#1Alibaba · China
Qwen 3.5 14B Instruct
Apache 2.0 · 2025
Score
90/100
Moderate (~20–50 tok/s)
ollama run qwen3.5:14b-instruct-q8_0Picker · Selettore consapevole dell'hardware
Quale modello AI può eseguire davvero il tuo computer?
Modelli AI diversi richiedono quantità diverse di memoria. Un modello piccolo sta su un telefono, uno di classe frontier richiede una workstation. Dicci che hardware hai e cosa vuoi farci, e lo strumento ti suggerirà le opzioni migliori che gireranno davvero sulla tua macchina. Il form si aggiorna mentre digiti. Nulla viene inviato a un server.
Nota: le etichette del form e i risultati sono al momento in inglese. La logica e i comandi funzionano identici.
Come trovo le mie specifiche?
Su Mac: menu Apple → Informazioni su questo Mac. Il numero accanto a "Memoria" è la tua memoria unificata. Nel form scegli "Apple Silicon".
Su Windows con GPU NVIDIA: apri Gestione attività → Prestazioni → GPU. Il numero accanto a "Memoria GPU dedicata" è la tua VRAM. Nel form scegli "NVIDIA GPU".
Su Windows o Linux senza GPU dedicata: scegli "CPU only" e inserisci la RAM di sistema. L'AI girerà lentamente, ma girerà.
Find it under Apple menu → About This Mac → Memory. Common configurations: 8, 16, 24, 32, 48, 64, 96, 128, 192 GB.
Available memory for the model: 26.0 GB
Computed from your specs minus a reasonable system overhead. Models that exceed this with a 15% safety margin are excluded from the recommendations.
Recommended models
6 options ranked by use-case fit and headroom.
#2Google · United States
Gemma 4 9B Instruct
Gemma Terms of Use · 2026
Score
90/100
Fast (~50+ tok/s on a single user)
Strong Apple Silicon performance via MLX. Long context (128k) makes it the better choice over Gemma 2 9B.
ollama run gemma4:9b-instruct-q8_0#3Google · United States
Gemma 4 27B Instruct
Gemma Terms of Use · 2026
Score
89/100
Moderate (~20–50 tok/s)
Excellent general-purpose model at workstation scale. 128k context, MLX-friendly on Apple Silicon.
ollama run gemma4:27b-instruct-q5_k_m#4Microsoft · United States
Phi-4 14B
MIT · 2025
Score
85/100
Moderate (~20–50 tok/s)
Strong reasoning per parameter, weak long-context (training ctx ~16k).
ollama run phi4:14b-q8_0#5Alibaba · China
Qwen 3.5 32B Instruct
Apache 2.0 · 2025
Score
84/100
Moderate (~20–50 tok/s)
ollama run qwen3.5:32b-instruct-q4_k_m#6Microsoft · United States
Phi-4 3.8B Mini
MIT · 2025
Score
80/100
Fast (~50+ tok/s on a single user)
ollama run phi4-mini:3.8b-q8_04 models excluded
- Llama 3.3 70B Instruct — Smallest quant (42 GB) exceeds available memory (26.0 GB).
- Mistral Medium 3.5 ~70B class — Smallest quant (42 GB) exceeds available memory (26.0 GB).
- Llama 4 Scout (109B MoE, 17B active) — Smallest quant (65 GB) exceeds available memory (26.0 GB).
- DeepSeek V4 Flash (MoE, distilled) — Smallest quant (54 GB) exceeds available memory (26.0 GB).
Come decide lo strumento
Ogni modello del catalogo è associato a stime di memoria realistiche per quantizzazione (Q4_K_M, Q5_K_M, Q8_0) a un contesto moderato di 8k token. Il selettore calcola la tua memoria utilizzabile sottraendo un piccolo overhead di sistema, poi richiede che il modello scelto ci stia con un margine di sicurezza del 15%. Tutto ciò che non ci sta finisce nella lista degli esclusi sotto i risultati, con la ragione scritta per esteso. La classifica che segue pesa soprattutto l'adeguatezza al caso d'uso, poi la qualità della quantizzazione scelta, poi la freschezza del rilascio.
Le stime di memoria sono arrotondate per chiarezza. L'uso reale dipende dalla lunghezza del contesto e dal motore di inferenza che usi. Se un modello è al limite, provalo prima con un contesto più corto.