--- title: "Kendi sunucunda barındırma — bu makineye hangi açık ağırlıklı model sığar · Undominated.ai" canonical: https://undominated.ai/tr/self-host/ description: "RAM ve GPU belleğinden yola çıkarak katalogdaki açık ağırlıklı modellerden gerçekten sığanları sıralar. Kalite önde gelir. Puanlanmamış sıfır değildir. Eksik parametre sayısı bir tahmin değildir." --- # Kendi sunucunda barındırma — bu makineye hangi açık ağırlıklı model sığar · Undominated.ai > RAM ve GPU belleğinden yola çıkarak katalogdaki açık ağırlıklı modellerden gerçekten sığanları sıralar. Kalite önde gelir. Puanlanmamış sıfır değildir. Eksik parametre sayısı bir tahmin değildir. # Kendi sunucunda barındırma RAM ve GPU’nuz olup olmadığı yeterlidir. Gerisi isteğe bağlıdır. Sıralama, kaynağı belirtilmiş parametre sayıları üzerindeki aritmetiktir — kazananı NVIDIA seçmez. 25 katalog satırı açık ağırlıklı olarak işaretli. Başka hiçbir şey aday değil. 25 tanesinin parametre sayısı kaynaklı. Geri kalanı tahmin edilmiş değil, bilinmiyor olarak listelenir. 1 GiB çalışma payı; belirtilmiştir, makinenizde ölçülmemiştir. [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/) Sistem RAM’i GiB GPU Yok (CPU) NVIDIA AMD Apple Intel GPU belleği GiB Listemizde yer alan bir kartı belirtmediyseniz zorunludur. Apple: boş bırakın; havuz RAM’dir. GPU adı (isteğe bağlı) GPU sayısı İşletim sistemi (isteğe bağlı — yalnızca yazılım) Atla Linux Windows macOS Ayrılacak bağlam 4K 8K 16K 32K KV önbelleği bununla birlikte büyür. Model kartındaki azami değeri varsaymayız. 25 profillenmiş açık ağırlıklı modelden 7 tanesi 8192 bağlamında 24 GiB (vram) içine sığıyor. Sığanlar arasında en iyi puanlı: Gemma 4 31B (Q5_K_M). ** ** ** Ağırlıklar 21,106 GiB KV kestirilmedi Çalışma zamanı 1 GiB Pay 1,9 GiB / 24 GiB VRAM as entered. Driver reservation is inside the 1 GiB overhead, not extra. 48 GiB, Gemma 4 31B modelinin nicelemesini Q8_0 düzeyine çıkarır. Aynı model; daha yüksek bir zekâ puanı değil. ## Sığan modeller arasında Sığanlar arasında en yüksek LMArena Elo: Gemma 4 31B 1443,4. Elo bir insan tercihi ölçeğidir, zekâ endeksi değildir. 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. ## Sığan puanlanmış modeller | Model | İnsan tercihi | Sığan niceleme | Tahmini GiB | Pay | | --- | --- | --- | --- | --- | | [Gemma 4 31B](/models/google__gemma-4-31b-it/) görü video akıl yürütme araçlar | 1443,4 | Q5_K_M | 22,106 | 1,894 | | [Qwen3.8 27B](/models/qwen__qwen3.8-27b/) görü video akıl yürütme araçlar | 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. ## Sığıyor, puanlanmamış - [Muse Glimmer 30B](/models/meta__muse-glimmer-30b/) — Q5_K_M, 21,756 GiB puanlanmamış görü akıl yürütme araçlar - [Ministral 3 14B 2512](/models/mistralai__ministral-14b-2512/) — Q8_0, 17,019 GiB puanlanmamış görü araçlar - [Ministral 3 8B 2512](/models/mistralai__ministral-8b-2512/) — F16, 19,663 GiB puanlanmamış görü araçlar - [Ministral 3 3B 2512](/models/mistralai__ministral-3b-2512/) — F16, 9,413 GiB puanlanmamış görü araçlar ## Yükseltme aslında ne kazandırır Darboğaz GPU belleğidir. Daha fazla sistem RAM’i bu karta ek ağırlık yüklemez. | Tahmini GiB | Şunu açar | Örnek | Liste fiyatı | | --- | --- | --- | --- | | 48 GiB | [Gemma 4 31B](/models/google__gemma-4-31b-it/) — Q8_0 aynı model, daha yüksek niceleme | rtx a6000, rtx 6000 ada, rtx pro 6000 blackwell | Bu dosyada tüketici listesi yok | Katalogda bir üst puanlı model Kimi K3 ve Q4_K_M düzeyinde bile 1691,5 GiB istiyor. Bu bir masaüstü kartı değil. 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. Yükseltmeler sıralamayla aynı sığdırma formülünü kullanır. Liste fiyatları NVIDIA’nın 2026-08-25 tarihli “başlangıç” fiyatlarıdır. Piyasa fiyatları çoğu zaman daha yüksektir. İkinci el 24 GB kartların ve veri merkezi GPU’larının burada liste fiyatı yoktur. RAM modülleri fiyatlandırılmaz. ## Sığmıyor veya profillenmemiş - 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 ## Ek ayrıntılar (isteğe bağlı) Sıralamayı değiştirmez. NVIDIA NIM’in en güçlü modellerini kullanarak notlarınızın yukarıdaki sayılarla karşılaştırıldığı isteğe bağlı yapay zekâ çözümlemesi. Yapay zekâ ile çözümle ## Bu sayı nasıl bulunuyor Ağırlıklar: elimizde varsa ölçülmüş GGUF boyutu, yoksa toplam parametre × ağırlık başına bit ÷ 8. Q4_K_M parametre başına 4,83 bit sayılır. MoE belleği etkin parametreleri değil, toplam parametreleri kullanır. KV önbelleği, katman ve başlık geometrisi kaynaklıysa: 2 × kvLayers × kvHeads × headDim × bağlam × 2 bayt (FP16, yığın 1). Melez modeller her katmanı değil, dikkat katmanı sayısını kullanır. Geometri eksikse önbellek dışarıda bırakılır ve bu belirtilir. CUDA ve çalışma zamanı için 1 GiB eklenir. Apple’ın birleşik belleği havuz olarak RAM’i kullanır. Yalnızca CPU bir bellek uyumudur, hız iddiası değildir. DDR kuşağı uyum hesabında yok sayılır — bant genişliğini değiştirir, ağırlıkların belleğe sığıp sığmadığını değil. Yalnızca openWeights=true olan katalog satırları adaydır. Bu tür 25 satır var; 25 tanesinin boyutu kaynaklı. Sığan puanlanmamış modeller ayrıca listelenir. Daha yüksek puan, doğrudan yerine geçme anlamına gelmez. RAM türü (DDR4/DDR5/LPDDR) bir alan değildir. Bir modelin sığıp sığmadığını değiştirmez. ## Continue your investigation - [Inspect open-weight models · English](/open-weights/) - [Compare model variants · English](/families/) - [Review requirements · English](/compare/) - [Find serving tools · English](/tools/)