Saphan
Ratgeber & FAQ

HARDWARE / VERÖFFENTLICHTE GESCHWINDIGKEITEN

Dieselbe Aufgabe.
Auf jedem Rechner.

Wie schnell schreibt ein Rechner mit einer bei Ihnen installierten KI? Hier sind die Zahlen, die die Community für dasselbe kleine Modell veröffentlicht hat, von Apple-Chips bis zu Grafikkarten. Jede Zahl behält den Verweis auf ihre Quelle.

Ihren Rechner anfragen ↗

Erhebung Saphan · 7. Oktober 2026

die angefragten Rechnerdie Referenzkartendie Zahl: die Schreibgeschwindigkeit in Tokens pro Sekunde

Metal · Mac

Metal ist die Engine der Macs. Hier nur Apple-Chips: Sie werden untereinander verglichen.

  1. Apple M5 Ultra (80 GPU)Apple-Chip256 GB
    179Tokens/sLesen 4'945 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 179.10 Tokens/s · commit c1d0e7a · macOS (Metal)

  2. Apple M5 Max (40 GPU)Apple-Chip128 GB
    112Tokens/sLesen 2'105 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  3. Apple M2 Ultra (76 GPU)Apple-Chip
    94.3Tokens/sLesen 1'238 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 94.27 Tokens/s · commit 8e672ef · macOS (Metal)

  4. Apple M3 Ultra (80 GPU)Apple-Chip
    92.1Tokens/sLesen 1'471 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 92.14 Tokens/s · commit 8e672ef · macOS (Metal)

  5. Apple M2 Ultra (60 GPU)Apple-Chip128 GB
    88.6Tokens/sLesen 1'014 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 88.64 Tokens/s · commit 8e672ef · macOS (Metal)

  6. Apple M3 Ultra (60 GPU)Apple-Chip
    88.4Tokens/sLesen 1'073 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 88.40 Tokens/s · commit 8e672ef · macOS (Metal)

  7. Apple M1 Ultra (64 GPU)Apple-Chip128 GB
    83.7Tokens/sLesen 1'030 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 83.73 Tokens/s · commit 8e672ef · macOS (Metal)

  8. Apple M4 Max (40 GPU)Apple-Chip
    83.1Tokens/sLesen 886 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 83.06 Tokens/s · commit 8e672ef · macOS (Metal)

  9. Apple M1 Ultra (48 GPU)Apple-Chip
    74.9Tokens/sLesen 772 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 74.93 Tokens/s · commit 8e672ef · macOS (Metal)

  10. Apple M4 Max (32 GPU)Apple-Chip
    70.0Tokens/sLesen 714 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 69.95 Tokens/s · commit 8e672ef · macOS (Metal)

  11. Apple M5 Pro (20 GPU)Apple-Chip64 GB
    66.3Tokens/sLesen 1'621 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 66.33 Tokens/s · commit c1d0e7a · macOS (Metal)

  12. Apple M3 Max (40 GPU)Apple-Chip
    66.3Tokens/sLesen 760 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 66.31 Tokens/s · commit 8e672ef · macOS (Metal)

  13. Apple M2 Max (38 GPU)Apple-Chip32 GB
    63.9Tokens/sLesen 669 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  14. Apple M5 Pro (16 GPU)Apple-Chip24 GB
    63.8Tokens/sLesen 1'238 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  15. Apple M1 Max (32 GPU)Apple-Chip64 GB
    61.2Tokens/sLesen 530 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 61.19 Tokens/s · commit 8e672ef · macOS (Metal)

  16. Apple M2 Max (30 GPU)Apple-Chip
    61.0Tokens/sLesen 538 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 60.99 Tokens/s · commit 8e672ef · macOS (Metal)

  17. Apple M3 Max (30 GPU)Apple-Chip
    56.6Tokens/sLesen 568 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 56.58 Tokens/s · commit 8e672ef · macOS (Metal)

  18. Apple M1 Max (24 GPU)Apple-Chip
    54.6Tokens/sLesen 400 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 54.61 Tokens/s · commit 8e672ef · macOS (Metal)

  19. Apple M4 Pro (20 GPU)Apple-Chip
    50.7Tokens/sLesen 440 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 50.74 Tokens/s · commit 8e672ef · macOS (Metal)

  20. Apple M4 Pro (16 GPU)Apple-Chip
    49.6Tokens/sLesen 364 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 49.64 Tokens/s · commit 8e672ef · macOS (Metal)

  21. Apple M2 Pro (19 GPU)Apple-Chip
    38.9Tokens/sLesen 341 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 38.86 Tokens/s · commit 8e672ef · macOS (Metal)

  22. Apple M2 Pro (16 GPU)Apple-Chip
    37.9Tokens/sLesen 294 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 37.87 Tokens/s · commit 8e672ef · macOS (Metal)

  23. Apple M1 Pro (16 GPU)Apple-Chip
    36.4Tokens/sLesen 266 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 36.41 Tokens/s · commit 8e672ef · macOS (Metal)

  24. Apple M6 (8 GPU)Apple-Chip32 GB
    35.7Tokens/sLesen 989 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 35.74 Tokens/s · commit c1d0e7a · macOS (Metal)

  25. Apple M1 Pro (14 GPU)Apple-Chip
    35.5Tokens/sLesen 233 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 35.52 Tokens/s · commit 8e672ef · macOS (Metal)

  26. Apple M5 (10 GPU)Apple-Chip16 GB
    31.9Tokens/sLesen 723 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 31.88 Tokens/s · commit c1d0e7a · macOS (Metal)

  27. Apple M3 Pro (18 GPU)Apple-Chip
    30.7Tokens/sLesen 342 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 30.74 Tokens/s · commit 8e672ef · macOS (Metal)

  28. Apple M3 Pro (14 GPU)Apple-Chip
    30.6Tokens/sLesen 269 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 30.65 Tokens/s · commit 8e672ef · macOS (Metal)

  29. Apple M4 (10 GPU)Apple-Chip32 GB
    24.1Tokens/sLesen 221 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 24.11 Tokens/s · commit 8e672ef · macOS (Metal)

  30. Apple M2 (10 GPU)Apple-Chip24 GB
    21.9Tokens/sLesen 180 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 21.91 Tokens/s · commit 8e672ef · macOS (Metal)

  31. Apple M2 (8 GPU)Apple-Chip
    21.7Tokens/sLesen 146 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 21.7 Tokens/s · commit 8e672ef · macOS (Metal)

  32. Apple M3 (10 GPU)Apple-Chip
    21.3Tokens/sLesen 187 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 21.34 Tokens/s · commit 8e672ef · macOS (Metal)

  33. Apple M1 (7 GPU)Apple-Chip
    14.2Tokens/sLesen 108 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 14.19 Tokens/s · commit 8e672ef · macOS (Metal)

  34. Apple M1 (8 GPU)Apple-Chip
    14.2Tokens/sLesen 118 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 4167 14.15 Tokens/s · commit 8e672ef · macOS (Metal)

CUDA · NVIDIA

CUDA ist die Engine der NVIDIA-Karten und des DGX Spark.

  1. RTX 5090Referenzkarte32 GB
    247Tokens/sLesen 14'413 Tokens/s
    6 veröffentlichte Messungen, darüber der Median
  2. RTX 4090Referenzkarte24 GB
    188Tokens/sLesen 13'382 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  3. RTX 5080Referenzkarte16 GB
    183Tokens/sLesen 8'893 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  4. RTX 5070 TiReferenzkarte16 GB
    180Tokens/sLesen 7'686 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  5. RTX 3090Referenzkarte24 GB
    157Tokens/sLesen 5'290 Tokens/s
    8 veröffentlichte Messungen, darüber der Median
  6. RTX 4080 SuperReferenzkarte16 GB
    148Tokens/sLesen 8'782 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  7. RTX 3080Referenzkarte10 GB
    140Tokens/sLesen 5'292 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  8. RTX 4070 Ti SuperReferenzkarte16 GB
    133Tokens/sLesen 7'268 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  9. RTX 5060 TiReferenzkarte16 GB
    92.2Tokens/sLesen 3'966 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  10. RTX 3060Referenzkarte12 GB
    75.6Tokens/sLesen 2'273 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  11. DGX Spark (GB10)DGX Spark128 GB
    57.0Tokens/sLesen 3'362 Tokens/s
    2 veröffentlichte Messungen, darüber der Median

Vulkan · alle GPU-Familien

Vulkan läuft überall: Es ist die einzige Engine, bei der Apple-Chips, der DGX Spark und die Grafikkarten in derselben Tabelle zu finden sind.

  1. RTX 5090Referenzkarte32 GB
    269Tokens/sLesen 11'089 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  2. RTX 4090Referenzkarte24 GB
    189Tokens/sLesen 10'141 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  3. RTX 5080Referenzkarte16 GB
    189Tokens/sLesen 7'750 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  4. RX 7900 XTXReferenzkarte24 GB
    172Tokens/sLesen 3'590 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  5. RTX 3090Referenzkarte24 GB
    168Tokens/sLesen 4'933 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  6. RTX 5070 TiReferenzkarte16 GB
    156Tokens/sLesen 6'891 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  7. Radeon AI Pro R9700Referenzkarte32 GB
    149Tokens/sLesen 5'759 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  8. RTX 4080 SuperReferenzkarte16 GB
    149Tokens/sLesen 7'554 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  9. RTX 3080Referenzkarte10 GB
    142Tokens/sLesen 4'600 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  10. RTX 4070 Ti SuperReferenzkarte16 GB
    133Tokens/sLesen 6'450 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  11. RX 9070 XTReferenzkarte16 GB
    132Tokens/sLesen 4'919 Tokens/s
    5 veröffentlichte Messungen, der Median oben
    • 137.11 ± 0.02 Tokens/s beim Schreiben · 5036.04 ± 88.16 beim Lesenllama.cpp (Vulkan) · commit e9fd8dc · pp512 / tg128; ngl=100; FA=0GitHub · llama.cpp · Diskussion 10879
    • 132.29 ± 0.16 Tokens/s beim Schreiben · 4919.17 ± 919.04 beim Lesenllama.cpp (Vulkan) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · Diskussion 15021
    • 132.28 ± 0.12 Tokens/s beim Schreiben · 4884.70 ± 952.52 beim Lesenllama.cpp (Vulkan) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · Diskussion 15021
    • 132.03 ± 0.48 Tokens/s beim Schreiben · 4343.73 ± 1140.65 beim Lesenllama.cpp (Vulkan) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · Diskussion 15021
    • 131.54 ± 0.05 Tokens/s beim Schreiben · 5048.07 ± 2.12 beim Lesenllama.cpp (Vulkan) · commit e9fd8dc · pp512 / tg128; ngl=100; FA=1GitHub · llama.cpp · Diskussion 10879
  12. RX 7900 XTReferenzkarte20 GB
    122Tokens/sLesen 2'821 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  13. Apple M3 UltraApple-Chip512 GB
    116Tokens/sLesen 1'117 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 10879 115.54 ± 0.78 Tokens/s · commit 2d451c8 · MoltenVK

  14. RX 7800 XTReferenzkarte16 GB
    108Tokens/sLesen 2'105 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  15. RTX 5060 TiReferenzkarte16 GB
    95.3Tokens/sLesen 3'687 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  16. RTX 3060Referenzkarte12 GB
    78.3Tokens/sLesen 1'914 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  17. Apple M4 MaxApple-Chip
    73.4Tokens/sLesen 641 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  18. Arc B580Referenzkarte12 GB
    71.1Tokens/sLesen 520 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  19. RX 9060 XTReferenzkarte16 GB
    70.8Tokens/sLesen 2'493 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  20. DGX Spark (GB10)DGX Spark128 GB
    59.5Tokens/sLesen 3'056 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  21. RX 7600 XTReferenzkarte16 GB
    53.4Tokens/sLesen 727 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  22. Apple M2 UltraApple-Chip
    35.2Tokens/sLesen 202 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  23. Arc B570Referenzkarte10 GB
    31.4Tokens/sLesen 349 Tokens/s
    6 veröffentlichte Messungen, darüber der Median
  24. Apple M3Apple-Chip
    26.4Tokens/sLesen 264 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 10879 26.39 ± 0.14 Tokens/s · commit b9ab0a4 · MoltenVK

  25. Apple M2 ProApple-Chip
    21.0Tokens/sLesen 61 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  26. Apple M2Apple-Chip
    12.9Tokens/sLesen 49 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  27. Apple M1Apple-Chip
    12.7Tokens/sLesen 37 Tokens/s
    2 veröffentlichte Messungen, darüber der Median

ROCm · AMD

ROCm ist die Engine von AMD: für Ryzen AI und Radeon-Karten.

  1. RX 7900 XTXReferenzkarte24 GB
    131Tokens/sLesen 3'410 Tokens/s
    14 veröffentlichte Messungen, der Median oben
  2. RX 9070 XTReferenzkarte16 GB
    122Tokens/sLesen 4'300 Tokens/s
    5 veröffentlichte Messungen, der Median oben
    • 122.25 ± 0.29 Tokens/s beim Schreiben · 4300.05 ± 1016.50 beim Lesenllama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · Diskussion 15021
    • 122.17 ± 0.25 Tokens/s beim Schreiben · 4294.94 ± 973.80 beim Lesenllama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · Diskussion 15021
    • 121.83 ± 0.22 Tokens/s beim Schreiben · 4273.35 ± 983.25 beim Lesenllama.cpp (ROCm) · commit 505b1ed, build 10034 · Fedora 44; kernel 7.1.3-201.fc44.x86_64; amdgpu in-tree; Vulkan 1.4.354; ROCm 7.1.1 · pp512 / tg128; ngl=99; FA=1 · 2026-07-15GitHub · llama.cpp · Diskussion 15021
    • 101.27 ± 0.27 Tokens/s beim Schreiben · 5055.19 ± 109.58 beim Lesenllama.cpp (ROCm) · commit 583cb83 · pp512 / tg128; ngl=99; FA=0GitHub · llama.cpp · Diskussion 15021
    • 97.28 ± 0.13 Tokens/s beim Schreiben · 4903.51 ± 96.36 beim Lesenllama.cpp (ROCm) · commit 583cb83 · pp512 / tg128; ngl=99; FA=1GitHub · llama.cpp · Diskussion 15021
  3. RX 7900 XTReferenzkarte20 GB
    114Tokens/sLesen 3'131 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  4. RX 7800 XTReferenzkarte16 GB
    98.2Tokens/sLesen 2'224 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  5. Radeon AI Pro R9700Referenzkarte32 GB
    93.8Tokens/sLesen 4'444 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 15021 93.84 ± 0.26 Tokens/s · commit bd4ef13

  6. RX 9060 XTReferenzkarte16 GB
    67.4Tokens/sLesen 2'060 Tokens/s
    4 veröffentlichte Messungen, darüber der Median
  7. Ryzen AI Max+ 395 (Radeon 8060S)Ryzen AI128 GB
    49.9Tokens/sLesen 957 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  8. Radeon 8060S (Ryzen AI Max)Ryzen AI
    48.5Tokens/sLesen 359 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  9. RX 7600 XTReferenzkarte16 GB
    48.1Tokens/sLesen 1'149 Tokens/s
    2 veröffentlichte Messungen, darüber der Median
  10. Radeon 880M (Ryzen AI 300)Ryzen AI
    14.6Tokens/sLesen 188 Tokens/s
    2 veröffentlichte Messungen, darüber der Median

SYCL · Intel

SYCL ist die Engine von Intel für ihre Arc-Karten: Diese werden untereinander verglichen.

  1. Arc B580Referenzkarte12 GB
    73.8Tokens/sLesen 2'064 Tokens/s

    Quelle: GitHub · llama.cpp · Diskussion 23313 73.76 ± 0.13 Tokens/s · commit c6e408837, build 9368 · Ubuntu 25.10

  2. Arc B570Referenzkarte10 GB
    72.5Tokens/sLesen 686 Tokens/s
    5 veröffentlichte Messungen, der Median oben
    • 76.76 ± 0.06 Tokens/s beim Schreiben · 412.46 ± 1.13 beim Lesenllama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=1 · 2026-06-01GitHub · llama.cpp · Diskussion 23313
    • 76.72 ± 0.07 Tokens/s beim Schreiben · 685.89 ± 0.31 beim Lesenllama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=1 · 2026-06-01GitHub · llama.cpp · Diskussion 23313
    • 72.52 ± 0.12 Tokens/s beim Schreiben · 1355.95 ± 7.83 beim Lesenllama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=0 · 2026-06-01GitHub · llama.cpp · Diskussion 23313
    • 72.48 ± 0.18 Tokens/s beim Schreiben · 388.77 ± 0.54 beim Lesenllama.cpp (SYCL) · commit 5aba5364d, build 9456 · Ubuntu 24.04.4; Linux 6.17.0-29-generic · pp512 / tg128; FA=0 · 2026-06-01GitHub · llama.cpp · Diskussion 23313
    • 36.40 ± 0.04 Tokens/s beim Schreiben · 1484.42 ± 2.99 beim Lesenllama.cpp (SYCL) · commit 8e186ef, build 5449 · pp512 / tg128 · 2025-05-23GitHub · llama.cpp · Diskussion 10879

So lesen Sie diese Zahlen

  • Diese Zahlen stammen nicht von uns: Andere Personen haben sie veröffentlicht, und jede Zahl ist mit ihrem Link angegeben.
  • Eine Geschwindigkeit hängt von der Engine (Metal, CUDA, Vulkan, ROCm, SYCL) und ihrer Version ab: Man vergleicht bei gleicher Engine, nie von einer Engine zur anderen.
  • Apple-Chips werden nach ihrem Chip benannt (mit der Anzahl GPU-Kerne, wenn die Quelle sie nennt), nicht nach dem Mac-Modell.
  • Die Generierung (tg128) zeigt, wie schnell die Maschine die Antwort schreibt; das Lesen (pp512) zeigt, wie schnell sie die Frage liest.

Was eine Zahl nicht aussagt

Eine veröffentlichte Geschwindigkeit sagt nichts über die Qualität der Antworten, nichts über den Speicher, den Ihre Dokumente brauchen, und nichts über die Lautstärke der Maschine. Zur Auswahl probiert man Ihre tatsächliche Aufgabe auf der vorgesehenen Maschine aus, mit mehreren Personen und einem langen Dokument.

EIN ARBEITSBEREICH, IHRE WAHL

Das gesamte Saphan-Ökosystem

Ihr Phan arbeitet mit dem Modell, das Sie wählen: auf Ihrer Maschine oder beim Anbieter Ihrer Wahl.

Ihr Phan erreicht Link, dann Ihr lokales Modell, Ihre API-Schlüssel oder OpenRouter.Ihr PhanIhr Arbeitsbereich,für Sie gemachtLinker nimmt die Routedie Sie wählenIhr lokales Modellauf Ihrer Maschine;Ihre Daten bleiben bei IhnenIhre API-SchlüsselOpenAI, Anthropic, Google, Mistral,xAI, Moonshot, Alibaba, DeepSeekan den Anbieter bezahlt, nach VerbrauchOpenRouterviele Modellemit einem einzigen SchlüsselIhr Phan erreicht Link, dann Ihr lokales Modell, Ihre API-Schlüssel oder OpenRouter.Ihr PhanIhr Arbeitsbereich,für Sie gemachtLinker nimmt die Routedie Sie wählenIhr lokales Modellauf Ihrer Maschine;Ihre Daten bleiben bei IhnenIhre API-SchlüsselOpenAI, Anthropic, Google, Mistral,xAI, Moonshot, Alibaba, DeepSeekan den Anbieter bezahlt, nach VerbrauchOpenRouterviele Modellemit einem einzigen Schlüssel
  • Ihr Phan: Ihr Arbeitsbereich, für Sie gemacht.
  • Link nimmt die Route, die Sie wählen.
  • Ihr lokales Modell: auf Ihrer Maschine; Ihre Daten bleiben bei Ihnen.
  • Ihre API-Schlüssel: OpenAI, Anthropic, Google, Mistral, xAI, Moonshot, Alibaba, DeepSeek; an den Anbieter bezahlt, nach Verbrauch.
  • OpenRouter: viele Modelle mit einem einzigen Schlüssel.

Sie haben bereits ein Abonnement bei ChatGPT, Claude, Grok oder Kimi? Sie behalten es, in den Tools, die jeder Anbieter erlaubt.

Quellen: Dokumentationen der Anbieter, gelesen am 5. Oktober 2026.

VON DEM AUSGEHEN, WAS SIE HABEN

Ihre Maschine: behalten oder eine neue

Ihre aktuelle Maschine genügt oft: Wir behalten sie, warten sie und stellen sie auf Ihr Modell ein.

Bei einer neuen Maschine kaufen Sie die Teile selbst, zum Preis des Händlers, den Sie wählen; deren Garantie, in der Regel zwei Jahre, bleibt auf Ihren Namen. Wir stellen die Montage und die Einstellung in Rechnung.

Bei einer alten Maschine kostet eine Reparatur schnell mehr als das neue Teil: In der Schweiz kostet eine Werkstattstunde oft zwischen 120 und 180 Franken.

Die Montage erfolgt bei uns oder bei einem Partner in der Schweiz.

Ihre Hardware und Ihre Nutzung analysieren ↗Die Maschine für Ihre reale Arbeitslast wählen

SPRECHEN WIR ÜBER IHREN BEDARF

Fragen Sie Ihre Maschine an

Sagen Sie uns, was Sie tun möchten: Wir schlagen Ihnen eine Maschine vor oder die Einstellung Ihrer eigenen. Wir antworten Ihnen auf dem Weg, den Sie wählen.

Die mit einem Sternchen (*) gekennzeichneten Felder sind erforderlich. Übermitteln Sie weder Passwörter noch Zugangsschlüssel noch Kundendaten oder vertrauliche Dokumente.

Ihre Arbeit, Ihre Maschine

zum Beispiel: E-Mails beantworten, Offerten schreiben, Dokumente zusammenfassen, Code schreiben

zum Beispiel Qwen, Llama oder Mistral; «Ich weiss es noch nicht» passt sehr gut

zum Beispiel Outlook, Excel, Bexio, Ihre Fachsoftware

Marke, Prozessor, Grafikkarte, Speicher: was Sie darüber wissen

Rückmeldung an Sie

Wählen Sie, wie wir Ihnen antworten, und hinterlassen Sie den dazu passenden Kontakt. Diese Angaben dienen nur dazu, auf diese Anfrage zu antworten und das weitere Vorgehen mit Ihnen vorzubereiten.

Wie sollen wir Ihnen antworten? *

Bei E-Mail hinterlassen Sie Ihre Adresse, bei Telefon oder WhatsApp Ihre Nummer. Wir melden uns bei Ihnen.

Erforderlich für eine Antwort per E-Mail.

Erforderlich für eine Antwort per Telefon oder WhatsApp.

Keine Newsletter-Anmeldung. Wie Ihre Angaben behandelt werden.

Das Absenden gilt weder als Bestellung noch als finanzielle Verpflichtung.