Modellkompatibilität

Kompatibilitätsmatrix von KI-Modellen und GPUs für Clore.ai

Vollständiger Leitfaden, welche KI-Modelle auf welchen GPUs auf CLORE.AI laufen.

Finde GPUs mit dem richtigen VRAM auf CLORE.AI Marketplace.

Schnellreferenz

Sprachmodelle (LLM)

Modell	Parameter	Min. VRAM	Empfohlen	Quantisierung
Llama 3.2	1B	2GB	4GB	Q4, Q8, FP16
Llama 3.2	3B	4GB	6GB	Q4, Q8, FP16
Llama 3.1/3	8B	6GB	12GB	Q4, Q8, FP16
Mistral	7B	6GB	12GB	Q4, Q8, FP16
Qwen 2.5	7B	6GB	12GB	Q4, Q8, FP16
Qwen 2.5	14B	12GB	16GB	Q4, Q8
Qwen 2.5	32B	20GB	24GB	Q4, Q8
Llama 3.1	70B	40GB	48GB	Q4, Q8
Qwen 2.5	72B	48GB	80GB	Q4, Q8
Mixtral	8x7B	24GB	48GB	Q4
DeepSeek-V3	671B	320GB+	640GB	FP8
DeepSeek-R1	671B	320GB+	8x H100	FP8, Reasoning-Modell
DeepSeek-R1-Distill	32B	20GB	2x A100 / RTX 5090	Q4/Q8

Bildgenerierungsmodelle

Modell	Min. VRAM	Empfohlen	Hinweise
SD 1.5	4GB	8GB	512x512 nativ
SD 2.1	6GB	8GB	768x768 nativ
SDXL	8GB	12GB	1024x1024 nativ
SDXL Turbo	8GB	12GB	1–4 Schritte
SD3.5 Large (8B)	16GB	24GB	1024x1024, fortgeschrittene Qualität
FLUX.1 schnell	12GB	16GB	4 Schritte, schnell
FLUX.1 dev	16GB	24GB	20–50 Schritte
TRELLIS	16GB	24GB (RTX 4090)	3D-Generierung aus Bildern

Videogenerierungsmodelle

Modell	Min. VRAM	Empfohlen	Ausgabe
Stable Video Diffusion	16GB	24GB	4 Sek., 576x1024
AnimateDiff	12GB	16GB	2–4 Sek.
LTX-Video	16GB	24GB (RTX 4090/3090)	5 Sek., 768x512, sehr schnell
Wan2.1	24GB	40GB	5 Sek., 480p–720p
Hunyuan Video	40GB	80GB	5 Sek., 720p
OpenSora	24GB	40GB	Variabel

Audio-Modelle

Modell	Min. VRAM	Empfohlen	Aufgabe
Whisper tiny	1GB	2GB	Transkription
Whisper base	1GB	2GB	Transkription
Whisper small	2GB	4GB	Transkription
Whisper medium	4GB	6GB	Transkription
Whisper large-v3	6GB	10GB	Transkription
Bark	8GB	12GB	Text-zu-Sprache
Stable Audio	8GB	12GB	Musikgenerierung

Vision- & Vision-Language-Modelle

Modell	Min. VRAM	Empfohlen	Aufgabe
Llama 3.2 Vision 11B	12GB	16GB	Bildverstehen
Llama 3.2 Vision 90B	48GB	80GB	Bildverstehen
LLaVA 7B	8GB	12GB	Visuelle QA
LLaVA 13B	16GB	24GB	Visuelle QA
Qwen2.5-VL 7B	16GB	24GB (RTX 4090)	Bild/Video/Doc OCR
Qwen2.5-VL 72B	48GB	2x A100 80GB	Maximale VL-Fähigkeit

Fine-Tuning- & Training-Tools

Tool / Methode	Min. VRAM	Empfohlene GPU	Aufgabe
Unsloth QLoRA 7B	12GB	RTX 3090 24GB	2× schnelleres QLoRA, geringer VRAM
Unsloth QLoRA 13B	16GB	RTX 4090 24GB	Schnelles Fine-Tuning
LoRA (standard)	12GB	RTX 3090	Parameter-effizientes Fine-Tuning
Full Fine-Tune 7B	40GB	A100 40GB	Maximale Trainingsqualität

---

Detaillierte Kompatibilitätstabellen

LLM nach GPU

GPU	Max. Modell (Q4)	Max. Modell (Q8)	Max. Modell (FP16)
RTX 3060 12GB	13B	7B	3B
RTX 3070 8GB	7B	3B	1B
RTX 3080 10GB	7B	7B	3B
RTX 3090 24GB	30B	13B	7B
RTX 4070 Ti 12GB	13B	7B	3B
RTX 4080 16GB	14B	7B	7B
RTX 4090 24GB	30B	13B	7B
RTX 5090 32GB	70B	14B	13B
A100 40GB	70B	30B	14B
A100 80GB	70B	70B	30B
H100 80GB	70B	70B	30B

Bildgenerierung nach GPU

GPU	SD 1.5	SDXL	FLUX schnell	FLUX dev
RTX 3060 12GB	✅ 512	✅ 768	⚠️ 512*	❌
RTX 3070 8GB	✅ 512	⚠️ 512	❌	❌
RTX 3080 10GB	✅ 512	✅ 768	⚠️ 512*	❌
RTX 3090 24GB	✅ 768	✅ 1024	✅ 1024	⚠️ 768*
RTX 4070 Ti 12GB	✅ 512	✅ 768	⚠️ 512*	❌
RTX 4080 16GB	✅ 768	✅ 1024	✅ 768	⚠️ 512*
RTX 4090 24GB	✅ 1024	✅ 1024	✅ 1024	✅ 1024
RTX 5090 32GB	✅ 1024	✅ 1024	✅ 1536	✅ 1536
A100 40GB	✅ 1024	✅ 1024	✅ 1024	✅ 1024
A100 80GB	✅ 2048	✅ 2048	✅ 1536	✅ 1536

*Mit CPU-Offload oder verringerter Batch-Größe

Videogenerierung nach GPU

GPU	SVD	AnimateDiff	Wan2.1	Hunyuan
RTX 3060 12GB	❌	⚠️ kurz	❌	❌
RTX 3090 24GB	✅ 2–4s	✅	⚠️ 480p	❌
RTX 4090 24GB	✅ 4s	✅	✅ 480p	⚠️ kurz
RTX 5090 32GB	✅ 6s	✅	✅ 720p	✅ 5s
A100 40GB	✅ 4s	✅	✅ 720p	✅ 5s
A100 80GB	✅ 8s	✅	✅ 720p	✅ 10s

---

Quantisierungsleitfaden

Was ist Quantisierung?

Quantisierung reduziert die Modellpräzision, um weniger VRAM zu benötigen:

Format	Bits	VRAM-Reduktion	Qualitätsverlust
FP32	32	Basislinie	Keine
FP16	16	50%	Minimal
BF16	16	50%	Minimal
FP8	8	75%	Klein
Q8	8	75%	Klein
Q6_K	6	81%	Klein
Q5_K_M	5	84%	Mäßig
Q4_K_M	4	87%	Mäßig
Q3_K_M	3	91%	Deutlich
Q2_K	2	94%	Signifikant

VRAM-Rechner

Formel: VRAM (GB) ≈ Parameter (B) × Bytes pro Parameter

Modellgröße	FP16	Q8	Q4
1B	2 GB	1 GB	0,5 GB
3B	6 GB	3 GB	1,5 GB
7B	14 GB	7 GB	3,5 GB
8B	16 GB	8 GB	4 GB
13B	26 GB	13 GB	6,5 GB
14B	28 GB	14 GB	7 GB
30B	60 GB	30 GB	15 GB
32B	64 GB	32 GB	16 GB
70B	140 GB	70 GB	35 GB
72B	144 GB	72 GB	36 GB

*Ca. 20% für KV-Cache und Overhead hinzufügen

Empfohlene Quantisierung nach Anwendungsfall

Einsatzgebiet	Empfohlen	Warum
Chat/Allgemein	Q4_K_M	Gute Balance aus Geschwindigkeit und Qualität
Programmierung	Q5_K_M+	Bessere Genauigkeit für Code
Kreatives Schreiben	Q4_K_M	Geschwindigkeit ist wichtiger
Analyse	Q6_K+	Höhere Präzision erforderlich
Produktion	FP16/BF16	Maximale Qualität

---

Kontextlänge vs. VRAM

Wie Kontext den VRAM beeinflusst

Jedes Modell hat ein Kontextfenster (max. Tokens). Längerer Kontext = mehr VRAM:

Modell	Standardkontext	Maximaler Kontext	VRAM pro 1K Tokens
Llama 3 8B	8K	128K	~0,3 GB
Llama 3 70B	8K	128K	~0,5 GB
Qwen 2.5 7B	8K	128K	~0,25 GB
Mistral 7B	8K	32K	~0,25 GB
Mixtral 8x7B	32K	32K	~0,4 GB

Kontext nach GPU (Llama 3 8B Q4)

GPU	Angenehmer Kontext	Maximaler Kontext
RTX 3060 12GB	16K	32K
RTX 3090 24GB	64K	96K
RTX 4090 24GB	64K	96K
RTX 5090 32GB	96K	128K
A100 40GB	96K	128K
A100 80GB	128K	128K

---

Multi-GPU-Konfigurationen

Tensor-Parallele Verarbeitung

Teile ein Modell über mehrere GPUs auf:

Konfiguration	Gesamter VRAM	Max. Modell (FP16)
2x RTX 3090	48GB	30B
2x RTX 4090	48GB	30B
2x RTX 5090	64GB	32B
4x RTX 5090	128GB	70B
2x A100 40GB	80GB	70B
4x A100 40GB	160GB	100B+
8x A100 80GB	640GB	DeepSeek-V3

vLLM Multi-GPU

# 2 GPUs
python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3.1-70B-Instruct \
    --tensor-parallel-size 2

# 4 GPUs
python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3.1-70B-Instruct \
    --tensor-parallel-size 4

---

Spezifische Modellanleitungen

Llama 3.1 Familie

Variante	Parameter	Min. GPU	Empfohlene Konfiguration
Llama 3.2 1B	1B	Jede 4GB	RTX 3060
Llama 3.2 3B	3B	Jede 6GB	RTX 3060
Llama 3.1 8B	8B	RTX 3060	RTX 3090
Llama 3.1 70B	70B	A100 40GB	2x A100 40GB
Llama 3.1 405B	405B	8x A100 80GB	8x H100

Mistral/Mixtral Familie

Variante	Parameter	Min. GPU	Empfohlene Konfiguration
Mistral 7B	7B	RTX 3060	RTX 3090
Mixtral 8x7B	46,7B	RTX 3090	A100 40GB
Mixtral 8x22B	141B	2x A100 80GB	4x A100 80GB

Qwen 2.5 Familie

Variante	Parameter	Min. GPU	Empfohlene Konfiguration
Qwen 2.5 0.5B	0.5B	Jede 2GB	Jede 4GB
Qwen 2.5 1.5B	1.5B	Jede 4GB	RTX 3060
Qwen 2.5 3B	3B	Jede 6GB	RTX 3060
Qwen 2.5 7B	7B	RTX 3060	RTX 3090
Qwen 2.5 14B	14B	RTX 3090	RTX 4090
Qwen 2.5 32B	32B	RTX 4090	A100 40GB
Qwen 2.5 72B	72B	A100 40GB	A100 80GB

DeepSeek-Modelle

Variante	Parameter	Min. GPU	Empfohlene Konfiguration
DeepSeek-Coder 6.7B	6.7B	RTX 3060	RTX 3090
DeepSeek-Coder 33B	33B	RTX 4090	A100 40GB
DeepSeek-V2-Lite	15.7B	RTX 3090	A100 40GB
DeepSeek-V3	671B	8x A100 80GB	8x H100
DeepSeek-R1	671B	8x A100 80GB	8x H100 (FP8)
DeepSeek-R1-Distill-Qwen-32B	32B	RTX 5090 32GB	2x A100 40GB
DeepSeek-R1-Distill-Qwen-7B	7B	RTX 3090 24GB	RTX 4090

---

Fehlerbehebung

"CUDA out of memory"

1. Reduziere Quantisierung: Q8 → Q4

2. Verringere Kontextlänge: Reduziere max_tokens

3. Aktiviere CPU-Offload: --cpu-offload oder enable_model_cpu_offload()

4. Verwende kleinere Batch: batch_size=1

5. Probiere eine andere GPU: Braucht mehr VRAM

"Modell zu groß"

1. Verwende quantisierte Version: GGUF Q4-Modelle

2. Verwende mehrere GPUs: Tensor-Parallele Verarbeitung

3. Offload zur CPU: Langsamer, funktioniert aber

4. Wähle ein kleineres Modell: 7B statt 13B

"Langsame Generierung"

1. Upgrade der GPU: Mehr VRAM = weniger Offload

2. Verwende schnellere Quantisierung: Q4 ist schneller als Q8

3. Reduziere Kontext: Kürzer = schneller

4. Aktiviere Flash-Attention: --flash-attn

Nächste Schritte

• GPU-Vergleichsleitfaden - Detaillierte GPU-Spezifikationen

• Docker-Images-Katalog - Bereit zum Bereitstellen Images

• Schnellstart-Anleitung - Starte in 5 Minuten