{"id":284783,"date":"2026-07-30T14:36:57","date_gmt":"2026-07-30T12:36:57","guid":{"rendered":"https:\/\/www.ifun.de\/?p=284783"},"modified":"2026-07-30T14:43:42","modified_gmt":"2026-07-30T12:43:42","slug":"lokale-ki-turbofieldfare-bringt-gemma-4-auch-auf-das-macbook-neo","status":"publish","type":"post","link":"https:\/\/www.ifun.de\/lokale-ki-turbofieldfare-bringt-gemma-4-auch-auf-das-macbook-neo-284783\/","title":{"rendered":"Lokale KI: Freie App bringt Googles Gemma 4 auch auf das MacBook Neo"},"content":{"rendered":"

Mit TurboFieldfare<\/a> steht ein neues Open-Source-Projekt bereit, das ein gro\u00dfes Sprachmodell auf vergleichsweise knapp ausgestatteten Macs ausf\u00fchrt. Die speziell f\u00fcr Apple-Prozessoren entwickelte Laufzeitumgebung soll Gemma 4 26B-A4B<\/a> mit rund zwei Gigabyte Arbeitsspeicher betreiben k\u00f6nnen.<\/p>\n

\"Gemma<\/a><\/p>\n

Das Projekt stammt vom iOS- und Metal-Entwickler Andrey Mikhaylov. Die Anwendung, die Kommandozeilenwerkzeuge und die eigentliche Rechenumgebung wurden in Swift und Metal umgesetzt. TurboFieldfare setzt nicht auf bestehende L\u00f6sungen wie MLX oder llama.cpp, sondern ist gezielt auf das verwendete Gemma-Modell zugeschnitten.<\/p>\n

KI-Modellteile werden von der SSD nachgeladen<\/h2>\n

Die Modelldaten ben\u00f6tigen insgesamt rund 14,3 GB Speicherplatz. W\u00fcrden diese vollst\u00e4ndig in den Arbeitsspeicher geladen, w\u00e4re das Modell auf Macs mit 8 GB oder 16 GB RAM kaum sinnvoll nutzbar. Neben den KI-Komponenten ben\u00f6tigen schlie\u00dflich auch macOS, laufende Anwendungen und der Zwischenspeicher des Sprachmodells Platz.<\/p>\n

TurboFieldfare h\u00e4lt deshalb nur den gemeinsam genutzten Modellkern und den sogenannten KV-Cache dauerhaft im Arbeitsspeicher. Weitere Modellbereiche werden abh\u00e4ngig von der jeweiligen Berechnung von der SSD nachgeladen. Dabei handelt es sich um spezialisierte Teilnetze, von denen pro verarbeitetem Textbaustein nur eine Auswahl ben\u00f6tigt wird.<\/p>\n

\"Turbofieldfare<\/a><\/p>\n

Da SSD-Zugriffe deutlich langsamer als Zugriffe auf den Arbeitsspeicher sind, verwendet die Software einen kleinen Zwischenspeicher f\u00fcr h\u00e4ufig ben\u00f6tigte Modellteile. W\u00e4hrend neue Daten von der SSD gelesen werden, f\u00fchrt die Grafikeinheit bereits andere Berechnungen aus. Auf diese Weise lassen sich Teile der Wartezeit \u00fcberdecken.<\/p>\n

Spannender Ansatz mit praktischen Grenzen<\/h2>\n

Damit zeigt das Projekt vor allem, dass sich ein Modell dieser Gr\u00f6\u00dfenordnung \u00fcberhaupt auf einem Mac mit 8 GB RAM ausf\u00fchren l\u00e4sst. F\u00fcr l\u00e4ngere Texte oder eine schnelle Unterhaltung ist die Ausgabe auf den Basismodellen allerdings eher gem\u00e4chlich. Zudem h\u00e4ngt die Leistung stark von der Geschwindigkeit der internen SSD und dem verf\u00fcgbaren Dateicache ab.<\/p>\n

TurboFieldfare ist damit weniger als allgemeiner Ersatz f\u00fcr etablierte Laufzeitumgebungen wie MLX oder Ollama<\/a> zu verstehen. Auf Macs mit ausreichend Arbeitsspeicher bleiben diese L\u00f6sungen in der Regel flexibler und einfacher einzusetzen. Interessant ist TurboFieldfare vor allem als spezialisierter Ansatz f\u00fcr Ger\u00e4te, auf denen ein gro\u00dfes Modell sonst gar nicht oder nur mit erheblichen Einschr\u00e4nkungen laufen w\u00fcrde.<\/p>\n