Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Inkling GPU-Anforderungen: VRAM und günstigste GPU

Inkling hat 952,4 Mrd. Parameter, veröffentlicht in BF16. Es ist ein Mixture-of-Experts-Modell: 6 seiner 256 Experten arbeiten an jedem Token, etwa 18,1 Mrd. Parameter, daher erzeugt es Text ungefähr im Tempo eines Modells dieser Größe. Alle Experten müssen trotzdem im GPU-Speicher liegen, deshalb gelten die Speicherwerte unten für das ganze Modell. Es steht unter apache-2.0, die kommerzielle Nutzung erlaubt.

Parameter
952,4 Mrd.
Kleinster Bedarf (INT4)
etwa 553 GB
Günstigste GPU pro Stunde (FP16)
–
Typ
Vision
  • Parameter 952,4 Mrd.
  • Aktiv pro Token 18,1 Mrd.
  • Typ Vision
  • Aufgabe image-text-to-text
  • Lizenz apache-2.0
  • Downloads 1,3 Mio.
  • Likes 1855

Berechnung für Inkling

Genauigkeit
Einsatz
Weitere Einstellungen
Inferenz-Engine
Gleichzeitige Anfragen

Inkling braucht etwa 2.099 GB GPU-Speicher

Inferenz (vLLM), FP16 / BF16, 8K Tokens Kontext, eine Anfrage gleichzeitig.

Wofür der Speicher draufgeht

  • Gewichte 1.905 GB
  • KV-Cache 2,2 GB
  • Laufzeit-Overhead 192 GB
  • Gesamt 2.099 GB

Die GPU-Zahl lässt 10 % jeder Karte für Spitzen frei. Plane mehr ein, wenn du lange Prompts oder viele gleichzeitige Nutzer erwartest.

Kein erfasstes Angebot passt mit dieser Einstellung auf einen Knoten. Versuche eine geringere Genauigkeit oder einen kürzeren Kontext.

Kein erfasstes Angebot passt mit dieser Einstellung auf einen Knoten. Versuche eine geringere Genauigkeit oder einen kürzeren Kontext.

Preise erfasst am 16. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai und Lium sind weltweit).

Speicher nach Genauigkeit und Einsatz

Mit 8K Tokens Kontext und einer Anfrage gleichzeitig. LoRA und volles Feintuning gehen von 16-Bit-Gewichten aus, QLoRA von 4 Bit, daher bleiben die übrigen Felder leer.
GenauigkeitInferenzLoRA-FeintuningQLoRA-FeintuningVolles Feintuning
FP16 / BF162.099 GB2.441 GB–16.772 GB
INT81.103 GB–––
INT4553 GB–895 GB–

Günstigste GPU nach Genauigkeit

Inferenz mit 8K Kontext und einer Anfrage gleichzeitig.

FP16 / BF16

etwa 2.099 GB · 8K Tokens

Die Gewichte wie veröffentlicht. Kein Verlust, aber der größte Bedarf.

Kein Angebot mit einem Knoten passt

INT8

etwa 1.103 GB · 8K Tokens

Gewichte in halber Größe. Bei Chat und RAG meist kein sichtbarer Unterschied.

7 × MI300X 192GB

RunPod (öffnet in neuem Tab) · 8x MI300X

nur mit 8 GPUs erhältlich; du brauchst 7
Pro GPU / Std.
2,39 $
Benötigte GPUs
7
Gesamt / Std.
etwa 19,12 $
pro Monat, 24/7, ca.
13.958 $

INT4

etwa 553 GB · 8K Tokens

Gewichte auf ein Viertel verkleinert. Kleine Verluste zeigen sich zuerst bei Mathematik und Code.

4 × MI300X 192GB

RunPod (öffnet in neuem Tab) · 4x MI300X

Pro GPU / Std.
2,39 $
Benötigte GPUs
4
Gesamt / Std.
etwa 9,56 $
pro Monat, 24/7, ca.
6.979 $

Inferenz oder Feintuning

  • Inferenz (FP16)

    1×

    des Speichers für Inferenz

    2.099 GB

    mehr als einen Knoten mit 8 GPUs

  • LoRA-Feintuning

    1,2×

    des Speichers für Inferenz

    2.441 GB

    mehr als einen Knoten mit 8 GPUs

  • QLoRA-Feintuning

    0,4×

    des Speichers für Inferenz

    895 GB

    6 × MI300X 192GB · etwa 19,12 $

  • Volles Feintuning

    8×

    des Speichers für Inferenz

    16.772 GB

    mehr als einen Knoten mit 8 GPUs

Für den Betrieb in FP16 reicht mehr als einen Knoten mit 8 GPUs. LoRA braucht mehr als einen Knoten mit 8 GPUs, QLoRA 6 × MI300X 192GB (RunPod) und volles Feintuning mehr als einen Knoten mit 8 GPUs. Training hält neben den Gewichten auch Aktivierungen und Optimiererzustände im Speicher und braucht deshalb oft mehr GPUs als der Betrieb desselben Modells.

Läuft es auf einem Mac oder einer einzelnen RTX 4090?

RTX 4090 (24 GB)

Allein nicht. Selbst bei INT4 braucht es etwa 553 GB, mehr als die 24 GB der Karte. Zwei oder mehr Karten oder eine größere Rechenzentrums-GPU reichen.

Mac mit Apple Silicon

Realistisch nicht. Selbst bei INT4 braucht es etwa 553 GB, mehr als der größte Mac seiner GPU geben kann.

Ähnliche Modelle

Offene Modelle ähnlicher Größe.

Anderes Modell berechnen

Inkling: häufige Fragen

Wie viel VRAM braucht Inkling?

Etwa 2.099 GB bei FP16, 1.103 GB bei INT8 und 553 GB bei INT4, mit 8K Kontext und einer Anfrage gleichzeitig. Längerer Kontext und mehr parallele Anfragen kommen als KV-Cache hinzu.

Was ist die günstigste GPU für Inkling?

7 × MI300X 192GB (etwa 2,39 $ pro GPU / Stunde; nur mit 8 GPUs erhältlich; du brauchst 7) bei RunPod, für etwa 19,12 $ pro Stunde bei Inferenz in INT8 mit 8K Kontext. Preise erfasst am 16. Nov. 2026; sie ändern sich oft.

Kann ich Inkling auf einer einzelnen GPU feintunen?

Nicht auf einer GPU. Selbst QLoRA braucht etwa 895 GB, mehr als eine 80-GB-GPU fasst. LoRA braucht etwa 2.441 GB, volles Feintuning etwa 16.772 GB.

Wie werden diese Zahlen berechnet?

Die Gewichte sind Parameter mal Bytes pro Parameter (2 bei FP16, 1 bei INT8, 0,5 bei INT4). Der KV-Cache ergibt sich aus Schichten, KV-Köpfen, Kopfgröße und Kontextlänge des Modells. Wir rechnen etwa 10 % plus 1 GB für die Laufzeit dazu und füllen jede GPU bis 90 %. Die Preise sind On-Demand-Listenpreise in US-Regionen, von den öffentlichen Preisseiten der Anbieter.

Läuft Inkling auf einer Consumer-GPU wie der RTX 4090?

Allein nicht. Selbst bei INT4 braucht es etwa 553 GB, mehr als die 24 GB der Karte. Zwei oder mehr Karten oder eine größere Rechenzentrums-GPU reichen.

Passt Inkling auf eine einzelne H100 80GB?

Nein. Selbst bei INT4 braucht es etwa 553 GB, du brauchst also mehrere GPUs.

Wie viele GPUs brauche ich für Inkling?

Bei FP16 mit 8K Kontext: 30 × 80 GB, 49 × 48 GB oder 98 × 24 GB. Bei INT4 brauchen die Gewichte etwa ein Viertel des Speichers.

Wie viel VRAM braucht Inkling bei INT8?

Etwa 1.103 GB: 1.000 GB für die Gewichte, 2,2 GB für einen KV-Cache mit 8K und 101 GB Laufzeit-Overhead.

Was kostet es, Inkling einen Monat lang rund um die Uhr zu betreiben?

Etwa 13.958 $ mit der günstigsten Konfiguration, die wir gefunden haben (7 × MI300X 192GB (etwa 2,39 $ pro GPU / Stunde; nur mit 8 GPUs erhältlich; du brauchst 7), 19,12 $ pro Stunde für 730 Stunden). Am günstigsten bei AWS, Google Cloud oder Azure sind es etwa 83.171 $ im Monat.

FP16, INT8 oder INT4: was soll ich nehmen?

FP16 behält die volle Qualität und braucht den meisten Speicher (hier etwa 2.099 GB). INT8 halbiert die Gewichte mit wenig Verlust für die meisten Chat-Aufgaben. INT4 (AWQ, GPTQ oder GGUF Q4) verkleinert sie auf ein Viertel, insgesamt etwa 553 GB, mit einem kleinen Qualitätsverlust, der sich vor allem bei Mathematik und Code zeigt.

Läuft Inkling auf einem Mac?

Realistisch nicht. Selbst bei INT4 braucht es etwa 553 GB, mehr als der größte Mac seiner GPU geben kann.

vLLM oder llama.cpp?

vLLM ist dafür gebaut, viele Anfragen gleichzeitig auf NVIDIA- und AMD-GPUs zu bedienen, und reserviert den Großteil des GPU-Speichers für den KV-Cache. llama.cpp läuft mit GGUF-Dateien auf fast allem, auch auf Macs und CPUs, und passt für eine Person oder ein kleines Team. Bei gleicher Genauigkeit ist der Speicherbedarf ähnlich.

Preise erfasst am 16. Nov. 2026. Alle Kosten sind Näherungswerte: On-Demand, in US-Dollar, meist US-Regionen (Marktplätze wie Vast.ai und Lium sind weltweit).

So rechnen wir

  • Gewichte. Parameter mal Bytes pro Parameter: 2 bei FP16, 1 bei INT8, 0,5 bei INT4, plus etwa 5 % für die Quantisierungsskalen bei INT8 und INT4.
  • KV-Cache. 2 × Schichten × KV-Köpfe × Kopfgröße × Kontext × Anfragen × 2 Bytes, aus der config.json des Modells. Fehlt eine Angabe, schätzen wir sie und weisen darauf hin.
  • Overhead. Etwa 10 % plus 1 GB für die Laufzeit, in etwa das, was vLLM reserviert.
  • Feintuning. LoRA behält 16-Bit-Gewichte und ergänzt einen kleinen Adapter, dessen Optimierer und die Aktivierungen. QLoRA macht dasselbe auf 4-Bit-Gewichten. Volles Feintuning braucht mit Adam in gemischter Genauigkeit etwa 16 Bytes pro Parameter (Gewichte, Gradienten und Optimiererzustände), plus Aktivierungen.
  • GPUs. Wir füllen jede GPU bis 90 % ihres Speichers und hören bei 8 pro Knoten auf. Die Kosten sind On-Demand-Listenpreise in US-Regionen; bei Marktplatz-Clouds zeigen wir das mittlere Angebot.