llama.cpp

llama.cpp ist die C++-Engine, die fast jedes andere lokale Werkzeug umschließt. Kein Python, keine Abhängigkeiten außer einem Compiler (oder einer Release-Binärdatei). `llama-server -hf ggml-org/gpt-oss-120b-GGUF` spricht OpenAI auf Port 8080.

Herunterladen Offizielle Doku ↗

Der Kontext steht beim Start via -c. CPU, Metal, CUDA, ROCm. Nützlich, wenn man an das Metall will — oder wenn Ollama und LM Studio zu viel App um das Modell sind.

Max. Kontext: Set with -c at launch
Gratis-Tarif: Unbegrenzt und privat
Anforderung: Nichts — kein Konto

Endpunkt

Basis-URLhttp://localhost:8080/v1

RatengrenzeNone — it is your machine

OpenAI-kompatibel
Text

Codebeispiele

npm install openai

import OpenAI from 'openai'

const client = new OpenAI({
  baseURL: 'http://localhost:8080/v1',
  apiKey: 'not-needed'
})

const response = await client.chat.completions.create({
  model: 'gpt-oss-120b',
  messages: [{ role: 'user', content: 'Explain closures in one paragraph.' }]
})

console.log(response.choices[0].message.content)

pip install openai

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed",
)

response = client.chat.completions.create(
    model="gpt-oss-120b",
    messages=[{"role": "user", "content": "Explain closures in one paragraph."}],
)

print(response.choices[0].message.content)

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-oss-120b",
    "messages": [{"role": "user", "content": "Explain closures in one paragraph."}]
  }'

Wissenswert

Zuerst den Server starten: `llama-server -hf ggml-org/gpt-oss-120b-GGUF`.

Modelle, die Sie gratis bekommen2

Llama 3.3 70Bllama-3.3-70b
Qwen 3qwen3