betrieb brauchen Sie außerdem ein Programm aus den lokalen KI-Apps und eine Modelldatei in passender Quantisierung, erklärt unter Arten von KI-Modellen.