Ollama-Modell-Galerie

Was dieser Artikel über die Ollama-Modell-Galerie behandelt

• Übersicht bekannter Ollama-Modelle.
• Einteilung nach Anwendungsfall.
• Grössen, Quanten und Hardwarebedarf.
• Tipps zur schnellen Auswahl.

Einleitung: Ollama-Modell-Galerie

Ollama bietet Zugang zu einer wachsenden Bibliothek lokaler Sprach- und Multimodal-Modelle. Chat-Modelle wie Llama und Qwen, Coding-Modelle wie Qwen Coder, Vision-Modelle wie Llava und Embedding-Modelle wie nomic-embed-text sind nur einige Beispiele. Die Auswahl wächst schnell, und für jeden Anwendungsfall gibt es mehrere Optionen.

Dieser Artikel stellt eine Galerie der wichtigsten Ollama-Modelle zusammen.

Wichtige Begriffe

• 7B, 13B, 70B: Modellgrösse in Milliarden Parametern.
• Instruct: Auf Anweisungen trainiert.
• Chat: Für Dialoge optimiert.
• Coder: Für Programmierung optimiert.
• Vision: Bildverarbeitung.
• Embedding: Vektordarstellung.
• Quantisierung: Modellpräzision reduziert.
• GGUF: Containerformat für Modelle.

Chat-Modelle

Modell	Grösse	Besonderheit
llama3.1	8B, 70B	Guter Allrounder
qwen2.5	7B, 14B, 32B	Starke Mehrsprachigkeit
mistral	7B	Schnell, kompakt
gemma2	9B, 27B	Google-Modell
phi4	14B	Starkes Reasoning

Coding-Modelle

Modell	Grösse	Einsatz
qwen2.5-coder	1.5B-32B	Code-Vervollständigung
codellama	7B-70B	Meta-Code-Modell
deepseek-coder	1.3B-33B	Vielseitiger Coder

Vision-Modelle

Modell	Grösse	Einsatz
llava	7B, 13B	Bildbeschreibung
llava-llama3	8B	Kompakte Bildanalyse
bakllava	7B	Bessere Vision-Qualität
moondream	2B	Sehr klein, schnell

Reasoning-Modelle

Modell	Grösse	Einsatz
deepseek-r1	1.5B-70B	Logisches Schlussfolgern
qwen2.5	7B-72B	Mathe und Logik
phi4	14B	Kleineres Reasoning

Embedding-Modelle

Modell	Dimension	Einsatz
nomic-embed-text	768	Standard-Embeddings
mxbai-embed-large	1024	Hohe Qualität
snowflake-arctic-embed	768/1024	Dokumenten-Retrieval
all-minilm	384	Sehr klein

Spezialisierte Modelle

Modell	Einsatz
nomic-embed-text-v1.5	Verbesserte Embeddings
granite3.2-vision	IBM Vision
command-r	Cohere-Instruct
aya	Mehrsprachig

Modell herunterladen

ollama pull llama3.1
ollama pull qwen2.5-coder:14b
ollama pull llava
ollama pull nomic-embed-text

Modell auswählen

Anwendungsfall	Modell
Allgemeiner Chat	llama3.1, qwen2.5
Coding	qwen2.5-coder, deepseek-coder
Vision	llava, bakllava, moondream
Reasoning	deepseek-r1, qwen2.5
RAG	nomic-embed-text, mxbai-embed-large
Deutsch	qwen2.5, aya

Hardwarebedarf

Modellgrösse	VRAM Q4	RAM CPU
3B	2-4 GB	6-8 GB
7B	4-8 GB	12-16 GB
13B	8-12 GB	20-32 GB
30B	18-24 GB	40-64 GB
70B	40-48 GB	96-128 GB

Tipps

• Mit 7B-Modellen beginnen.
• Quantisierung beachten.
• Für Chat und RAG unterschiedliche Modelle nutzen.
• Eigene Anforderungen testen.
• Modelle auf Ollama.com vergleichen.
• Aktualisierte Versionen bevorzugen.

Weiterführende Links und Infos

• BotServ.de Ollama Modell-Empfehlungen
• BotServ.de Ollama Modell-Benchmarks
• BotServ.de Ollama Embedding-Vergleich
• BotServ.de Ollama Vision API

FAQ: Ollama-Modell-Galerie

Welches Modell ist am besten für Anfänger? llama3.1:8b oder qwen2.5:7b.

Gibt es deutsche Modelle? Ja, Qwen 2.5 und aya sind gut mehrsprachig.

Was ist das kleinste Vision-Modell? moondream:2b.

Welches Modell für Coding? qwen2.5-coder:14b oder deepseek-coder.

Welche Modelle für RAG? Ein solides Chat-Modell plus ein Embedding-Modell.

Quellen und weiterführende Literatur

• Ollama Library: https://ollama.com/library
• Hugging Face: https://huggingface.co/
• LMSYS Chatbot Arena: https://chat.lmsys.org/

Zusammenfassung: Ollama-Modell-Galerie

Die Ollama-Bibliothek umfasst viele Modelle für Chat, Coding, Vision, Reasoning und Embeddings. Llama, Qwen und Mistral sind gute Allrounder, Qwen Coder und DeepSeek Coder für Programmierung, Llava und Moondream für Bilder, nomic-embed-text für semantische Suche. Die richtige Wahl hängt von Hardware, Anwendungsfall und gewünschter Qualität ab. Mit der üblichen 7B-Variante kann man meistens gut anfangen.