Dein Modell, deine Wahl: Mit Bring Your Own Model entscheidest du, welche KI deine Charaktere antreibt und wo sie läuft – auf deinem Gerät oder bei einem Cloud-Anbieter. Hier findest du Empfehlungen und Orientierung für den Einstieg.
Das Modell ist das KI-System hinter deinem Charakter. Es formuliert die Antworten und prägt, wie natürlich sich ein Gespräch anfühlt, welches Wissen einfließt und wie schnell du eine Antwort bekommst.
Ein paar Begriffe helfen dir beim Vergleich. Klappe auf, was du genauer wissen möchtest:
Die Größe eines Modells wird meist als Anzahl seiner Parameter angegeben, oft auch Gewichte genannt. Vereinfacht kannst du sie dir wie die Stärke der Verbindungen zwischen Nervenzellen vorstellen. „B“ steht für Milliarden (billion), „T“ für Billionen (trillion).
Bei vergleichbar modernen Modellen können mehr Parameter mehr Wissen und ein besseres Sprachvermögen bedeuten – allerdings auch einen höheren Speicher- und Rechenbedarf. Die Größe allein sagt noch nicht alles: Bei MoE-Modellen kommt es beispielsweise auf das Zusammenspiel von aktiven und gesamten Parametern an.
Zwei Bauweisen begegnen dir besonders häufig: Ein dichtes Modell (Dense) nutzt bei der Berechnung alle seine Parameter. Ein MoE-Modell (Mixture of Experts) aktiviert dagegen jeweils nur einen Teil seiner spezialisierten „Experten“.
Dadurch kann ein MoE-Modell mit deutlich weniger Rechenaufwand arbeiten, als seine Gesamtgröße vermuten lässt. Es verbindet die Kapazität eines großen Netzes mit einem Rechenbedarf, der eher einem kleineren Modell entspricht. Wie schnell und sprachlich überzeugend es tatsächlich ist, hängt vom konkreten Modell und der Hardware ab.
Wichtig für den lokalen Betrieb: Auch die gerade inaktiven Gewichte benötigen Speicher. Die Zahl der aktiven Parameter beschreibt deshalb nicht den gesamten Speicherbedarf.
In unseren Tests haben uns dichte Modelle bei Tiefe und Nuancen im Gespräch besonders überzeugt. Deshalb lohnt sich hier ein genauerer Blick auf unsere Empfehlungen.
Der Kontext ist gewissermaßen das Kurzzeitgedächtnis des Modells. Er umfasst den Gesprächsverlauf, die Charakterbeschreibung und deine aktuelle Eingabe. Gemessen wird er in Tokens, also Textbausteinen wie Wörtern oder Wortteilen. 128K Tokens entsprechen grob dem Umfang eines langen Buches.
Cloud-Anbieter begrenzen den nutzbaren Kontext oft unterhalb des technischen Maximums. Du musst dieses Fenster aber nicht ausschöpfen: Mehr Kontext kann höhere Kosten verursachen und die Antwortqualität mindern, weil Modelle Details in langen Verläufen mitunter übersehen – besonders in der Mitte.
Die Gewichte eines Modells werden häufig als Gleitkommazahlen gespeichert – Zahlenformate, die unterschiedlich große Werte und feine Abstufungen darstellen können. Bezeichnungen wie FP16 oder BF16 stehen dabei für Formate mit 16 Bit pro Gewicht.
Bei der Quantisierung wird diese Darstellung kompakter. Viele Verfahren verwenden dafür kleine Ganzzahl-Codes und gemeinsame Skalierungsfaktoren. Vereinfacht: Die Werte werden auf ein gröberes Raster abgebildet, statt jede feine Abstufung zu behalten. Das spart viel Speicher, häufig bei nur geringem Qualitätsverlust.
Bezeichnungen wie Q4, Q5 oder Q8 geben einen Anhaltspunkt für die Bitbreite. Je kleiner die Zahl, desto kompakter ist die Darstellung – und desto größer können die Qualitätseinbußen sein. Der genaue Speicherbedarf hängt zusätzlich vom Verfahren ab; die Bezeichnung allein beschreibt ihn nicht vollständig.
Für den lokalen Betrieb sind 4-Bit-Varianten ein gängiger Kompromiss aus Größe und Qualität. Wie viel Speicher du einplanen solltest, erklären wir unten bei den Tipps zur Hardware.
In unseren Tests haben sich zwei Modelle für den Alltag mit CORVISH! besonders bewährt: eines für leistungsfähige lokale Hardware oder die Cloud, das andere vor allem für die Cloud.
Unser Favorit · lokal oder in der Cloud
Überzeugt im Rollenspiel durch natürliche Sprache und bleibt seiner Rolle gut treu. In voller Genauigkeit ist das Modell anspruchsvoll; quantisiert lässt es sich mit rund 24 GB VRAM auch auf einer leistungsfähigen Consumer-GPU lokal betreiben. So verbindest du gute Gesprächsqualität mit lokaler Datenverarbeitung. Bei weniger VRAM ist ein Cloud-Anbieter, der das Modell hostet, eine Alternative.
Stark im Gespräch · vor allem für die Cloud
Trotz seines Namens ein großes Modell aus Europa: 119 Milliarden Parameter, davon nur rund 6,5 Milliarden aktiv. Es liefert zügige, flüssige Dialoge und folgt Anweisungen gut, bei einer Sprachqualität auf dem Niveau eines guten mittelgroßen Modells. Da alle Gewichte Speicher benötigen, setzt der lokale Betrieb sehr leistungsfähige Hardware voraus. Für die meisten ist die Cloud daher der praktischere Weg.
Beide sind Open-Weight-Modelle: Du kannst sie lokal betreiben oder bei einem Cloud-Anbieter deiner Wahl nutzen – die Anbindung in CORVISH! bleibt dieselbe. Weitere Empfehlungen für unterschiedliche Geräte und Ansprüche ergänzen wir laufend.
Darüber hinaus gibt es – gerade in der Cloud – eine Fülle starker Modelle, und es lohnt sich, selbst zu stöbern. Ein paar allgemeine Anhaltspunkte für die Wahl:
Auf die Ausrichtung achten: Modelle sind unterschiedlich spezialisiert. Für lebendige Gespräche und Rollenspiel sind Chat- oder Instruct-Modelle mit allgemeiner Ausrichtung meist die beste Wahl. Auf Programmierung getrimmte Modelle sind zwar stark im Code, im freien Dialog aber oft etwas spröde und nüchtern – für CORVISH! nicht unbedingt die erste Wahl. Reine Spezialmodelle, etwa zur Inhaltsmoderation wie Llama Guard, sind dagegen gar nicht als allgemeine Gesprächspartner gedacht.
Hinweise auf die Ausrichtung stecken oft schon im Namen: etwa Coder, Code oder Math. Chat oder Instruct sind ein guter Ausgangspunkt, aber keine Garantie für einen Allrounder – auch Spezialisten können Anweisungen befolgen. Vision allein ist kein Ausschlusskriterium: Ein Modell kann Bilder verstehen und trotzdem ein guter Gesprächspartner sein. Bildverständnis kann Gespräche sogar bereichern – etwa, wenn ein Foto, eine Skizze oder ein Screenshot anschaulicher macht, was du meinst.
Damit CORVISH! hochgeladene Bilder verarbeiten kann, braucht es ein Modell mit Bildverständnis. Die Kennzeichnung Vision ✓ in der Spec-Zeile zeigt dir, welche Modelle das mitbringen.
Im Zweifel hilft die Modellbeschreibung beim Anbieter – die „Model Card“. Dort steht meist schon in den ersten Sätzen, wofür das Modell gedacht ist.
Du musst nicht gleich das perfekte Modell finden. Starte mit einer unserer Empfehlungen und lerne deine Charaktere kennen – vielleicht ist dein Favorit schon dabei.
Windows, Linux, macOS
Ein einfacher Einstieg: Ollama installieren, ein Modell herunterladen und mit CORVISH! verbinden. Läuft das Modell vollständig lokal, verarbeitet es deine Gespräche auf deinem Gerät und funktioniert auch offline. Für Modelle, die deine Hardware überfordern, gibt es Ollama Cloud: Sie laufen dann auf Ollamas Servern, die Anbindung bleibt dieselbe.
Linux, dedizierte GPU – für Poweruser
Für Server und Workstations mit leistungsfähiger GPU, auch im Heimnetz: vLLM ist auf hohe Leistung ausgelegt, erfordert aber mehr Erfahrung bei der Einrichtung.
Du bist nicht auf Ollama oder vLLM festgelegt. CORVISH! unterstützt OpenAI-kompatible Schnittstellen – etwa von lokalen Anwendungen wie LM Studio, llama.cpp oder Jan oder von einem eigenen Server im Heimnetz.
Mit einem Cloud-Anbieter kannst du leistungsstarke Modelle nutzen, ohne selbst eine starke Grafikkarte zu besitzen – praktisch auf Mobilgeräten und älteren PCs. Der Anbieter berechnet die Antworten auf seinen Servern; das nennt sich Inferenz. Für die Verbindung erstellst du beim Anbieter einen API-Schlüssel und trägst ihn in CORVISH! ein.
KI-Modell-Router bündeln den Zugang zu Modellen verschiedener Anbieter über einen einzigen API-Schlüssel. In der Übersicht unten kannst du jeden Anbieter aufklappen, um mehr zu erfahren.
Die Datenschutz-Zusagen unterscheiden sich deutlich. Wir vergleichen die Anbieter anhand von fünf Kriterien. Hier erfährst du, was die Symbole in der Übersicht bedeuten:
Der Anbieter sagt zu, deine API-Anfragen nicht zum Training seiner Modelle zu verwenden. Das ist eine wichtige Zusage zur Datennutzung, bedeutet aber nicht automatisch, dass die Inhalte auch nicht gespeichert werden. Dafür steht das separate ZDR-Kriterium.
Leitet ein Dienst Anfragen an externe Modellanbieter weiter, kann er dabei deine Konto-, IP- und Zahlungsdaten abschirmen. Der Modellanbieter erhält dann die Anfrage über den vermittelnden Dienst statt unter deiner eigenen Identität.
Wichtig: Das entfernt keine persönlichen Angaben, die du selbst in das Gespräch schreibst. Auch über die Speicherung der Inhalte sagt Anonymisierung allein nichts aus; dafür gelten die jeweiligen Datenschutz-Zusagen. Nicht jeder Router bietet diese Abschirmung. Die Unterschiede findest du in den Anbieter-Einträgen.
Zero Data Retention bezeichnet die Zusage, Gesprächsinhalte nach der Verarbeitung zu verwerfen, statt sie dauerhaft zu speichern. Metadaten für die Abrechnung, etwa Zeitpunkt und Token-Anzahl, können dennoch anfallen.
Entscheidend sind die konkreten Bedingungen: Manche Anbieter sehen Ausnahmen vor, etwa zur Missbrauchserkennung oder aufgrund gesetzlicher Pflichten. ZDR ist eine Zusage zum Umgang mit Daten, keine technische Zugriffssperre wie eine geschützte Ausführungsumgebung.
TEE (Trusted Execution Environment): Der Anbieter verarbeitet deine Anfragen in einer besonders geschützten Umgebung, einer sogenannten Enklave. Die Hardware schirmt die Berechnung gegenüber dem übrigen System ab – auch gegenüber administrativen Zugriffen des Betreibers. Damit beruht der Schutz nicht allein auf einer Datenschutz-Zusage. Entscheidend ist allerdings, welche Verarbeitungsschritte tatsächlich innerhalb dieser Umgebung stattfinden: Daten, die davor oder danach außerhalb der Enklave vorliegen, schützt sie nicht automatisch.
Überprüfbar statt nur versprochen: Mit einer kryptografischen Attestierung lässt sich überprüfen, welche Software-Konfiguration in welcher geschützten Umgebung läuft. Das beweist nicht, dass die Software fehlerfrei ist oder verantwortungsvoll mit Daten umgeht. Es ermöglicht aber, die tatsächlich eingesetzte Umgebung mit einer zuvor geprüften Konfiguration abzugleichen. Solche Prüfungen können die App oder unabhängige Fachleute übernehmen. Der wichtige Unterschied zu einem bloßen Versprechen: Technische Angaben werden überprüfbar. Ob und wie diese Prüfung erfolgt, bleibt entscheidend.
Die Grenze liegt oft auf dem Weg dorthin: TEE schützt die Berechnung, nicht automatisch den gesamten Übertragungsweg. Eine normale HTTPS-Verbindung verschlüsselt deine Anfrage bereits beim Transport. Endet diese Verschlüsselung aber an einem vorgeschalteten Server des Anbieters, kann dieser die Anfrage im Klartext sehen, bevor er sie an die Enklave weiterreicht. Endet sie dagegen erst innerhalb der Enklave, entfällt dieser Einblick – vorausgesetzt, die Verbindung führt tatsächlich zu der erwarteten geschützten Umgebung.
E2EE (Ende-zu-Ende-Verschlüsselung): Gemeint ist hier eine Verschlüsselung von deiner App bis zur geschützten Verarbeitung: Zwischenstationen können den Gesprächsinhalt nicht lesen. Ein möglicher Weg ist, die Anfrage schon auf deinem Gerät mit einem Schlüssel der Enklave zu verschlüsseln. Dafür prüft die App die Attestierung und die Zugehörigkeit des Schlüssels zur erwarteten Umgebung. Entschlüsselt wird erst dort. Eine zusätzliche Verschlüsselung auf Anwendungsebene ist aber nicht grundsätzlich nötig, wenn bereits die Transportverbindung nachweislich direkt in der vertrauenswürdigen Enklave endet.
Was das für CORVISH! bedeutet: CORVISH! verwendet derzeit die regulären Anbieterschnittstellen. Eine eigene Verschlüsselung an eine von der App per Attestierung geprüfte Enklave unterstützt CORVISH! noch nicht; diese E2EE-Unterstützung ist geplant. TEE-Schutz greift nur, soweit der Anbieter ihn für das gewählte Modell und den verwendeten Zugang bereitstellt. Ob vorgeschaltete Server Gesprächsinhalte sehen können, hängt von dessen technischer Umsetzung ab – das TEE-Label allein beantwortet diese Frage nicht.
TEE kann den Schutz gegenüber einer rein vertraglichen Zusage deutlich stärken. Wie weit er reicht, hängt von der gesamten Verarbeitungskette ab. Der zusätzliche Aufwand kann sich auf die Geschwindigkeit auswirken; wie stark, ist je nach Umsetzung unterschiedlich.
Diese Angaben beschreiben ein Modell: etwa seine Kontextlänge, Fähigkeiten wie Bildverarbeitung oder Werkzeugnutzung und seine Preise. Manche Anbieter liefern zusätzlich Informationen zu ZDR, TEE oder Anonymisierung. CORVISH! kann die bereitgestellten Datenschutzangaben direkt im Modellkatalog anzeigen und dir damit die Auswahl erleichtern.
Die Angaben beruhen auf den verlinkten Anbieterinformationen und dokumentierten Zusicherungen. Technische Schutzmaßnahmen sind gesondert gekennzeichnet.
Datenschutzorientierter KI-Anbieter mit einer breiten Modellauswahl und modellabhängigen Privatsphäre-Stufen. Du entscheidest, welches Modell zu deinen Gesprächen und deinen Datenschutzanforderungen passt:
Warum wir Venice empfehlen: Die breite Modellauswahl und die klar ausgewiesenen Privatsphäre-Stufen passen gut zu CORVISH! Die App kann diese Angaben direkt im Katalog anzeigen und dir so die Auswahl erleichtern.
Treiber in CORVISH!: Nativ (Venice).
Quellen: Website · Datenschutzerklärung · Datenschutz einfach erklärt · Metadaten-API · Stand: September 2026
Dezentrales Netzwerk für vertrauliche Inferenz mit Sitz in den USA. Alle Modelle im Katalog laufen in einer geschützten Umgebung – der Datenschutz gilt anbieterweit:
Treiber in CORVISH!: Nativ (Phala).
Quellen: Website · Datenschutzerklärung · Dokumentation · ZDR-Dokumentation · Metadaten-API · Stand: September 2026
Die Cloud-Variante von Ollama: gleiche App, gleicher Treiber, aber die Modelle laufen auf Ollamas Servern und bei NVIDIA-Cloud-Partnern (NCPs) – praktisch für Geräte ohne starke GPU. Gehostet wird primär in den USA; zur Deckung globaler Nachfrage kann Ollama zusätzlich nach Europa und Singapur routen. Die Zusagen gelten anbieterweit, für alle Modelle:
Treiber in CORVISH!: Nativ (Ollama).
Quellen: Website · Datenschutzerklärung · Preise & Privacy-FAQ · Metadaten-API · Stand: September 2026
US-Anbieter mit sehr günstiger Inferenz gängiger Open-Source-Modelle. Die Datenschutz-Zusagen gelten für alle selbst gehosteten Modelle. Extern gehostete Modelle der großen KI-Anbieter (Anthropic, Google, ...) unterliegen zusätzlich den Datenschutzbestimmungen der jeweiligen Anbieter, sodass gerade ZDR nicht immer gewährleistet ist.
Treiber in CORVISH!: Nativ (DeepInfra).
Quellen: Website · Datenschutzerklärung · Datenschutz-Dokumentation · Metadaten-API · Stand: September 2026
Der Marktplatz unter den KI-Anbietern: Ein API-Schlüssel, Zugriff auf dutzende Modelle – von OpenAI über Anthropic bis zu Open-Source-Modellen. Ideal, wenn du verschiedene Modelle ausprobieren willst, ohne bei jedem Anbieter ein Konto anzulegen. Wie bei Venice hängen die Datenschutz-Eigenschaften vom gewählten Modell ab – OpenRouter deklariert sie pro Modell:
Treiber in CORVISH!: Nativ (OpenRouter).
Quellen: Website · Datenschutzerklärung · ZDR-Einstellungen · Metadaten-API · Stand: September 2026
Europäischer Anbieter (Frankreich) mit starken Open-Weight-Modellen. Datenschutz nach EU-Recht (DSGVO) – als EU-Anbieter ohne US-Mutter unterliegt Mistral nicht dem US-CLOUD Act; staatliche Zugriffe sind an EU-Recht gebunden. Datenschutz im Überblick:
Treiber in CORVISH!: Generisch (OpenAI-kompatibel).
Quellen: Website · Datenschutzerklärung · Datennutzung fürs Training · ZDR-Antrag · Stand: September 2026
Die offizielle OpenAI-API: hohe Leistung, bekannte Modelle. Das anwendbare Datenschutzrecht hängt von deinem Wohnsitz ab: Für Kunden im EWR, in der Schweiz und in UK ist OpenAI Ireland Ltd. verantwortlich (je nach Region EU-DSGVO, UK GDPR bzw. Schweizer DSG), für die übrige Welt OpenAI OpCo LLC (US-Recht); für europäische Kunden ist zudem EU-Datenresidenz verfügbar. Datenschutz im Überblick:
Treiber in CORVISH!: Nativ (OpenAI).
Quellen: Website · Datennutzung fürs Training · Datenspeicherung & ZDR · Stand: September 2026