--- title: "Self-hosting — quale modello a pesi aperti sta su questa macchina · Undominated.ai" canonical: https://undominated.ai/it/self-host/ description: "A partire da RAM e memoria GPU, ordina i modelli a pesi aperti del catalogo che ci stanno davvero. Comanda la qualità. Non valutato non è zero. Un conteggio di parametri assente non è una supposizione." --- # Self-hosting — quale modello a pesi aperti sta su questa macchina · Undominated.ai > A partire da RAM e memoria GPU, ordina i modelli a pesi aperti del catalogo che ci stanno davvero. Comanda la qualità. Non valutato non è zero. Un conteggio di parametri assente non è una supposizione. # Self-hosting Bastano la RAM e sapere se hai una GPU. Tutto il resto è facoltativo. La classifica è aritmetica su conteggi di parametri con fonte: NVIDIA non sceglie il vincitore. 25 righe del catalogo contrassegnate come pesi aperti. Nient’altro è candidato. 25 di queste hanno un conteggio di parametri con fonte. Le altre risultano sconosciute, non indovinate. 1 GiB di margine di esecuzione, dichiarato, non misurato sulla tua macchina. [CPU 16 GiB](/self-host/cpu-16gb/)[8 GiB GPU](/self-host/8gb/)[10 GiB GPU](/self-host/10gb/)[12 GiB GPU](/self-host/12gb/)[16 GiB GPU](/self-host/16gb/)[20 GiB GPU](/self-host/20gb/)[24 GiB GPU](/self-host/24gb/)[32 GiB GPU](/self-host/32gb/)[40 GiB GPU](/self-host/40gb/)[48 GiB GPU](/self-host/48gb/)[80 GiB GPU](/self-host/80gb/)[94 GiB GPU](/self-host/94gb/)[96 GiB GPU](/self-host/96gb/)[192 GiB GPU](/self-host/192gb/) [RTX 5090](/self-host/rtx-5090/)[RTX 5080](/self-host/rtx-5080/)[RTX 5070 Ti](/self-host/rtx-5070-ti/)[RTX 5070](/self-host/rtx-5070/)[RTX 5060 Ti 16](/self-host/rtx-5060-ti-16/)[RTX 5060 Ti 8](/self-host/rtx-5060-ti-8/)[RTX 5060](/self-host/rtx-5060/)[RTX 5050](/self-host/rtx-5050/)[RTX 4090](/self-host/rtx-4090/)[RTX 4080](/self-host/rtx-4080/)[RTX 4070 Ti](/self-host/rtx-4070-ti/)[RTX 4070](/self-host/rtx-4070/)[RTX 4060 Ti 16](/self-host/rtx-4060-ti-16/)[RTX 4060 Ti 8](/self-host/rtx-4060-ti-8/)[RTX 4060](/self-host/rtx-4060/)[RTX 3090](/self-host/rtx-3090/)[RTX 3080 Ti](/self-host/rtx-3080-ti/)[RTX 3080 12](/self-host/rtx-3080-12/)[RTX 3080](/self-host/rtx-3080/)[RTX 3070 Ti](/self-host/rtx-3070-ti/)[RTX 3070](/self-host/rtx-3070/)[RTX 3060 Ti](/self-host/rtx-3060-ti/)[RTX 3060 8](/self-host/rtx-3060-8/)[RTX 3060](/self-host/rtx-3060/)[RTX A6000](/self-host/rtx-a6000/)[RTX A5000](/self-host/rtx-a5000/)[RTX A4000](/self-host/rtx-a4000/)[RTX 6000 ADA](/self-host/rtx-6000-ada/)[RTX 5000 ADA](/self-host/rtx-5000-ada/)[RTX PRO 6000 Blackwell](/self-host/rtx-pro-6000-blackwell/)[RTX PRO 5000 Blackwell](/self-host/rtx-pro-5000-blackwell/)[A100 80](/self-host/a100-80/)[A100 40](/self-host/a100-40/)[H100 NVL](/self-host/h100-nvl/)[H100](/self-host/h100/)[L40S](/self-host/l40s/)[T4](/self-host/t4/)[RX 7900 XTX](/self-host/rx-7900-xtx/)[RX 7900 XT](/self-host/rx-7900-xt/)[RX 6900 XT](/self-host/rx-6900-xt/)[RX 6800 XT](/self-host/rx-6800-xt/)[MI300X](/self-host/mi300x/) RAM di sistema GiB GPU Nessuna (CPU) NVIDIA AMD Apple Intel Memoria GPU GiB Obbligatorio, salvo che indichi una scheda presente nel nostro elenco. Apple: lascia vuoto; la RAM è il pool. Nome della GPU (facoltativo) Numero di GPU Sistema operativo (facoltativo — solo software) Salta Linux Windows macOS Contesto da prevedere 4K 8K 16K 32K La cache KV cresce con questo valore. Non diamo per scontato il massimo della scheda del modello. 7 su 25 modelli a pesi aperti profilati stanno in 24 GiB (vram) con contesto 8192. Il migliore valutato che ci sta: Gemma 4 31B (Q5_K_M). ** ** ** Pesi 21,106 GiB KV non stimata Runtime 1 GiB Margine 1,9 GiB / 24 GiB VRAM as entered. Driver reservation is inside the 1 GiB overhead, not extra. 48 GiB porta la quantizzazione di Gemma 4 31B a Q8_0. Stesso modello, non un punteggio di intelligenza più alto. ## Tra i modelli che ci stanno Elo LMArena più alto tra quelli che ci stanno: Gemma 4 31B 1443,4. L’Elo è una scala di preferenza umana, non l’indice di intelligenza. The arena boards are separate scales and are never blended. A missing cell is unmeasured, not zero. A model’s highest axis is relative to its own scores, not a claim it leads the catalogue. ## Modelli valutati che ci stanno | Modello | Preferenza umana | Quantizzazione che ci sta | GiB stimati | Margine | | --- | --- | --- | --- | --- | | [Gemma 4 31B](/models/google__gemma-4-31b-it/) visione video ragionamento strumenti | 1443,4 | Q5_K_M | 22,106 | 1,894 | | [Qwen3.8 27B](/models/qwen__qwen3.8-27b/) visione video ragionamento strumenti | 1440,7 | Q5_K_M | 20,063 | 3,938 | | [Phi 4](/models/microsoft__phi-4/) | 1216,7 | Q8_0 | 17,438 | 6,563 | - KV heads and head dim are not in the public size table we used. Cache is not estimated. - KV cache not estimated — layer/head geometry is not in the sourced profile. Longer context may not fit. ## Ci stanno, non valutati - [Muse Glimmer 30B](/models/meta__muse-glimmer-30b/) — Q5_K_M, 21,756 GiB non valutato visione ragionamento strumenti - [Ministral 3 14B 2512](/models/mistralai__ministral-14b-2512/) — Q8_0, 17,019 GiB non valutato visione strumenti - [Ministral 3 8B 2512](/models/mistralai__ministral-8b-2512/) — F16, 19,663 GiB non valutato visione strumenti - [Ministral 3 3B 2512](/models/mistralai__ministral-3b-2512/) — F16, 9,413 GiB non valutato visione strumenti ## Cosa compra davvero un aggiornamento Il collo di bottiglia è la memoria GPU. Più RAM di sistema non caricherà altri pesi su questa scheda. | GiB stimati | Sblocca | Esempio | Prezzo di listino | | --- | --- | --- | --- | | 48 GiB | [Gemma 4 31B](/models/google__gemma-4-31b-it/) — Q8_0 stesso modello, quantizzazione superiore | rtx a6000, rtx 6000 ada, rtx pro 6000 blackwell | Nessun listino consumer in questo file | Il modello di catalogo subito meglio valutato è Kimi K3, e persino Q4_K_M richiede 1691,5 GiB. Non è una scheda da desktop. NVIDIA 'Starting at' list prices as published 2026-08-25, not a store quote and not a used-market index. Street prices in August 2026 are often much higher (Tom's Hardware Newegg median RTX 5090 $4,699 vs $1,999 list). Last-gen 24 GB cards (4090, 3090) have no current NVIDIA starting-at in this file. Datacenter cards have no consumer list here. RAM DIMMs are not priced — they move weekly. Gli aggiornamenti usano la stessa formula di adattamento della classifica. I prezzi di listino sono gli «a partire da» di NVIDIA, datati 2026-08-25. I prezzi reali sono spesso più alti. Le schede da 24 GB usate e le GPU da datacenter non hanno listino qui. I moduli di RAM non sono quotati. ## Non ci stanno, o non profilati - cohere/command-a-plus — even Q4_K_M wants 132.618 GiB; pool is 24 GiB - deepseek/deepseek-v4-flash-vision-exp — even Q4_K_M wants 184.902 GiB; pool is 24 GiB - z-ai/glm-5.3 — even Q4_K_M wants 455.624 GiB; pool is 24 GiB - qwen/qwen3.8-2.4t-a95b — even Q4_K_M wants 1450.719 GiB; pool is 24 GiB - moonshotai/kimi-k3 — even Q4_K_M wants 1691.5 GiB; pool is 24 GiB - z-ai/glm-5.2 — even Q4_K_M wants 455.624 GiB; pool is 24 GiB - moonshotai/kimi-k2.7-code — even Q4_K_M wants 604.75 GiB; pool is 24 GiB - nvidia/nemotron-3-ultra-550b-a55b — even Q4_K_M wants 333.063 GiB; pool is 24 GiB - minimax/minimax-m3 — even Q4_K_M wants 259.405 GiB; pool is 24 GiB - deepseek/deepseek-v4-pro — even Q4_K_M wants 967 GiB; pool is 24 GiB - deepseek/deepseek-v4-flash — even Q4_K_M wants 172.465 GiB; pool is 24 GiB - mistralai/mistral-small-2603 — even Q4_K_M wants 73.2 GiB; pool is 24 GiB - mistralai/mistral-large-2512 — even Q4_K_M wants 408.531 GiB; pool is 24 GiB - deepseek/deepseek-v3.2 — even Q4_K_M wants 406.116 GiB; pool is 24 GiB - openai/gpt-oss-120b — even Q4_K_M wants 72.201 GiB; pool is 24 GiB - meta-llama/llama-4-maverick — even Q4_K_M wants 242.5 GiB; pool is 24 GiB - meta-llama/llama-4-scout — even Q4_K_M wants 66.809 GiB; pool is 24 GiB - cohere/command-a — even Q4_K_M wants 68.016 GiB; pool is 24 GiB ## Dettagli aggiuntivi (facoltativo) Non cambia la classifica. Analisi facoltativa con IA delle tue note rispetto ai numeri qui sopra, usando i modelli più potenti di NVIDIA NIM. Analizza con l’IA ## Come si ottiene il numero Pesi: la dimensione GGUF misurata quando la abbiamo, altrimenti parametri totali × bit per peso ÷ 8. Q4_K_M è trattato come 4,83 bit per parametro. La memoria dei MoE usa i parametri totali, non quelli attivi. Cache KV, quando la geometria di livelli e teste ha una fonte: 2 × kvLayers × kvHeads × headDim × contesto × 2 byte (FP16, batch 1). I modelli ibridi usano il numero di livelli di attenzione, non tutti i livelli. Se manca la geometria, la cache viene omessa e lo si dichiara. Si aggiungono 1 GiB per CUDA e il runtime. La memoria unificata di Apple usa la RAM come pool. Solo CPU è un adattamento di memoria, non una promessa di velocità. La generazione di DDR è ignorata ai fini dell’adattamento: cambia la banda, non se i pesi stanno in memoria. Solo le righe di catalogo con openWeights=true sono candidate. Esistono 25 righe di questo tipo; 25 hanno dimensioni con fonte. I modelli non valutati che ci stanno sono elencati a parte. Un punteggio più alto non significa una sostituzione diretta. Il tipo di RAM (DDR4/DDR5/LPDDR) non è un campo. Non cambia se un modello ci sta. ## Continue your investigation - [Inspect open-weight models · English](/open-weights/) - [Compare model variants · English](/families/) - [Review requirements · English](/compare/) - [Find serving tools · English](/tools/)