Magnitude: Open-Source-Inferenz für die Hardware, die du schon hast

Lokale Sprachmodelle haben ein praktisches Problem: Die meisten Werkzeuge führen aus, was man ihnen sagt, aber sie helfen nicht bei der Frage, welches Modell auf dem eigenen Rechner überhaupt gut läuft. Magnitude setzt genau dort an. Das Projekt beschreibt sich selbst als „Open source inference engine for the hardware you already own" 1: eine Inferenz-Engine, die den vorhandenen Rechner vermisst, passende offene Modelle empfiehlt und sie für die konkrete Hardware einrichtet 1, 2.

Titelbild: Bildquelle: magnitudedev/magnitude

Dieser Artikel beantwortet eine konkrete Aufgabe: Du willst ein offenes Modell auf deiner vorhandenen Hardware betreiben, ohne API-Schlüssel, ohne Token-Kosten und offline, und du willst vorher wissen, ob Magnitude dafür das richtige Werkzeug ist und wie die Einrichtung abläuft. Dafür gibt es weiter unten drei überprüfbare Entscheidungskriterien, einen dokumentierten Einrichtungsweg für Desktop- und Headless-Betrieb sowie die wichtigsten Fehlerfälle. Zuerst die Faktenlage, getrennt nach dem, was belegt ist, und dem, was offen bleibt.

Kurzantwort

Magnitude ist eine quelloffene Inferenz-Engine für Verbraucher-Hardware 2. Die Desktop-App vermisst den Rechner, schätzt vor dem Download ab, wie schnell jedes Modell in Tokens pro Sekunde laufen würde, empfiehlt dann passende offene Modelle und richtet das gewählte Modell für die konkrete Hardware ein, von der Kontextgröße bis zum spekulativen Decoding 1, 2. Es läuft nativ auf macOS, Linux und Windows, auf Apple Silicon, NVIDIA- und AMD-GPUs sowie auf reiner CPU 1, 4. Die Lizenz ist Apache 2.0 1.

Wichtig für die Einordnung: Das Projekt ist jung. Das Repository wurde am 12. Juni 2026 angelegt und stand bei der Recherche Ende September 2026 bei rund 5.400 Sternen, etwa 380 Forks und 21 offenen Issues; die Codebasis ist überwiegend Rust 1. Die jüngste Veröffentlichung ist eine Alphaversion, 0.2.0-alpha.0, vom 29. September 2026 1. Sterne sind ein Entdeckungssignal, kein Qualitätsurteil; für die Bewertung zählt allein, was dokumentiert und installierbar ist.

Was Magnitude ist – und was es nicht ist

Magnitude ist kein neues Sprachmodell und kein Modell-Hoster. Es ist eine Laufzeitumgebung, die Modelle herunterlädt, auf der eigenen Hardware ausführt und über eine lokale Schnittstelle an andere Programme weitergibt 1, 2. Der erklärte Kernunterschied zu etablierten Werkzeugen steht im README: Ollama oder LM Studio führen aus, welches Modell man selbst wählt; Magnitude hilft erst beim Auswählen, indem es vor dem Download abschätzt, wie jedes Modell und jede Quantisierung auf der eigenen Maschine läuft, und stimmt danach das gewählte Modell auf die Hardware ab 1.

Die Selbsteinschätzung des Projekts lässt sich in sieben inhaltliche Punkte zusammenfassen; die Lizenzfrage Apache 2.0 ist oben bereits genannt 1, 2: Die Engine kennt den Rechner und schätzt Tokens pro Sekunde vor dem Download; sie empfiehlt Modelle nach Geschwindigkeit, Genauigkeit, Intelligenz und Speicherbedarf; sie richtet spekulatives Decoding und mehr automatisch ein; sie verbindet sich per Klick mit Agenten wie Pi, OpenCode oder Hermes; sie kostet keine Tokens und braucht keinen API-Schlüssel; Prompts, Dateien und Modelle bleiben auf dem Rechner; Modelle werden bei Bedarf geladen und bei Inaktivität wieder entladen.

Diese Punkte sind Projektclaims. Was davon technisch belegt ist, steht in den folgenden Abschnitten; wo die Quellenlage dünn ist, sage ich das ausdrücklich.

Quelle: GitHub-Repository magnitudedev/magnitude 1.

Bildquelle: magnitude.dev

Passt Magnitude zu deiner Hardware?

Die erste echte Entscheidung ist die Hardware. Die Dokumentation unterscheidet vier Unterstützungsgrade 4:

• Apple-Silicon-Macs nutzen die Metal-GPU-Beschleunigung von macOS; ein separates GPU-Toolkit ist nicht nötig 4.
• Intel-Macs laufen nur auf der CPU 4.
• Windows (x64) unterstützt CPU, unterstützte NVIDIA-CUDA-GPUs und unterstützte Vulkan-GPUs 4.
• Linux (x64 oder ARM64) unterstützt CPU, unterstützte NVIDIA-CUDA-GPUs und unterstützte Vulkan-GPUs 4.

Drei Punkte sind dabei leicht zu übersehen und entscheiden in der Praxis oft mehr als die Modellgröße:

Erstens: NVIDIA-Unterstützung ist nicht gleichbedeutend mit „jede NVIDIA-Karte". Die aktuellen CUDA-Builds zielen auf GPUs der Ampere-Klasse und neuer; ältere CUDA-fähige Karten werden nicht automatisch unterstützt 4. Ob die Karte sichtbar ist, prüfst du mit nvidia-smi; das CUDA-Entwicklungstoolkit brauchst du für Magnitude nicht 4.

Zweitens: Für AMD gibt es derzeit keinen ROCm-Backend. AMD- und andere Vulkan-GPUs laufen über Vulkan ab Version 1.1, aber die Version allein garantiert nicht, dass eine bestimmte GPU jedes Modell unterstützt 4. Das ist ein relevanter Unterschied zu Werkzeugen, die ROCm für AMD-Karten anbieten.

Drittens: Gemeinsamer Speicher ist nicht frei verfügbar. Ein Mac mit 32 GB Unified Memory hat diese 32 GB nicht vollständig für ein Modell übrig, weil macOS und andere Apps denselben Pool nutzen 4. Umgekehrt ergibt ein Rechner mit 64 GB Systemspeicher und einer 8-GB-GPU keine 72 GB austauschbaren GPU-Speicher 4. Die Größenangaben im „Memory"-Feld eines Modells sind deshalb als Laufzeitbedarf zu lesen, nicht als Download-Größe 6.

Für CPU-only-Rechner gilt die dokumentierte Faustregel: Es funktioniert, aber kleinere Modelle und niedrigere Quantisierungen sind praktischer, wenn Antwortgeschwindigkeit zählt; genug RAM zum Laden bedeutet noch nicht, dass schnell generiert wird 4.

Installation unter Linux

Der konkreteste Weg für einen Homelab-Rechner führt über die Linux-Pakete. Die Dokumentation unterscheidet nach Distribution und Architektur 5:

• Ubuntu/Debian bekommt ein .deb, Fedora/Red Hat ein .rpm 5.
• Für einen x86-64-Prozessor nimmst du x64, für ARM64 die ARM64-Variante. Welche Architektur vorliegt, zeigt uname -m: x86_64 bedeutet x64, aarch64 bedeutet ARM64 5.

Eine harte Voraussetzung gibt es trotzdem: Magnitude verlangt glibc 2.35 oder neuer. Ubuntu 22.04 und Debian 12 erfüllen das; RHEL 9 liegt mit glibc 2.34 darunter und ist damit nicht kompatibel, obwohl es ein RPM-Paket gibt 5. Alpine/musl-Pakete gibt es nicht 5.

Installiert wird das heruntergeladene Paket über den Paketmanager, zum Beispiel 5:

sudo apt install ./magnitude-desktop.deb

oder für Fedora:

sudo dnf install ./magnitude-desktop.rpm

Das Desktop-Fenster braucht eine grafische Sitzung. magnitude serve läuft auch ohne, also über SSH 5. Das ist der Ausgangspunkt für den Headless-Betrieb weiter unten.

Für macOS und Windows gelten dieselben Grundsätze: native Installer, auf dem Mac Metal über macOS, auf Windows CPU sowie unterstützte CUDA- und Vulkan-GPUs 4. Die Pakete für alle Plattformen listet die Download-Seite, darunter .deb und .rpm in x64- und ARM64-Varianten 2.

Erste Schritte: Modell auswählen und laden

Nach der Installation bewertet „Discover" die Hardware und zeigt bis zu fünf Empfehlungen 6. Der dokumentierte Einstieg: mit „Balanced" beginnen oder den Regler Richtung Geschwindigkeit beziehungsweise Intelligenz verschieben 3, 6.

Die Modellangaben sind präzise zu lesen, sonst trifft man falsche Entscheidungen 6:

• „Intelligence" ist ein Indexwert, kein Genauigkeitsprozentsatz. Eine Anzeige von 80 Prozent bedeutet nicht, dass das Modell 80 Prozent der Aufgaben richtig löst 6.
• „Speed" ist eine Schätzung des Durchsatzes auf dem eigenen Rechner, kein Benchmark der aktuellen Aufgabe 6.
• „Memory" nennt den erwarteten Laufzeitspeicher, getrennt von der Download-Größe 6.
• „Fidelity"/Quantisierung: niedrigere Bit-Varianten brauchen weniger Speicher und Platz, höhere erhalten mehr vom Originalmodell 6.
• „Context" zeigt, wie viel Konversation und Arbeitsmaterial die Serving-Konfiguration fassen kann 6.
• „Speculation" zeigt die vorbereitete spekulative Decoding-Methode 6.

Bei unterstützten Modellen aktiviert Magnitude automatisch spekulatives Decoding (die Dokumentation nennt MTP, DFlash und DSpark) sowie Prompt-Caching 6. Das erklärt einen häufig beobachteten Effekt: Die erste Antwort nach einer Pause ist langsamer, weil das Modell erst geladen und der Kontext verarbeitet wird; spätere Antworten sind schneller 6.

Download und Laden sind zwei getrennte Schritte 6. „Download" holt die Dateien, „Load model" legt das Modell in den Speicher, „Stop model" entlädt es ohne Löschen, „Remove" löscht die Dateien. Ein heruntergeladenes Modell belegt auch im gestoppten Zustand Plattenplatz 6. Modelle liegen standardmäßig in ~/.magnitude/models; ein anderer Ordner lässt sich in den Einstellungen festlegen 6.

Den eigenen Agenten anbinden

Magnitude richtet sich ausdrücklich an Nutzer bestehender Agenten. Die Dokumentation nennt acht Harnesse: Pi, OpenCode, Hermes, OpenClaw, Codex, Claude Code, Oh My Pi und Cline 1, 2. Der Ablauf ist ein Klick in „Connections", danach wählt man im Agenten das Magnitude-Modell und startet den Agenten neu 3, 6.

Für Terminal-Nutzer gibt es dieselbe Funktion als CLI 7:

magnitude connections list
magnitude connections add hermes
magnitude connections sync hermes

Die Harness-IDs sind pi, opencode, hermes, openclaw, codex, claude-code, oh-my-pi und cline 7. connections add akzeptiert --set-model <model-id> und --install-skill, um das Modell auszuwählen und den zugehörigen Skill zu installieren 7.

Hier ist der Vergleich mit den etablierten Alternativen ehrlich zu führen. Ollama ist ein quelloffener Model-Runner mit CLI und Docker-Image, der sich in Agenten wie Claude Code, OpenClaw, OpenCode und Codex einbinden lässt 12. LM Studio ist eine Desktop-App zum lokalen Betreiben von Modellen 13. Beide überlappen funktional mit Magnitude. Der dokumentierte Unterschied bleibt die Vorab-Einschätzung je Hardware und das automatische Tuning 1. Ob das für dich einen Mehrwert bringt, hängt davon ab, ob du bereits weißt, welches Modell du willst – dann reicht ein schlanker Runner – oder ob genau diese Auswahlentscheidung dein Problem ist.

Headless-Betrieb und Remote-Server

Für einen Server im Homelab ist die Desktop-App unnötig. Magnitude bringt eine CLI mit, die auch ohne grafische Sitzung läuft 5, 7:

magnitude --help
magnitude serve
magnitude status

magnitude serve startet den Dienst im Vordergrund; magnitude status prüft, ob er läuft, und unterscheidet Dienststart vom Modellladen 7. magnitude hardware zeigt die erkannte Hardware und den Speicher, magnitude catalog recommendations --preference balanced --limit 5 listet die Empfehlungen, magnitude catalog pull "MODEL_ID" lädt ein Modell 7, 9.

Ein serve im Vordergrund endet mit Strg+C und überlebt keinen Neustart. Für Dauerbetrieb dokumentiert die Anleitung einen systemd-User-Service 9:

[Unit]
Description=Magnitude headless server

[Service]
ExecStart=/usr/bin/magnitude serve
Restart=on-failure
RestartSec=1
KillMode=control-group
TimeoutStopSec=30

[Install]
WantedBy=default.target

Gespeichert als ~/.config/systemd/user/magnitude-headless.service und aktiviert mit 9:

systemctl --user daemon-reload
systemctl --user enable --now magnitude-headless.service

Für Start vor dem Login und Betrieb nach dem Logout aktivierst du Lingering mit loginctl enable-linger "$USER" 9. Logs liefert journalctl --user -u magnitude-headless.service 9.

Soll der Server von einem anderen Rechner aus genutzt werden, etwa ein Mac Studio oder DGX Spark für die Inferenz und ein Laptop für den Agenten, setzt man die Netzwerkfreigabe. Das geschieht über ~/.magnitude/config.json 9:

{
  "network": {
    "enabled": true,
    "bind": "SERVER_IP",
    "apiKey": "YOUR_SECRET_KEY",
    "requireApiKey": true
  }
}

SERVER_IP ist die lokale oder Tailscale-Adresse des Servers, YOUR_SECRET_KEY ein langer, zufällig erzeugter Schlüssel 9. Danach läuft auf dem Server magnitude serve, auf dem Laptop verbindest du den Agenten mit der Basis-URL http://SERVER_IP:10100/inference/v1, dem API-Schlüssel und der exakten Modell-ID 9.

Die lokale API nutzen

Neben den unterstützten Agenten spricht Magnitude eine HTTP-API auf Port 10100, solange die Desktop-App oder magnitude serve läuft 10. Die Basis-URLs sind 10:

• OpenAI-kompatibel: http://127.0.0.1:10100/inference/v1
• Anthropic-kompatibel: http://127.0.0.1:10100/inference/anthropic

Vom eigenen Rechner ist kein Schlüssel nötig; besteht der Client auf einem Wert, funktioniert jeder 10. Die verfügbaren Modelle listet 10:

curl http://127.0.0.1:10100/inference/v1/models

Die exakte id aus der Antwort ist der Modellname; Anzeigenamen werden nicht akzeptiert 10. Eine einzelne Anfrage sieht dokumentiert so aus 14:

curl http://127.0.0.1:10100/inference/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"model": "MODEL_ID", "messages": [{"role": "user", "content": "Erkläre Prompt-Caching in einem Absatz."}], "max_tokens": 256}'

Das Ergebnis steht im Feld message.content des ersten Eintrags in choices 14. Für Streaming ergänzt man "stream": true und bei curl das Flag -N 14. Weitere Endpunkte sind GET /health (liefert 200, wenn der Dienst bereit ist) und POST /inference/anthropic/v1/messages für Anthropic-Clients, bei denen max_tokens Pflicht ist 14.

Der Umfang der API ist bewusst schmal: Nur Inferenz ist möglich, also Modelle auflisten und Text generieren. Modellverwaltung und die App selbst sind über die API nicht erreichbar 10. Für andere Geräte ist der Zugriff standardmäßig deaktiviert; erst die Netzwerkfreigabe öffnet Port 10100, und nur die Inferenz wird freigegeben 8, 15. Ein SSH-Tunnel kommt ohne Netzwerkfreigabe aus 15:

ssh -N -L 10101:127.0.0.1:10100 user@server

Danach nutzt der Client http://127.0.0.1:10101/inference/v1; im Tunnel ist kein Magnitude-API-Schlüssel nötig 15.

Konfiguration und Modelldateien

Alle Einstellungen liegen in ~/.magnitude/config.json; die Desktop-Einstellungen schreiben dieselbe Datei, und unbekannte Schlüssel bleiben erhalten 8. Die dokumentierten Schlüssel 8:

• appearance (system, light, dark) und autoDownloadUpdates (true/false)
• modelsDirectory als absoluter Pfad des Modellordners; fehlt er, gilt ~/.magnitude/models
• network.enabled, network.bind (eine IP-Adresse dieses Rechners), network.apiKey, network.requireApiKey (Standard true), network.allowedHosts (zusätzlich akzeptierte Hostnamen)
• contextLimits.softCapRatio (Anteil des Kontextfensters vor Kompaktierung, Standard 0,9) und contextLimits.softCapMaxTokens
• providers für zusätzliche OpenAI-kompatible Endpunkte neben den lokalen Modellen

Ungültige Werte werden ignoriert und protokolliert; ein relativer modelsDirectory oder ein network.bind, das keine IP-Adresse ist, fällt auf den Standard zurück 8. Neben models/ legt Magnitude einen cache/-Ordner an (sicher zu löschen, solange die App nicht läuft) und harness-connections.json für die Verbindungen 8. Die Dokumentation warnt ausdrücklich davor, bei einem Problem den ganzen .magnitude-Ordner zu löschen; App und Modelldaten entfernt man getrennt 8.

Fehlerbehebung: die häufigsten Fälle

Die Dokumentation hat eine eigene Fehlerbehebungsseite, und die meisten Fälle lassen sich auf wenige Ursachen zurückführen 11:

• Dienst startet nicht: Die Fehlermeldung in „Status" lesen; bei belegtem Port die konkurrierende Anwendung schließen. Headless liefert magnitude serve den Fehler direkt 11.
• Zweite Instanz läuft: Das Schließen des Desktop-Fensters beendet die App nicht zwingend. Desktop vollständig beenden oder den laufenden serve stoppen, bevor ein neuer startet 11.
• magnitude nicht gefunden: Ein neues Terminal öffnen und magnitude --help probieren. Unter Linux gehört /usr/bin/magnitude dem installierten Paket; unter macOS registriert erst ein Desktop-Start die CLI in der Shell 11.
• Modell lädt nicht oder wurde gestoppt: speicherhungrige Apps schließen oder eine kleinere Empfehlung wählen. Die Fit-Bewertung reserviert den Speicher nicht gegen andere Apps; längere Konversationen brauchen mehr Speicher 11.
• Agent sieht das Modell nicht: erst den Download abschließen, dann in „Connections" reparieren oder aktualisieren, den Agenten neu laden und das Modell wählen 11.
• Modelle nach Ordnerwechsel „verschwunden": Der Ordnerwechsel verschiebt keine Dateien; sie liegen noch im alten Pfad 11.
• Windows kann ein Update nicht speichern: Die Versionen 0.1.4 und 0.1.5 können mit „The downloaded update could not be saved" fehlschlagen; behoben ist das nur über den Installer einer neueren Version, nicht über den Updater 11.
• Antworten langsamer als erwartet: In „Usage" Generationsgeschwindigkeit von der Zeit bis zum ersten Token trennen; Laden, lange Prompts, parallele Agenten und Speicherdruck wirken sich aus 11.

Einordnung: belegte Funktionen und offene Risiken

Der Wert dieses Artikels liegt darin, Claims, dokumentierte Funktionen und offene Risiken auseinanderzuhalten.

Belegt ist, dass die Funktionen in einer aktuellen, detaillierten Dokumentation beschrieben sind: Hardware-Erkennung, Vorab-Schätzung, Modellkatalog, CLI, Konfigurationsdatei, lokale API und ein konkreter Remote-Server-Ablauf mit systemd 4, 5, 6, 7, 8, 9, 10. Das ist mehr als bei vielen jungen Projekten, aber es ist Dokumentation, keine unabhängige Verifikation.

Offen bleibt einiges. Das Projekt steht vor Version 1.0; die jüngste Veröffentlichung ist eine Alphaversion, und die Veröffentlichungsliste seit Mitte September 2026 besteht aus mehreren Patch-Versionen der 0.1-Reihe 1. Es gibt keine von Magnitude selbst veröffentlichten, reproduzierbaren Benchmarks in der Dokumentation; die „Speed"-Angabe ist eine Schätzung für die eigene Maschine, und die „Intelligence"-Zahl ein Indexwert, kein Genauigkeitswert 6. Unabhängige Tests Dritter habe ich zum Recherchezeitpunkt nicht gefunden; die Einordnung dieses Artikels stützt sich deshalb auf die Projektdokumentation und die Vergleichswerkzeuge, nicht auf externe Messungen.

Ein strukturelles Risiko ist die Hardware-Abdeckung: kein ROCm-Backend für AMD, NVIDIA nur ab Ampere-Klasse und auf älteren CUDA-Karten kein automatischer Support 4. Wer eine ältere oder exotische GPU besitzt, sollte vor einer Entscheidung genau prüfen, ob seine Karte in die dokumentierten Kategorien fällt.

Entscheidungshilfe

Drei Kriterien machen die Entscheidung konkret:

1. Dein Problem ist die Modellauswahl. Wenn du nicht weißt, welches Modell und welche Quantisierung auf deinem Rechner sinnvoll läuft, ist die Vorab-Einschätzung von Magnitude genau der dokumentierte Kern des Werkzeugs 1, 6. Wenn du dein Modell bereits kennst, reicht ein schlankerer Runner.

2. Deine Hardware passt in die dokumentierten Kategorien. Apple Silicon, eine NVIDIA-GPU ab Ampere-Klasse oder ein x64/ARM64-Linux-Server mit glibc 2.35+ sind klar abgedeckt; bei AMD gilt nur Vulkan ohne ROCm, bei älteren NVIDIA-Karten kein automatischer Support 4, 5.

3. Du willst einen Agenten ohne Cloud anbinden. Die Verbindung zu Hermes, OpenCode, Claude Code und den übrigen genannten Harnessen ist dokumentiert, ebenso der Headless- und Remote-Betrieb 1, 9. Die lokale API erlaubt zusätzlich jeden OpenAI- oder Anthropic-kompatiblen Client 10.

Der sinnvolle nächste Schritt ist ein kontrollierter Versuch auf der eigenen Maschine: Paket installieren, magnitude status und magnitude hardware prüfen, eine „Balanced"-Empfehlung laden und mit einem kleinen Prompt testen, bevor größere Modelle heruntergeladen werden. Was dabei an Geschwindigkeit und Speicher herauskommt, ist von deiner Hardware abhängig und lässt sich aus der Dokumentation nicht vorhersagen. Die Alphaversions-Nummer sollte man dabei nicht ausblenden: Für einen produktiven Dauerbetrieb ist das Projekt aus heutiger Sicht noch früh.

Weiterführende Artikel

• OpenSEO: Open-Source-Alternative zu Semrush und Ahrefs einrichten und bewerten
• KI-Tools Praxis: Prime Agent installieren, nutzen und absichern
• Lokales KI-Modell Needle 2: Tool-Calling in der Praxis mit 14 MB
• Omarchy: Das opiniated Linux von DHH – Installation, Sicherheit und Setup
• VoiceStudio lokal betreiben: Installation, Hardware und Grenzen der ElevenLabs-Alternative

Transparenzhinweis

Dieser Beitrag wurde mit Unterstützung künstlicher Intelligenz erstellt und automatisiert auf Quellen, Fakten und Qualitätskriterien geprüft.

Passende Produktrecherchen

Wenn du die praktische Seite vertiefen möchtest, findest du hier passende Suchpfade zum Vergleichen. Keine Kaufpflicht, keine Rangliste, sondern thematisch passende Produktrecherchen:

• USB-C-Sticks für lokale Smartphone-Backups recherchieren
• LiFePO4-Speicher für Balkonkraftwerke ansehen
• Mini-PCs für Homelab und Security-Lab vergleichen
• Raspberry Pi und Mini-PCs vergleichen
• Datenschutzfreundliche Android-Phones vergleichen
• Starlink-Verfügbarkeit und Konditionen prüfen

Hinweis: Als Amazon-Partner verdient kalika.de an qualifizierten Verkäufen. Für dich ändert sich der Preis nicht.

Hinweis: Dieser Link ist ein Starlink-Empfehlungslink. Wenn du darüber bestellst, können für dich und kalika.de Vorteile nach den jeweils geltenden Starlink-Bedingungen entstehen.

Häufige Fragen

Was beantwortet dieser Beitrag zu Magnitude: Open-Source-Inferenz für die Hardware, die du schon hast?

Er ordnet die genannten Quellen ein und übersetzt sie in Prüfpunkte für die eigene Entscheidung. Er ersetzt keine individuelle Planung, Beratung oder Wirtschaftlichkeitsrechnung.

Welche Angaben sollte ich vor einer Entscheidung selbst prüfen?

Entscheidend sind die eigenen Verbrauchs- und Nutzungsdaten, Kosten, technische Voraussetzungen und die aktuell geltenden Regeln. Die Quellen am Ende zeigen, welche Aussagen aus der Meldung stammen und wo die Grenzen der Einordnung liegen.

Sind die genannten Zahlen auf jeden Haushalt übertragbar?

Nein. Umfrage- und Marktwerte beschreiben Gruppen oder Zeitpunkte. Ob eine Maßnahme im Einzelfall passt, hängt von den konkreten Voraussetzungen vor Ort ab.

Quellen

[1] magnitudedev/magnitude auf GitHub (README, Apache-2.0-Lizenz, Releases und Repository-Metadaten)

[2] Magnitude – offizielle Website

[3] Magnitude-Dokumentation: Quick start

[4] Magnitude-Dokumentation: Hardware und unterstützte Systeme

[5] Magnitude-Dokumentation: Linux-Installation

[6] Magnitude-Dokumentation: Modelle

[7] Magnitude-Dokumentation: CLI-Referenz

[8] Magnitude-Dokumentation: Konfigurationsdatei

[9] Magnitude-Dokumentation: Remote-Server

[10] Magnitude-Dokumentation: Lokale API (Übersicht)

[11] Magnitude-Dokumentation: Fehlerbehebung

[12] Ollama auf GitHub

[13] LM Studio

[14] Magnitude-Dokumentation: API-Endpunkte

[15] Magnitude-Dokumentation: Netzwerkzugriff