Türkiye (Türkçe)
Almanya (German)
Worldwide (English)
Qwen-Image-2512 ve Z-Image-Turbo özellikle yazı üretimi için incelenmeli. Qwen ailesi karmaşık text rendering ve düzenlemede, Z-Image ise 16 GB tüketici sınıfında fotogerçekçilik ve EN/Çince metinde öne çıkıyor.
Halkalı merkez mahallesi fatih cd ozgur apt no 46 , Küçükçekmece , İstanbul , 34303 , TR
64 GB RAM ile Qwen3.5 35B, 70B Q4 sınıfı modeller, CPU inference, GPU offload ve unified memory farklarını teknik olarak inceleyin.
64 GB RAM, 20-35B modelleri rahat barındırır ve yaklaşık 70B Q4 ağırlıklarını da mümkün kılabilir. Ancak klasik DDR sistem RAM'de modelin sığması, hızlı çalışacağı anlamına gelmez; GPU VRAM veya yüksek bant genişlikli birleşik bellek büyük fark yaratır.
Önemli: model dosyası boyutu tek başına yeterli değildir. KV cache, context, vision encoder, runtime çalışma alanı ve eşzamanlı istekler ek bellek tüketir.
64 GB sistem RAM için 'çalışır' ifadesini üçe ayırıyoruz: modelin ağırlıkları tamamen hızlandırıcı belleğinde kalabiliyorsa rahat; bir miktar offload veya düşük context gerekiyorsa sınırda; model donanımın belleğinin belirgin biçimde üzerindeyse doğal hedef değil.
Benchmark sonuçları farklı backend, sürücü, quantization, prompt uzunluğu, batch ve güç limitiyle değişir. Bu sayfada resmî model kartı/Ollama dosya boyutu ile YouTube veya topluluk cihaz testleri birbirinden ayrı etiketlenmiştir; topluluk ölçümü garanti edilen ürün performansı olarak sunulmaz.
| Model | Boyut / bellek | İş yükü | Durum | Teknik değerlendirme |
|---|---|---|---|---|
| Qwen3.5 27B Q4_K_M | 17 GB | LLM · Vision · Kod | Rahat | 24 GB sınıfında güçlü genel/kodlama seçeneği; uzun bağlam ayrıca bellek tüketir. |
| Qwen3.5 35B-A3B Q4 | 24 GB | MoE LLM · Vision | Rahat | 24 GB kart için ağırlık düzeyinde tavana dayanır; 32 GB sınıfı daha güvenli. |
| gpt-oss-20b | 16 GB bellek hedefi | Reasoning · Agent · Kod | Rahat | OpenAI resmi olarak 16 GB bellekte çalışabildiğini belirtiyor; bağlam ve backend ek yükü ayrıca değerlendirilir. |
| Gemma 4 31B | 31B sınıfı | Dense LLM · Vision · Kod | Sınırda / ayar gerekir | 24-32 GB üstü quantization planı gerektirir; bağlam büyüdükçe ek VRAM tüketir. |
| gpt-oss-120b | 80 GB bellek hedefi | Reasoning · Agent | Bu donanım için doğal hedef değil | OpenAI MXFP4 ile 80 GB bellek hedefi veriyor; tipik oyuncu GPU'ları için sistem RAM/offload gerekir. |
Büyük coding/reasoning modellerinde 64 GB RAM offload kapasitesi sağlar; tek 8 GB GPU ile çok katman CPU'da kalırsa token hızı düşebilir.
64 GB sistem RAM üzerinde vision/multimodal modellerde yalnız ağırlık boyutuna değil görsel encoder belleğine ve context uzunluğuna da bakılmalıdır. Qwen3.5 ve Gemma 4 gibi güncel ailelerde görüntü girişi desteklenebilir; yüksek çözünürlüklü çoklu görsel istekleri aynı metin modelinden daha fazla bellek tüketebilir.
64 GB RAM büyük image checkpoint'lerin offload'ında faydalıdır ama render throughput'u GPU VRAM/bant genişliğine bağlı kalır.
Video üretiminde sistem RAM'i 64 GB yapmak pipeline kararlılığını artırabilir; büyük diffusion transformer'ın GPU'da ne kadar tutulabildiği yine belirleyicidir.
64 GB RAM için Q4/INT4 quantization çoğu zaman kapasiteyi belirleyen ana araçtır. Model ağırlıkları belleğe sığsa bile KV cache ve runtime için güvenli pay bırakılmalıdır. CPU/system RAM offload modeli çalıştırabilir, ancak PCIe veya sistem belleği bant genişliği nedeniyle tam GPU-resident inference kadar hızlı olmayabilir.
Aşağıdaki Intelligence skoru local.ai tarafından τ²-bench, GAIA ve GDPval bileşimiyle hesaplanıyor. Bu sıralama model kalitesine yönelik bir referanstır; modelin sizin VRAM/RAM kapasitenize sığdığını göstermez. Bu yüzden bu tabloda kaliteyi, yukarıdaki uyumluluk tablosunda ise gerçek bellek sınırını ayrı ele alıyoruz.
| Model | Geliştirici | Intelligence | Rol | Donanım notu |
|---|---|---|---|---|
| Step 3.7 Flash | StepFun | 78,8 | Genel zekâ / reasoning | local.ai Intelligence lideri; skor donanım uyumluluğu anlamına gelmez. |
| DeepSeek V4 Flash 0731 | DeepSeek | 77,5 | Genel / reasoning / kod | Çok büyük model sınıfı; tüketici GPU'suna sırf 'Flash' adına bakarak uygun kabul edilmemeli. |
| Qwen3.6 27B | Qwen / Alibaba | 76,5 | Genel / coding / multimodal | 27B sınıfı güncel kalite referansı; checkpoint ve quantization boyutu ayrıca doğrulanmalı. |
| Qwen3.6 35B-A3B | Qwen / Alibaba | 74,9 | MoE / agent / multimodal | Aktif parametre düşük olsa da model ağırlıklarının bellek yerleşimi ayrıca hesaplanır. |
| Gemma 4 31B IT | 66,2 | Multimodal / coding / reasoning | Yerel kullanımda quantization ve context VRAM ihtiyacını belirler. | |
| Nemotron 3.5 Lightning | NVIDIA | 65,5 | Agent / reasoning | 30B-A3B sınıfı güncel NVIDIA yerel/agent modeli. |
| Qwen3.5 9B Base | Qwen / Alibaba | 59,3 | Küçük-orta local LLM | Ollama Q4 6,6 GB sınıfı nedeniyle 8 GB donanımlarda pratik önemi yüksek. |
| gpt-oss-20b | OpenAI | 43,3 | Reasoning / agent / coding | OpenAI resmi minimumu 16 GB bellek; benchmark skoru tek başına model seçimi değildir. |
local.ai metodolojisi: Intelligence = %10 τ²-bench + %35 GAIA + %55 GDPval. Decode/prefill ölçümleri 32K soğuk context ve tek stream üzerinde raporlanır. Skorlar ve model sürümleri zamanla değişebilir.
| Tür | Model | Bellek referansı | Öne çıktığı alan | Model kartı |
|---|---|---|---|---|
| Görsel | FLUX.2 Klein 4B | ~13 GB VRAM | Hızlı yerel üretim, düzenleme, multi-reference | Hugging Face ↗ |
| Görsel | Z-Image-Turbo 6B | 16 GB tüketici sınıfı | Fotogerçekçilik, EN/Çince metin, 8 NFE | Hugging Face ↗ |
| Görsel | Qwen-Image-2512 | 20B model ailesi | Metin doğruluğu, layout, multimodal entegrasyon | Hugging Face ↗ |
| Video | Wan2.2 TI2V-5B | 4090 resmi tüketici örneği | T2V + I2V, 720p, 24 fps | Hugging Face ↗ |
| Video | Motif-Video-2B | 2B sınıfı | Üretici değerlendirmesinde VBench toplam 83,76 | Hugging Face ↗ |
| Video + Ses | LTX-2.5 | Checkpoint/precision'a göre | Açık ağırlık, yerel çalıştırma, senkron video + ses | Hugging Face ↗ |
| Video + Ses | MiniMax H3 | 33B sınıfı | 2K'ya kadar, 15 sn'ye kadar, native stereo audio; lisansı ticari kullanım öncesi okunmalı | Hugging Face ↗ |
Qwen-Image-2512 ve Z-Image-Turbo özellikle yazı üretimi için incelenmeli. Qwen ailesi karmaşık text rendering ve düzenlemede, Z-Image ise 16 GB tüketici sınıfında fotogerçekçilik ve EN/Çince metinde öne çıkıyor.
FLUX.2 Klein 4B için resmî yaklaşık 13 GB VRAM hedefi var. 16 GB kartlar burada 8 GB kartlara göre doğrudan farklı bir sınıfa geçiyor.
Wan2.2 5B olgun 720p/24 fps referansı; Motif-Video-2B daha küçük araştırma seçeneği; LTX-2.5 senkron ses-video; MiniMax H3 ise çok daha ağır 33B omni-modal sınıf. “En yeni” ile “donanımınıza en uygun” aynı şey değildir.
| Model | Ölçüm / veri | Kaynak türü | Ne gösteriyor? |
|---|---|---|---|
| Qwen3.5 35B-A3B Q4 | 24 GB | Ollama | 64 GB RAM'de rahat kapasite |
| 70B Q4 ağırlık hesabı | ~35-45 GB+ | Quantization hesabı | KV/context nedeniyle 48-64 GB planlanır |
| gpt-oss-120b | 80 GB minimum | OpenAI | 64 GB'a doğal olarak sığmaz |
Benchmark sonuçları farklı backend, sürücü, quantization, prompt uzunluğu, batch ve güç limitiyle değişir. Bu sayfada resmî model kartı/Ollama dosya boyutu ile YouTube veya topluluk cihaz testleri birbirinden ayrı etiketlenmiştir; topluluk ölçümü garanti edilen ürün performansı olarak sunulmaz.
Evet; ancak doğru model 64 GB RAM sınırına göre seçilmelidir. Tablodaki 'rahat' modeller başlangıç için en güvenli gruptur.
Hayır. KV cache, context, runtime alanı, GPU mimarisi, bellek bant genişliği ve laptoplarda TGP/soğutma hızı değiştirir.
VRAM sınırlıysa Q4 çoğu zaman daha fazla context ve tamamen GPU'da çalışma avantajı sağlar. Q8 kalite kazanımı göreve göre değişir ve iki kata yakın ağırlık belleği isteyebilir.
Hayır. Sistem RAM'i offload alanı sağlar; ayrık GPU'nun VRAM kapasitesini büyütmez. Unified-memory cihazlar ayrı mimaridir.
Ollama esas olarak LLM/vision inference içindir. FLUX, Z-Image veya Qwen-Image için ComfyUI/Diffusers gibi üretim araçları kullanılır.
Sadece parametre sayısına değil model kartındaki çözünürlük, frame, precision ve donanım gereksinimine bakın. Wan2.2 TI2V-5B resmi olarak 4090 sınıfını örnek verir.
Model ara sıra kullanılacaksa evet; sürekli interaktif kullanımda ciddi yavaşlama varsa daha büyük VRAM'li GPU daha doğru olur.
Modelin ilan edilen maksimum context'i hedef değildir. Gerçek ihtiyacınız kadar context kullanın; uzun context KV cache'i büyütür ve belleği tüketir.
Modelinizin gerçek checkpoint boyutunu, context hedefini ve eşzamanlı kullanıcı sayısını iletin; VRAM/RAM hesabını birlikte çıkaralım.