GGUF, Q4_K_M, 14B-Instruct — klingt wie Geheimsprache? Dieses Glossar übersetzt die Begriffe für dich und hilft dir, die richtigen Entscheidungen zu treffen.
Warum lokal?Die meisten nutzen ChatGPT, Claude oder Gemini über den Browser. Das funktioniert gut — aber jede Eingabe verlässt dabei deinen Rechner. Für viele KMU ist das ein Problem: Kundendaten, Strategiepapiere, vertrauliche Entwürfe, HR-Dokumente. All das landet auf Servern, die du nicht kontrollierst.
Lokale KI-Modelle lösen das. Die KI läuft auf deinem eigenen Rechner oder Server. Keine Daten gehen raus, kein Anbieter liest mit. Du entscheidest, welches Modell du nutzt, wie lange du es einsetzt und was damit passiert.
Aber sobald du ein lokales Modell herunterladen willst, stehst du vor einem Wald aus Abkürzungen: GGUF, Q4_K_M, 14B-Instruct, MoE, Imatrix. Das klingt kompliziert — ist es aber nicht, wenn du die Logik dahinter kennst. Genau das liefert diese Seite.
Statt jeden Tag ins Restaurant zu gehen (Cloud-KI), kochst du selbst. Du brauchst eine Küche (Hardware), Rezepte (Modelle) und Zutaten (deine Daten). Es dauert etwas, bis alles eingerichtet ist. Aber dafür bestimmst du, was auf den Tisch kommt — und niemand liest mit, was du kochst.
Lokale Modelle verarbeiten alles auf deinem Rechner. Kein Cloud-Anbieter sieht deine Eingaben. Das ist besonders relevant seit dem revidierten Schweizer Datenschutzgesetz (revDSG), das 2023 in Kraft trat und den Umgang mit Personendaten strenger regelt. Lokale KI vereinfacht die Compliance.
Kein Monatsabo, keine Token-Gebühren. Nach der Anschaffung der Hardware läuft das Modell ohne laufende Kosten — nur Strom. Bei intensiver Nutzung kann sich die Investition gegenüber Cloud-Abos lohnen — wie schnell, hängt von deiner Auslastung und den jeweils aktuellen Preisen ab.
Funktioniert offline. Kein Anbieter kann den Dienst abschalten, die Preise erhöhen oder Nutzungsbedingungen ändern. Du wählst das Modell, die Version, die Einstellungen — und du entscheidest, wann du wechselst.
Ehrliche Einordnung: Lokal heisst nicht «besser als Cloud». Für viele Aufgaben sind die grossen Cloud-Modelle überlegen — sie haben mehr Parameter, bessere Trainingsdaten und werden ständig verbessert. Lokal ist die richtige Wahl, wenn Datenschutz, Kontrolle oder Kostenstruktur für dich entscheidend sind.
Wenn du ein Modell herunterlädst, lädst du eine grosse Datei voller Zahlen herunter. Diese Zahlen — die sogenannten «Gewichte» oder «Parameter» — sind das, was das Modell während seines Trainings gelernt hat. Sie codieren Sprachmuster, Weltwissen, logische Zusammenhänge und vieles mehr.
Je mehr Parameter ein Modell hat, desto mehr «Wissen» kann es speichern — aber desto mehr Arbeitsspeicher (RAM) braucht es auch. Das ist die zentrale Abwägung bei lokalen Modellen: Leistung gegen Hardware-Anforderungen.
Die Abkürzungen «B» und «M» in Modellnamen stehen für die Anzahl der Parameter. «B» bedeutet Milliarden (englisch: Billion), «M» bedeutet Millionen. Ein «14B»-Modell hat also 14 Milliarden trainierbare Gewichte.
Stell dir vor, ein Modell mit 14 Milliarden Parametern hat 14 Milliarden winzige Entscheidungspunkte. Je mehr davon, desto differenzierter kann es «denken» — es erkennt feinere Nuancen und kann komplexere Aufgaben lösen. Aber mehr Entscheidungspunkte brauchen auch ein grösseres Gehirn — sprich: mehr Arbeitsspeicher.
| Bezeichnung | Bedeutung | RAM (Q4) | Typischer Einsatz |
|---|---|---|---|
| 100–500M | Hundert Millionen Parameter | ~0.3–0.7 GB | Embedding-Modelle für Textsuche und RAG |
| 1.5B | 1.5 Milliarden | ~1.5 GB | Einfache Aufgaben, schnelle Antworten, mobile Geräte |
| 7B / 8B | 7–8 Milliarden | ~4–5 GB | Einstieg: einfache Texte, Zusammenfassungen |
| 14B | 14 Milliarden | ~8–9 GB | Allrounder: E-Mails, Analysen, leichtes Coding |
| 27B / 32B | 27–32 Milliarden | ~16–20 GB | Anspruchsvoll: Coding, kreatives Schreiben |
| 70B | 70 Milliarden | ~40 GB | Hoch: komplexe Aufgaben, viel Hardware |
| 200B+ | 200 Milliarden und mehr | ~120+ GB | Server-Hardware, MoE oft praktischer |
Wichtig: Mehr Parameter bedeuten nicht automatisch bessere Ergebnisse. Ein gut trainiertes 14B-Modell kann ein schlecht trainiertes 70B-Modell übertreffen. Entscheidend ist die Kombination aus Modellgrösse, Trainingsqualität und Passgenauigkeit für deine Aufgabe.
Dense-Modelle rechnen bei jeder Anfrage mit allen Parametern. MoE-Modelle (Mixture of Experts) aktivieren nur einen Teil ihrer Parameter pro Anfrage. Das spart Rechenleistung und macht das Modell schneller — bei gleichem Speicherbedarf.
Ein Dense-Modell ist wie ein Allgemeinmediziner, der jede Frage allein beantwortet. Ein MoE-Modell ist wie eine Arztpraxis mit Spezialisten — pro Anfrage ist nur der passende Facharzt aktiv. Das Team hat enormes Wissen (z.B. 30B Parameter), aber pro Behandlung arbeitet nur ein Teil davon (z.B. 3B aktive Parameter).
MoE erkennt man am Buchstaben «A» im Modellnamen: [Familie]-30B-A3B bedeutet 30 Milliarden Gesamtparameter, 3 Milliarden aktiv pro Token. Du brauchst den Speicher für 30B, aber die Geschwindigkeit entspricht eher einem 3B-Modell.
Embedding-Modelle sind kleine Spezialisten (100–500M Parameter), die Text in mathematische Vektoren umwandeln. Sie generieren keinen lesbaren Text, machen aber Inhalte semantisch durchsuchbar. Wer ein RAG-System aufbaut (KI, die in eigenen Dokumenten sucht), braucht zwingend ein Embedding-Modell.
Modellgenerationen entwickeln sich schnell. Die Modellfamilien — Qwen, Llama, Gemma, Mistral, DeepSeek, Phi und andere — bleiben über Jahre relevant. Was sich häufig ändert: Versionsnummern und einzelne Modellgrössen. Die Konzepte aus diesem Glossar gelten generationsübergreifend.
Auf Hugging Face — der grössten Plattform für KI-Modelle — findest du pro Modell oft mehrere Dateiformate. Die Wahl ist nicht nur eine technische Frage. Es geht auch um die Sicherheit deines Systems.
Der Standard für lokale Modelle. Eine Datei enthält alles. Sicher — keine Code-Ausführung beim Laden.
Sicheres Format von Hugging Face. Keine Code-Ausführung. Vor allem für GPU-Training und -Inferenz.
Kann beim Laden beliebigen Code ausführen. Sicherheitsrisiko bei unbekannten Quellen.
Faustregel: GGUF und Safetensors sind sicher — sie enthalten nur Zahlen, keinen ausführbaren Code. Pickle-Dateien (.pt, .bin, .pkl) nur von offiziellen Repos oder bekannten Entwicklern laden.
GGUF wurde im August 2023 von der llama.cpp-Community eingeführt und ist heute der De-facto-Standard für lokale Modelle. Eine einzige Datei enthält alles — kein Entpacken, keine Zusatzdateien. Du lädst die GGUF-Datei herunter, öffnest sie in deinem Tool — fertig.
Typischer Dateiname: Qwen3-14B-Instruct-Q4_K_M.gguf — wie du diesen Namen vollständig entschlüsselst, erfährst du in Kapitel 7.
1. Dateiformat: GGUF oder Safetensors? Dann ist es sicher. Bei Pickle-Dateien nur von offiziellen Quellen laden.
2. Quelle: Offizielle Repos der Entwicklerfirmen oder bekannte Community-Quantisierer mit hoher Reputation.
3. Community-Signale: Likes, Downloads, Kommentare? Ein Modell mit 0 Likes von einem unbekannten Account verdient Vorsicht.
4. Lizenz: Passt die Lizenz zu deinem Einsatzzweck? Dazu mehr in Kapitel 5.
1. Software aktuell halten: Dein Tool für lokale Modelle regelmässig updaten — Sicherheitslücken werden in neuen Versionen geschlossen.
2. Tool-Zugriff bewusst vergeben: Ein Modell ohne Tool-Zugriff kann nichts auf deinem System anrichten — es liest nur deine Eingabe und generiert Text.
3. Netzwerkzugriff einschränken: Wenn du das Modell über n8n oder eine API erreichbar machst, sichere den Zugang ab.
4. Uncensored-Modelle nicht öffentlich hosten: Du bist für die generierten Inhalte verantwortlich.
Gut zu wissen: Ein lokales Modell ohne Tool-Zugriff kann dir antworten, aber nichts anfassen. Erst wenn du ihm über n8n, MCP-Server oder eine API Werkzeuge gibst, kann es mit der Aussenwelt interagieren — und dann liegt die Verantwortung bei dir, diese Zugriffe sorgfältig zu konfigurieren.
Ein 14B-Modell in voller Qualität (BF16) braucht rund 28 GB RAM. Quantisierung löst dieses Problem: Sie komprimiert das Modell, indem die Genauigkeit der einzelnen Gewichte reduziert wird. Ein 14B-Modell mit Q4-Quantisierung braucht nur noch 8–9 GB RAM — und liefert trotzdem rund 90% der Originalqualität.
Ein Foto im RAW-Format hat 50 MB. Als JPEG mit 90% Qualität nur noch 5 MB — und du siehst kaum einen Unterschied. Genauso bei Modellen: Q4 ist wie JPEG bei 85% — spürbar kleiner, kaum schlechter. Q2 ist wie JPEG bei 30% — merkbare Verluste, aber manchmal der einzige Weg.
Ein Name wie Q4_K_M folgt einer klaren Logik aus drei Teilen:
Q + Zahl — Bits pro Gewicht. Weniger Bits = kleinere Datei = weniger Genauigkeit.
Buchstabe — Kompressionsverfahren: K-Quants (intelligent, modern), I-Quants (mit Kalibrierung).
Letzter Buchstabe — Variante: XS (kleinste), S, M (Mitte, empfohlen), L (grösste).
| Stufe | Bits | Qualität vs. Original | Einordnung |
|---|---|---|---|
| Q2 | 2 Bit | ~75–80% | Stark komprimiert. Nur für Notfälle. |
| Q3 | 3 Bit | ~82–87% | Brauchbar für einfache Aufgaben. |
| Q4 | 4 Bit | ~88–93% | Sweet Spot. Bestes Verhältnis Qualität/Grösse. |
| Q5 | 5 Bit | ~93–95% | Spürbar besser als Q4. Wenn mehr RAM vorhanden. |
| Q6 | 6 Bit | ~95–97% | Nahe am Original. Für anspruchsvolle Aufgaben. |
| Q8 | 8 Bit | ~98–99% | Kaum Unterschied zum Original. |
4 Bit, K-Quant, mittlere Variante. ~88–93% Originalqualität bei stark reduziertem RAM-Bedarf. Standardempfehlung für die meisten Nutzer. Wenn du unsicher bist: Q4_K_M.
5 Bit, K-Quant, mittel. Spürbar besser als Q4, braucht rund 25% mehr RAM. Die richtige Wahl ab 24 GB RAM.
6 Bit, K-Quant. 95–97% Originalqualität. Für anspruchsvolle Aufgaben wie Coding, Analyse oder kreatives Schreiben.
8 Bit. 98–99% Originalqualität. Nur sinnvoll, wenn RAM wirklich kein Engpass ist.
Einfache Faustformel nach verfügbarem RAM:
Faustregel: Nimm immer die höchste Q-Stufe, die noch in deinen RAM passt — und lass mindestens 4 GB frei für Betriebssystem und andere Programme.
| Bezeichnung | Bedeutung | Empfehlung |
|---|---|---|
| Q4_K_M | 4 Bit, K-Quant, mittel | ★ Allround-Empfehlung |
| Q4_K_S | 4 Bit, K-Quant, klein | Wenn RAM knapp ist |
| Q5_K_S | 5 Bit, K-Quant, klein | Guter Kompromiss |
| Q5_K_M | 5 Bit, K-Quant, mittel | Gehobene Qualität |
| Q6_K | 6 Bit, K-Quant | Wenn RAM kein Problem ist |
| Q8_0 | 8 Bit, Basis | Fast wie das Original |
| IQ4_XS | 4 Bit, Imatrix, extra-klein | Kompakter als Q4_K_S |
| IQ4_NL | 4 Bit, Imatrix, non-linear | Spezialvariante |
Auf Hugging Face stehen Zehntausende von Modellen zur Auswahl. Die Antwort auf «welches ist das richtige?» hängt von vier Fragen ab: Welche Aufgabe willst du lösen? Welcher Modelltyp passt? Wie viel Hardware hast du? Und welche Lizenz brauchst du?
Rohes vortrainiertes Modell. Vervollständigt Texte, beantwortet keine Fragen. Für Endnutzer ungeeignet.
Für Frage-Antwort und Anweisungen optimiert. Standardtyp für die meisten Anwendungen.
Wie Instruct, zusätzlich für mehrteilige Dialoge optimiert. Behält Kontext besser.
Sicherheitsschranken entfernt. Die Verantwortung für die Nutzung liegt vollständig bei dir.
Praxis-Tipp: Wenn du unsicher bist — nimm ein Instruct-Modell. Es deckt 90% aller Anwendungsfälle ab.
| Einsatzzweck | Empfohlene Eigenschaften | Typische Grösse | Worauf achten |
|---|---|---|---|
| Büroassistenz | Instruct, mehrsprachig | 7B–14B | Gute Deutsch-Unterstützung |
| Code-Unterstützung | Coder-Modell oder allgemeines mit Code-Training | 14B–30B (oft MoE) | Suffix «-Coder», Tool-Calling |
| RAG / Wissenssuche | Embedding-Modell + Instruct | 100M–500M + 7B–14B | Hoher Kontextumfang (32k+) |
| Kreatives Schreiben | Allround, höhere Temperature | 14B–32B oder MoE | Modell-Karten mit Story-Beispielen |
| Reasoning / Analyse | Reasoning-Modell mit «Thinking» | 14B–32B+ | Suffix «-R», «-Thinking» |
| Bildverständnis | Vision-Modell (multimodal) | Variabel | Suffix «-VL», «-Vision» |
Konkrete Modellnamen wechseln, die Logik bleibt. Wenn du auf Hugging Face suchst, kombinierst du die Eigenschaften: «14B + Instruct + Q4_K_M» liefert aktuelle, passende Modelle — egal welche Generation.
Apache 2.0 — Sehr verbreitet. Kommerzielle und private Nutzung ohne Einschränkungen. Nur Namensnennung erforderlich.
MIT — Eine der liberalsten Lizenzen. Praktisch keine Bedingungen ausser Beibehaltung der Lizenz.
Meta Llama Community License — Erlaubt Kommerz, aber nicht für Unternehmen mit mehr als 700 Mio. monatlich aktiven Nutzern.
Google Gemma Terms — Erlaubt Kommerz, aber mit Nutzungseinschränkungen. CC-BY-NC — Nur privat/Forschung, keine kommerzielle Nutzung.
| Familie | Entwickler | Typische Stärken | Lizenz |
|---|---|---|---|
| Qwen | Alibaba | Allround, mehrsprachig, Coder-Varianten | Apache 2.0 |
| Llama | Meta | Allround, grosses Ökosystem | Llama Community |
| Gemma | Effizient auf kleiner Hardware | Gemma Terms | |
| Mistral / Mixtral | Mistral AI | Effiziente Dense- und MoE-Modelle, EU-basiert | Apache 2.0 (variiert) |
| DeepSeek | DeepSeek (CN) | Reasoning, Coding, sehr permissiv | MIT |
| Phi | Microsoft | Sehr kompakt, gut für schwache Hardware | MIT |
Drei Dinge sind nötig: eine Software, die das Modell ausführt, genug Arbeitsspeicher, und optional eine Grafikkarte für mehr Geschwindigkeit.
| Eigenschaft | Msty Studio | Ollama | LM Studio | Open WebUI |
|---|---|---|---|---|
| Bedienung | Grafische Desktop-App | Kommandozeile (CLI) | Grafische Desktop-App | Browser-Interface |
| Modell-Suche | Eingebaut | Via CLI oder Hugging Face | Eingebauter HF-Browser | Via Ollama-Backend |
| API-Server | Ja | Ja (Port 11434) | Ja | Ja (OpenAI-kompatibel) |
| n8n-Integration | Über die API | Über die API | Über die API | Via API oder Pipe Functions |
| Mehrbenutzer | Nein | Nein | Nein | Ja |
| Lizenz | Closed Source, kostenlose Basis | Open Source (MIT) | Closed Source, kostenfrei | Open Source (MIT) |
| Ideal für | Einsteiger, polierte Oberfläche | Entwickler, Server, Automation | Einsteiger mit API-Bedarf | Teams, Server-Deployment |
| Website | msty.app | ollama.com | lmstudio.ai | openwebui.com |
Msty Studio, Ollama und LM Studio setzen alle auf llama.cpp als Inferenz-Engine. Open WebUI ist ein Browser-Frontend, das Ollama oder eine OpenAI-kompatible API als Backend voraussetzt — und denselben Motor damit indirekt mitbringt. Für n8n-Automatisierungen eignen sich alle vier: Ollama, Msty und LM Studio über ihre direkte API, Open WebUI über seine eigene OpenAI-kompatible API oder via Pipe Functions.
Lokale Modelle laufen grundsätzlich auf jedem modernen Rechner — auch nur mit der CPU. Aber eine GPU oder Apple Silicon beschleunigt die Antwortgeschwindigkeit dramatisch.
| Geschwindigkeit | Nutzererlebnis |
|---|---|
| 1–5 Tokens/Sekunde | Spürbar langsam. Geduld erforderlich, aber nutzbar für kurze Antworten. |
| 5–15 Tokens/Sekunde | Etwa Lesegeschwindigkeit. Akzeptabel für die meisten Aufgaben. |
| 15–30 Tokens/Sekunde | Flüssig. Antworten erscheinen ohne spürbare Wartezeit. |
| 30+ Tokens/Sekunde | Sehr schnell. Vergleichbar mit Cloud-Diensten. |
Anschaffung: Hardware — einmalige Ausgabe, abhängig von Modellgrösse und Geschwindigkeitsanspruch.
Laufende Kosten: Praktisch nur Strom — ein Desktop-Rechner kostet im Betrieb wenige Franken pro Monat.
Rechnet sich, wenn: Du intensiv und regelmässig KI nutzt, mit sensiblen Daten arbeitest oder mehrere Personen Zugriff brauchen.
Anschaffung: Keine. Du nutzt die Hardware des Anbieters.
Laufende Kosten: Monatliches Abo oder Token-Preise, die mit intensiverer Nutzung steigen.
Rechnet sich, wenn: Du nur gelegentlich KI brauchst oder immer Zugriff auf die neuesten Modelle willst.
Konkrete Preise ändern sich. Statt einer Tabelle mit Beträgen, die schnell überholt sind: Rechne kurz vor der Anschaffung mit aktuellen Preisen — Hardware wird günstiger, Abos werden angepasst.
Du siehst auf Hugging Face einen Namen wie unsloth/Qwen3-Coder-30B-A3B-Instruct-Q4_K_M.gguf und denkst: Was?! Wenn du die einzelnen Bausteine kennst, kannst du jeden Modellnamen lesen — auch von Familien, die du noch nicht kennst.
Lesereihenfolge: Vorne der Quantisierer, dann Basismodell und Spezialisierungen, am Ende Quantisierung und Format. Nicht jeder Name enthält alle Teile — aber die Logik bleibt immer dieselbe.
Standardisierte Tests zum Modellvergleich. Bekannte Beispiele: MMLU (Allgemeinwissen), HumanEval (Coding), GSM8K (Mathematik). Wichtig: Benchmarks können «überoptimiert» sein — ein Modell, das auf einem Benchmark gut abschneidet, ist nicht zwingend gut für deine konkrete Aufgabe.
Das Standardformat für unkomprimierte Modelle. 16 Bit pro Gewicht — gilt als «volle Qualität», an der alle Quantisierungen gemessen werden.
Wie viel Text das Modell gleichzeitig «sehen» kann, gemessen in Tokens. Früher oft 2k–4k, heute 32k–128k Standard. Ein grösseres Kontextfenster ist wichtig für RAG, lange Dokumente und mehrteilige Dialoge.
Eine Trainingstechnik, bei der ein kleines Modell vom Verhalten eines grossen lernt. Das kleine Modell wird dadurch leistungsfähiger, als seine Grösse vermuten lässt.
Nachtraining eines Basismodells für einen spezifischen Anwendungsfall (z.B. Recht, Medizin, kreatives Schreiben). Das Basismodell bleibt erhalten, wird aber für die neue Aufgabe spezialisiert.
Zusatzdatei bei Vision-Modellen. Sie übersetzt Bilder in die Form, die das Sprachmodell verarbeiten kann. Bei Vision-Modellen lädst du immer zwei Dateien: Modell + mmproj-Datei.
Prompt: Deine Eingabe an das Modell. System-Prompt: Eine spezielle Anweisung, die das Verhalten des Modells für die gesamte Sitzung festlegt (z.B. «Du bist ein hilfreicher Schweizer Steuerberater»).
Steuert die «Kreativität» des Modells. Niedrige Werte (0.1–0.3) → präzise, vorhersagbare Antworten. Höhere Werte (0.7–1.0) → variantenreiche, kreativere Antworten.
Modelle, die vor der Antwort sichtbar «nachdenken» (oft in <think>-Blöcken). Verbessert die Qualität bei komplexen Aufgaben, erhöht aber die Antwortzeit. Erkennbar an Suffixen wie «-R», «-Thinking», «-Reasoning».
Die Grundeinheit, in der KI-Modelle Text verarbeiten. Entspricht ungefähr einer Silbe oder einem kurzen Wort. 100 Tokens ≈ 70–80 deutsche Wörter.
Die Geschwindigkeit, mit der das Modell antwortet. Siehe Tabelle in Kapitel 6 zur Einordnung der Werte.
Technische Parameter, die zusätzlich zur Temperature die Wortauswahl des Modells steuern. Für die meisten Anwendungen sind die Standardwerte gut (Top-P ≈ 0.9, Top-K ≈ 40).
Modelle, die nicht nur Text, sondern auch Bilder verstehen können. Erkennbar an Suffixen wie «-VL», «-Vision» oder «mm-».
Genug Theorie. Hier sind drei Wege, wie du in den nächsten 30 Minuten dein erstes lokales Modell zum Laufen bringst.
Lade eine grafische Desktop-App herunter (Msty Studio oder LM Studio). Installieren, ein 7B/8B-Modell wählen, herunterladen, Frage stellen. Ohne Kommandozeile, fertig in 10–15 Minuten.
Ollama installieren, mit ollama run [modellname] starten. Das Modell läuft als API — ideal für Scripts, Programmierumgebungen und Automations-Workflows.
Ollama oder LM Studio mit n8n verbinden. Das lokale Modell wird Teil deiner Automatisierungen — ohne dass Daten die eigene Infrastruktur verlassen.
Diese fünf Prompts helfen dir, Stärken und Schwächen verschiedener Modelle schnell zu erkennen. Sie funktionieren generationsübergreifend und decken die wichtigsten Fähigkeitsbereiche ab.
Testet, ob das Modell Inhalte erfassen und zusammenfassen kann.
Testet die Fähigkeit, Aufgaben sauber zu Ende zu denken.
Testet, ob das Modell Tonalität, Länge und Kontext einhalten kann.
Testet, ob das Modell für Programmieraufgaben taugt.
Testet, ob das Modell präzisen Formatvorgaben folgt.
So vergleichst du Modelle fair: Stelle jedem Modell exakt die gleichen fünf Prompts. Bewerte: Wurde die Aufgabe verstanden? Wurde das Format eingehalten? Stimmt die Antwort sachlich? Klingt der Stil natürlich? War die Geschwindigkeit akzeptabel?
Empfohlene Startwahl: Wähle ein 7B- oder 8B-Modell mit Apache-2.0-Lizenz aus der Qwen- oder Mistral-Familie. Es passt auf nahezu jeden modernen Rechner, ist kommerziell frei nutzbar und liefert genug Qualität, um das Konzept zu verstehen.