LocalAI

Selbst gehostete OpenAI-kompatible API mit LocalAI auf Clore.ai

Führen Sie eine selbst gehostete OpenAI-kompatible API mit LocalAI aus.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die über CLORE.AI Marketplace.

Serveranforderungen

Parameter	Minimum	Empfohlen
RAM	8GB	16GB+
VRAM	6GB	8GB+
Netzwerk	200Mbps	500Mbps+
Startzeit	5–10 Minuten	-

Wichtig: LocalAI benötigt beim ersten Start 5–10 Minuten zur vollständigen Initialisierung. HTTP 502 in dieser Zeit ist normal – der Dienst lädt Modelle herunter und lädt sie.

LocalAI ist ressourcenschonend. Für den Betrieb von LLMs (Modelle ab 7B) wählen Sie Server mit 16GB+ RAM und 8GB+ VRAM.

Was ist LocalAI?

LocalAI bietet:

• Drop-in-Ersatz für die OpenAI API

• Unterstützung für mehrere Modellformate

• Erzeugung von Text, Bildern, Audio und Embeddings

• Keine GPU erforderlich (aber mit GPU schneller)

Unterstützte Modelle

Typ	Formate	Beispiele
LLM	GGUF, GGML	Llama, Mistral, Phi
Embeddings	GGUF	all-MiniLM, BGE
Bilder	Diffusers	SD 1.5, SDXL
Audio	Whisper	Speech-to-Text
TTS	Piper, Bark	Text-zu-Sprache

Schnelle Bereitstellung

Docker-Image:

localai/localai:master-aio-gpu-nvidia-cuda-12

Ports:

22/tcp
8080/http

Kein Befehl erforderlich - Server startet automatisch.

Überprüfen, ob es funktioniert

Nach der Bereitstellung finden Sie Ihre http_pub URL in Meine Bestellungen und testen:

# Prüfen, ob der Dienst bereit ist
curl https://your-http-pub.clorecloud.net/readyz

# Verfügbare Modelle auflisten
curl https://your-http-pub.clorecloud.net/v1/models

# Version abrufen
curl https://your-http-pub.clorecloud.net/version

Wenn Sie HTTP 502 erhalten, warten Sie 5–10 Minuten – LocalAI benötigt länger zur Initialisierung als andere Dienste.

Vorinstallierte Modelle

LocalAI wird mit mehreren sofort verfügbaren Modellen ausgeliefert:

Modellname	Typ	Beschreibung
gpt-4	Chat	Allzweck-LLM
gpt-4o	Chat	Allzweck-LLM
gpt-4o-mini	Chat	Kleineres, schnelleres LLM
whisper-1	STT	Speech-to-Text
tts-1	TTS	Text-zu-Sprache
text-embedding-ada-002	Embeddings	384-dimensionale Vektoren
jina-reranker-v1-base-en	Reranking	Dokument-Reranking

Diese Modelle funktionieren sofort nach dem Start ohne zusätzliche Konfiguration.

Zugriff auf Ihren Dienst

Bei Bereitstellung auf CLORE.AI greifen Sie auf LocalAI über die http_pub URL:

# Chat-Vervollständigung
curl https://your-http-pub.clorecloud.net/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "gpt-4",
        "messages": [{"role": "user", "content": "Hello!"}]
    }'

Alle localhost:8080 Die untenstehenden Beispiele funktionieren, wenn über SSH verbunden. Für externen Zugriff ersetzen Sie durch Ihre https://your-http-pub.clorecloud.net/ URL.

Docker-Bereitstellung (Alternative)

docker run -d \
    --gpus all \
    -p 8080:8080 \
    -v /workspace/models:/models \
    -e THREADS=4 \
    -e CONTEXT_SIZE=4096 \
    localai/localai:master-aio-gpu-nvidia-cuda-12

Modelle herunterladen

Aus der Modellgalerie

LocalAI verfügt über eine integrierte Modellgalerie:

# Verfügbare Modelle auflisten
curl http://localhost:8080/models/available

# Aus der Galerie installieren
curl http://localhost:8080/models/apply -d '{"id": "mistral-7b-instruct"}'

Von Hugging Face

mkdir -p /workspace/models

# Llama 3.1 8B GGUF
wget https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
    -O /workspace/models/llama-3.1-8b.gguf

# Mistral 7B GGUF
wget https://huggingface.co/bartowski/Mistral-7B-Instruct-v0.3-GGUF/resolve/main/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf \
    -O /workspace/models/mistral-7b.gguf

Modellkonfiguration

Erstellen Sie für jedes Modell eine YAML-Konfig:

models/llama-3.1-8b.yaml:

name: llama-3.1-8b
backend: llama-cpp
parameters:
  model: llama-3.1-8b.gguf
  context_size: 4096
  threads: 8
  gpu_layers: 35
template:
  chat: |
    {{.Input}}
    ### Antwort:
  completion: |
    {{.Input}}

API-Nutzung

Chat-Completions (OpenAI-kompatibel)

import openai

# Für externen Zugriff verwenden Sie Ihre http_pub-URL:
client = openai.OpenAI(
    base_url="https://your-http-pub.clorecloud.net/v1",
    api_key="nicht benötigt"
)

# Oder über SSH-Tunnel:
# client = openai.OpenAI(base_url="http://localhost:8080/v1", api_key="not-needed")

response = client.chat.completions.create(
    model="mistral-7b",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Erkläre Quantencomputing in einfachen Worten."}
    ],
    temperature=0.7,
    max_tokens=500
)

print(response.choices[0].message.content)

Streaming

stream = client.chat.completions.create(
    model="mistral-7b",
    messages=[{"role": "user", "content": "Schreibe ein Gedicht über KI"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

Embeddings

response = client.embeddings.create(
    model="all-minilm",
    input="The quick brown fox jumps over the lazy dog"
)

embedding = response.data[0].embedding
print(f"Embedding dimension: {len(embedding)}")

Bildgenerierung

response = client.images.generate(
    model="stablediffusion",
    prompt="a beautiful sunset over mountains",
    size="512x512",
    n=1
)

image_url = response.data[0].url

cURL-Beispiele

Chat

curl https://your-http-pub.clorecloud.net/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "mistral-7b",
        "messages": [{"role": "user", "content": "Hello!"}]
    }'

Embeddings

curl https://your-http-pub.clorecloud.net/v1/embeddings \
    -H "Content-Type: application/json" \
    -d '{
        "model": "text-embedding-ada-002",
        "input": "Ihr Text hier"
    }'

Antwort:

{
  "data": [{"embedding": [0.1, -0.2, ...], "index": 0}],
  "model": "text-embedding-ada-002",
  "usage": {"prompt_tokens": 4, "total_tokens": 4}
}

Text-zu-Sprache (TTS)

curl https://your-http-pub.clorecloud.net/v1/audio/speech \
    -H "Content-Type: application/json" \
    -d '{
        "model": "tts-1",
        "input": "Hallo, willkommen bei LocalAI!",
        "voice": "alloy"
    }' \
    --output speech.wav

Verfügbare Stimmen: alloy, echo, fable, onyx, nova, shimmer

Speech-to-Text (STT)

curl https://your-http-pub.clorecloud.net/v1/audio/transcriptions \
    -F "[email protected]" \
    -F "model=whisper-1"

Antwort:

{"text": "Hier transkribierter Text..."}

Reranking

Reranke Dokumente nach Relevanz zu einer Anfrage:

curl https://your-http-pub.clorecloud.net/v1/rerank \
    -H "Content-Type: application/json" \
    -d '{
        "model": "jina-reranker-v1-base-en",
        "query": "Was ist maschinelles Lernen?",
        "documents": [
            "Maschinelles Lernen ist ein Teilgebiet der KI",
            "Das Wetter ist heute schön",
            "Deep Learning verwendet neuronale Netze"
        ],
        "top_n": 2
    }'

Antwort:

{
  "results": [
    {"index": 0, "relevance_score": 0.95},
    {"index": 2, "relevance_score": 0.82}
  ]
}

Vollständige API-Referenz

Standardendpunkte (OpenAI-kompatibel)

Endpunkt	Methode	Beschreibung
/v1/models	GET	Verfügbare Modelle auflisten
/v1/chat/completions	POST	Chat-Vervollständigung
/v1/completions	POST	Textvervollständigung
/v1/embeddings	POST	Embeddings erzeugen
/v1/audio/speech	POST	Text-zu-Sprache
/v1/audio/transcriptions	POST	Speech-to-Text
/v1/images/generations	POST	Bildgenerierung

Zusätzliche Endpunkte

Endpunkt	Methode	Beschreibung
/readyz	GET	Readiness-Check
/healthz	GET	Health-Check
/version	GET	LocalAI-Version abrufen
/v1/rerank	POST	Dokument-Reranking
/models/available	GET	Galerie-Modelle auflisten
/models/apply	POST	Modell aus der Galerie installieren
/swagger/	GET	Swagger-UI-Dokumentation
/metrics	GET	Prometheus-Metriken

Version abrufen

curl https://your-http-pub.clorecloud.net/version

Antwort:

{"version": "v2.26.0"}

Swagger-Dokumentation

Öffnen Sie im Browser für interaktive API-Dokumentation:

https://your-http-pub.clorecloud.net/swagger/

GPU-Beschleunigung

CUDA-Backend

# In der Modellkonfiguration
parameters:
  gpu_layers: 35  # Anzahl der Layer auf der GPU
  f16: true       # FP16 verwenden

Vollständiges GPU-Offload

parameters:
  gpu_layers: 99  # Alle Layer auf der GPU
  main_gpu: 0     # Primäre GPU-ID

Mehrere Modelle

LocalAI kann mehrere Modelle gleichzeitig bedienen:

models/
├── llama-3.1-8b.yaml
├── llama-3.1-8b.gguf
├── mistral-7b.yaml
├── mistral-7b.gguf
├── whisper.yaml
└── whisper-base.bin

Greifen Sie über den Modellnamen in API-Aufrufen auf jedes zu.

Performance-Tuning

Für Geschwindigkeit

parameters:
  threads: 8
  gpu_layers: 99
  batch_size: 512
  use_mmap: true
  use_mlock: true

Für Speicher

parameters:
  gpu_layers: 20  # Partielles Offload
  context_size: 2048  # Kleinere Kontextgröße
  batch_size: 256

Benchmarks

Modell	GPU	Tokens/sec
Llama 3.1 8B Q4	RTX 3090	~100
Mistral 7B Q4	RTX 3090	~110
Llama 3.1 8B Q4	RTX 4090	~140
Mixtral 8x7B Q4	A100	~60

Benchmarks aktualisiert Januar 2026.

Fehlerbehebung

HTTP 502 auf http_pub-URL

LocalAI benötigt länger zum Starten als andere Dienste. Warten Sie 5–10 Minuten und versuchen Sie es erneut:

# Bereitschaft prüfen
curl https://your-http-pub.clorecloud.net/readyz

# Gesundheit prüfen
curl https://your-http-pub.clorecloud.net/healthz

Modell wird nicht geladen

• Dateipfad in YAML prüfen

• GGUF-Formatkompatibilität überprüfen

• Verfügbaren VRAM prüfen

Langsame Antworten

• Erhöhen Sie gpu_layers

• Aktivieren Sie use_mmap

• Reduzieren context_size

Kein Speicher mehr

• Reduzieren gpu_layers

• Verwenden Sie kleinere Quantisierung (Q4 statt Q8)

• Batch-Größe reduzieren

Probleme bei der Bildgenerierung

Stable Diffusion kann auf einigen GPU-Konfigurationen CUDA-Kompatibilitätsprobleme haben. Wenn Sie CUDA-Fehler bei der Bildgenerierung erhalten, ziehen Sie in Betracht, stattdessen ein dediziertes Stable-Diffusion-Bild zu verwenden.

Kostenabschätzung

Typische CLORE.AI-Marktplatzpreise:

GPU	VRAM	Preis/Tag	Geeignet für
RTX 3060	12GB	$0.15–0.30	7B-Modelle
RTX 3090	24GB	$0.30–1.00	13B-Modelle
RTX 4090	24GB	$0.50–2.00	Schnelle Inferenz
A100	40GB	$1.50–3.00	Große Modelle

Preise in USD/Tag. Die Tarife variieren je nach Anbieter — prüfen Sie CLORE.AI Marketplace auf aktuelle Preise.

Nächste Schritte

• vLLM-Inferenz - Höherer Durchsatz

• Ollama-Anleitung - Einfachere Einrichtung

• RAG mit LangChain - Anwendungen erstellen