--- title: "Własny hosting — który model o otwartych wagach zmieści się na tej maszynie · Undominated.ai" canonical: https://undominated.ai/pl/self-host/ description: "Na podstawie RAM-u i pamięci GPU porządkuje modele o otwartych wagach z katalogu, które faktycznie się mieszczą. Prowadzi jakość. Brak oceny to nie zero. Brakująca liczba parametrów to nie domysł." --- # Własny hosting — który model o otwartych wagach zmieści się na tej maszynie · Undominated.ai > Na podstawie RAM-u i pamięci GPU porządkuje modele o otwartych wagach z katalogu, które faktycznie się mieszczą. Prowadzi jakość. Brak oceny to nie zero. Brakująca liczba parametrów to nie domysł. # Własny hosting Wystarczy RAM i informacja, czy masz GPU. Reszta jest opcjonalna. Ranking to arytmetyka na udokumentowanych liczbach parametrów — to nie NVIDIA wybiera zwycięzcę. 25 wierszy katalogu oznaczonych jako otwarte wagi. Nic innego nie jest kandydatem. 25 z nich ma udokumentowaną liczbę parametrów. Reszta figuruje jako nieznana, a nie zgadnięta. 1 GiB zapasu na środowisko uruchomieniowe — podane, nie zmierzone na twojej maszynie. [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 systemowy GiB GPU Brak (CPU) NVIDIA AMD Apple Intel Pamięć GPU GiB Wymagane, chyba że podasz kartę z naszej listy. Apple: zostaw puste; pulą jest RAM. Nazwa GPU (opcjonalnie) Liczba GPU System operacyjny (opcjonalnie — tylko oprogramowanie) Pomiń Linux Windows macOS Kontekst do zaplanowania 4K 8K 16K 32K Pamięć podręczna KV rośnie wraz z nim. Nie zakładamy maksimum z karty modelu. 7 z 25 sprofilowanych modeli o otwartych wagach mieści się w 24 GiB (vram) przy kontekście 8192. Najlepiej oceniony, który się mieści: Gemma 4 31B (Q5_K_M). ** ** ** Wagi 21,106 GiB KV nieoszacowane Środowisko 1 GiB Zapas 1,9 GiB / 24 GiB VRAM as entered. Driver reservation is inside the 1 GiB overhead, not extra. 48 GiB podnosi kwantyzację modelu Gemma 4 31B do Q8_0. Ten sam model, a nie wyższy wynik inteligencji. ## Wśród modeli, które się mieszczą Najwyższe Elo LMArena wśród mieszczących się: Gemma 4 31B 1443,4. Elo to skala preferencji ludzi, a nie indeks inteligencji. 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. ## Oceniane modele, które się mieszczą | Model | Preferencje ludzi | Kwantyzacja, która się mieści | Szacowane GiB | Zapas | | --- | --- | --- | --- | --- | | [Gemma 4 31B](/models/google__gemma-4-31b-it/) wizja wideo rozumowanie narzędzia | 1443,4 | Q5_K_M | 22,106 | 1,894 | | [Qwen3.8 27B](/models/qwen__qwen3.8-27b/) wizja wideo rozumowanie narzędzia | 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. ## Mieszczą się, bez oceny - [Muse Glimmer 30B](/models/meta__muse-glimmer-30b/) — Q5_K_M, 21,756 GiB bez oceny wizja rozumowanie narzędzia - [Ministral 3 14B 2512](/models/mistralai__ministral-14b-2512/) — Q8_0, 17,019 GiB bez oceny wizja narzędzia - [Ministral 3 8B 2512](/models/mistralai__ministral-8b-2512/) — F16, 19,663 GiB bez oceny wizja narzędzia - [Ministral 3 3B 2512](/models/mistralai__ministral-3b-2512/) — F16, 9,413 GiB bez oceny wizja narzędzia ## Co naprawdę daje rozbudowa Wąskim gardłem jest pamięć GPU. Więcej RAM-u systemowego nie załaduje dodatkowych wag na tę kartę. | Szacowane GiB | Odblokowuje | Przykład | Cena katalogowa | | --- | --- | --- | --- | | 48 GiB | [Gemma 4 31B](/models/google__gemma-4-31b-it/) — Q8_0 ten sam model, wyższa kwantyzacja | rtx a6000, rtx 6000 ada, rtx pro 6000 blackwell | Brak ceny konsumenckiej w tym pliku | Kolejny lepiej oceniony model z katalogu to Kimi K3, a nawet Q4_K_M wymaga 1691,5 GiB. To nie jest karta desktopowa. 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. Rozbudowy korzystają z tego samego wzoru dopasowania co ranking. Ceny katalogowe to ceny „od” NVIDII, z dnia 2026-08-25. Ceny rynkowe bywają wyższe. Używane karty 24 GB i GPU serwerowe nie mają tu ceny katalogowej. Moduły RAM nie są wyceniane. ## Nie mieszczą się lub nie są sprofilowane - 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 ## Dodatkowe szczegóły (opcjonalnie) Nie zmienia rankingu. Opcjonalna analiza AI twoich notatek w zestawieniu z powyższymi liczbami, przy użyciu najmocniejszych modeli NVIDIA NIM. Przeanalizuj z AI ## Jak powstaje ta liczba Wagi: zmierzony rozmiar GGUF, gdy go mamy, w przeciwnym razie łączna liczba parametrów × bity na wagę ÷ 8. Q4_K_M traktujemy jako 4,83 bita na parametr. Pamięć modeli MoE liczy się z parametrów łącznych, nie aktywnych. Pamięć podręczna KV, gdy geometria warstw i głowic jest udokumentowana: 2 × kvLayers × kvHeads × headDim × kontekst × 2 bajty (FP16, wsad 1). Modele hybrydowe używają liczby warstw uwagi, a nie wszystkich warstw. Przy braku geometrii pamięć podręczna jest pomijana i jest to zaznaczone. Dodaje się 1 GiB na CUDA i środowisko uruchomieniowe. Pamięć zunifikowana Apple używa RAM-u jako puli. Sam CPU to dopasowanie pamięci, a nie obietnica prędkości. Generacja DDR jest pomijana przy dopasowaniu — zmienia przepustowość, a nie to, czy wagi mieszczą się w pamięci. Kandydatami są wyłącznie wiersze katalogu z openWeights=true. Takich wierszy jest 25; 25 ma udokumentowane rozmiary. Mieszczące się modele bez oceny są wypisane osobno. Wyższy wynik nie oznacza zamiennika wprost. Typ RAM-u (DDR4/DDR5/LPDDR) nie jest polem. Nie zmienia tego, czy model się mieści. ## Continue your investigation - [Inspect open-weight models · English](/open-weights/) - [Compare model variants · English](/families/) - [Review requirements · English](/compare/) - [Find serving tools · English](/tools/)