Mistral 7B auf einem Mac mit 16 GB und Ollama
# Mistral 7B auf einem Mac mit 16 GB und Ollama code: f64r3l | type: inference | language: de | licence: MIT | version: v1 description: Ollama-Modelfile, um Mistral 7B Instruct lokal auf einem Mac mit 16 GB zu betreiben: Q4-Quantisierung, 8k Kontext, Antworten auf Deutsch. page: https://contextetech.com/de/inferenz/mistral-7b-ollama-mac-16gb-de-f64r3l mcp: connect https://contextetech.com/mcp then call load_resource with code "f64r3l" (or ask "load f64r3l") json: https://contextetech.com/api/resources/contextetech--mistral-7b-ollama-mac-16gb-de python: pip install contexte && contexte get f64r3l citation (required by the licence): contextetech. (2026). Mistral 7B auf einem Mac mit 16 GB und Ollama (Version 1) [Inferenz-Konfiguration]. Contexte Tech. https://contextetech.com/de/inferenz/mistral-7b-ollama-mac-16gb-de-f64r3l
Ollama-Modelfile, um Mistral 7B Instruct lokal auf einem Mac mit 16 GB zu betreiben: Q4-Quantisierung, 8k Kontext, Antworten auf Deutsch.
| Modell | mistral:7b-instruct-q4_K_M |
|---|---|
| Getestete Hardware | Mac mit Apple Silicon und 16 GB Arbeitsspeicher |
Modelfile
FROM mistral:7b-instruct-q4_K_M PARAMETER num_ctx 8192 PARAMETER temperature 0.3 SYSTEM """Du bist ein Assistent, der klar und knapp auf Deutsch antwortet. Wenn du etwas nicht weißt, sag es."""
Startbefehl
ollama create mistral-de -f Modelfile && ollama run mistral-de
- Kennung
- contextetech--mistral-7b-ollama-mac-16gb-de
- Datei
- Modelfile
- Format
- MODELFILE
- Größe
- 195 Bytes
- Kodierung
- UTF-8
- Geschätzte Tokens
- ≈ 54
- Kommerzielle Nutzung
- Erlaubt
- Personenbezogene Daten
- Keine
- Version
- 1.0
- Veröffentlicht am
- 3. Oktober 2026 um 05:20
- Aktualisiert am
- 16. Oktober 2026 um 23:19
- Speicherung
- in der Datenbank
Statistiken
Gefällt mir : 0 · Kommentare : 0
Klicken Sie auf einen Zähler, um ihn ein- oder auszublenden; fahren Sie über das Diagramm für Details. Ein Aufruf pro Besucher und Tag, ohne Bots; Zählung seit dem 30. September 2026.
Geschätzte Kosten
- Eingabe-Tokens pro Aufruf
- ≈ 198
| Modell | Pro Aufruf | Pro Monat |
|---|---|---|
| GPT-6 Luna · OpenAIbester Preis | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00005 € | 0,05 € |
| Mistral Large · Mistral AI | 0,00009 € | 0,09 € |
| DeepSeek V4 Pro · DeepSeek | 0,00023 € | 0,23 € |
| GPT-6 Sol · OpenAI | 0,00035 € | 0,35 € |
| Claude Sonnet 5.5 · Anthropic | 0,00035 € | 0,35 € |
| Claude Opus 5.5 · Anthropic | 0,00070 € | 0,70 € |
| Selbst gehostetes Open-Source-Modell (Ollama, vLLM) | 0 € API-Kosten (nur Serverkosten) | |
Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 13. Oktober 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.
Gemeinsam für alle 3 Regionen
Vom Autor erstellt, ohne externe Quelle.
Kommerzielle Nutzung erlaubt · Autor nennen · Änderungen erlaubt.
Nur Text oder Daten: kein Zugriff auf Dateien, Netzwerk oder Befehle.
Gehostet in Frankreich (Scaleway, Paris). Keine Übermittlung außerhalb der EU.
Europäische Union · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten: keine Zusammenfassung erforderlich.
Vereinigte Staaten · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten: keine Dokumentation zu veröffentlichen.
China · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten; in China verbreitete KI-generierte Inhalte sind zu kennzeichnen (2025).
Unverbindliche Übersicht, Stand 30/09/2026, keine rechtliche Zertifizierung. Methode und Quellen →
Qualität des Inhalts
Leistung nicht gemessen: weder gemessene Geschwindigkeit noch bestandener Test
Die Kriterien im Detail sind Mitgliedern vorbehalten.
Jedes Kriterium, die abgezogenen Punkte und ein Tipp zur Korrektur.
Inhaltsanalyse
Die Kriterien im Detail sind Mitgliedern vorbehalten.
Jedes Kriterium, die abgezogenen Punkte und ein Tipp zur Korrektur.
Aus dem Inhalt des Eintrags nach Regeln berechnet, ohne KI. Die Note steht im Reiter Qualität.
MCP contexte
https://contextetech.com/mcp
lade f64r3l
Die Adresse in den Einstellungen deiner KI-Apps als Connector hinzufügen und dann die Anfrage oben senden.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--mistral-7b-ollama-mac-16gb-de" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
Modelfile
FROM mistral:7b-instruct-q4_K_M PARAMETER num_ctx 8192 PARAMETER temperature 0.3 SYSTEM """Du bist ein Assistent, der klar und knapp auf Deutsch antwortet. Wenn du etwas nicht weißt, sag es."""
Startbefehl
ollama create mistral-de -f Modelfile && ollama run mistral-de
Modell anlegen (Ollama)
# enregistrez le Modelfile, puis : ollama create mistral-7b-ollama-mac-16gb-de -f Modelfile ollama run mistral-7b-ollama-mac-16gb-de
Community
Noch keine Kommentare. Teile deine Erfahrung, sie hilft den Nächsten.