{"id":1738,"date":"2026-07-31T02:52:54","date_gmt":"2026-07-31T02:52:54","guid":{"rendered":"https:\/\/convly.ai\/?p=1738"},"modified":"2026-08-01T06:45:58","modified_gmt":"2026-08-01T06:45:58","slug":"ollama-vs-lm-studio","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/","title":{"rendered":"Ollama vs. LM Studio (2026): Welches lokale LLM-Tool sollten Sie verwenden?"},"content":{"rendered":"<p><strong>LM Studio vs. Ollama<\/strong> ist die erste reale Entscheidung, mit der die meisten Menschen konfrontiert werden, sobald sie beschlie\u00dfen, KI-Modelle auf ihrer eigenen Hardware auszuf\u00fchren. Beide sind kostenlos, beide f\u00fchren dieselben Open-Weight-Modelle aus, und s\u00e4mtliche Eingaben verbleiben stets auf Ihrem Ger\u00e4t. Der Unterschied liegt nicht in der Funktionalit\u00e4t \u2013 er liegt in der Philosophie: Das eine ist ein Entwickler-Tool, das Sie per Skript steuern, das andere ist eine Desktop-Anwendung, die Sie per Mausklick bedienen. Dieser Vergleich beleuchtet, was sie 2026 tats\u00e4chlich voneinander unterscheidet \u2013 inklusive der hardwarebedingten Realit\u00e4ten beider L\u00f6sungen.<\/p>\n<div style='background:#faf9ff;border:1px solid #e6e1f5;border-left:4px solid #6d28d9;border-radius:10px;padding:18px 22px;margin:28px 0;'>\n<p style='margin:0 0 10px;font-weight:700;color:#4c1d95;font-size:14px;letter-spacing:.5px;text-transform:uppercase;'>Quick answer<\/p>\n<p style='margin:0;'><strong>W\u00e4hlen Sie Ollama, wenn Sie Entwickler sind<\/strong> \u2013 es l\u00e4uft als Hintergrunddienst mit einer OpenAI-kompatiblen API, funktioniert headless auf Servern und l\u00e4sst sich sauber in Anwendungen und Docker integrieren. <strong>Choose LM Studio if you want a graphical app<\/strong> \u2013 sie bietet einen integrierten Modellbrowser, ein Chat-Fenster und nutzt auf Apple-Silicon-Chips die MLX-Laufzeitumgebung von Apple f\u00fcr eine schnellere Inferenz als \u00fcber den llama.cpp-Pfad. Beide sind kostenlos, beide f\u00fchren dieselben GGUF-Modelle aus, und viele Nutzer installieren beide Tools.<\/p>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a705c0d28622\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Umschalten<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a705c0d28622\"  aria-label=\"Umschalten\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#Ollama_vs_LM_Studio_at_a_glance\" >Ollama vs. LM Studio im \u00dcberblick<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#What_Ollama_actually_is\" >Was Ollama eigentlich ist<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#What_LM_Studio_actually_is\" >Was LM Studio eigentlich ist<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#Speed_and_memory_mostly_the_same_with_two_exceptions\" >Geschwindigkeit und Speicherverbrauch: gr\u00f6\u00dftenteils identisch, mit zwei Ausnahmen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#Which_one_should_you_install_first\" >Welches Tool sollten Sie zuerst installieren?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#Beyond_the_two_vLLM_and_llamacpp\" >Dar\u00fcber hinaus: vLLM und llama.cpp<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/ollama-vs-lm-studio\/#Frequently_asked_questions\" >H\u00e4ufig gestellte Fragen<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Ollama_vs_LM_Studio_at_a_glance\"><\/span>Ollama vs. LM Studio im \u00dcberblick<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div style='background:#faf9ff;border:1px solid #e6e1f5;border-radius:10px;padding:18px 22px;margin:28px 0;overflow-x:auto;'>\n<table style='width:100%;border-collapse:collapse;font-size:15px;'>\n<tr>\n<th style='text-align:left;padding:8px 10px;border-bottom:2px solid #e6e1f5;color:#4c1d95;'><\/th>\n<th style='text-align:left;padding:8px 10px;border-bottom:2px solid #e6e1f5;color:#4c1d95;'>Ollama<\/th>\n<th style='text-align:left;padding:8px 10px;border-bottom:2px solid #e6e1f5;color:#4c1d95;'>LM Studio<\/th>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Hauptoberfl\u00e4che<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Kommandozeile + Hintergrundserver<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Desktop-GUI mit Chat-Fenster<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Ein Modell herunterladen<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'><code>ollama pull llama3.1<\/code><\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Im Programm suchen und anklicken<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>API f\u00fcr eigene Anwendungen<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>St\u00e4ndig aktiv, Port 11434, OpenAI-kompatibel<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Optionaler lokaler Server, den Sie manuell aktivieren k\u00f6nnen<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Headless-\/Remote-Server<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Ja \u2013 daf\u00fcr konzipiert, offizielles Docker-Image verf\u00fcgbar<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Nein \u2013 erfordert eine Desktop-Sitzung<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Apple-Silicon-Laufzeitumgebung<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>llama.cpp (Metal)<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>llama.cpp <em>oder<\/em> MLX \u2013 meist schneller auf Macs<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Modellentdeckung<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Kuratierte Bibliothek mit vorhersehbaren Namen<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Vollst\u00e4ndige Hugging-Face-Suche direkt in der Anwendung<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Beste Einsatzgebiete<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Entwickler, Automatisierung, st\u00e4ndig aktive Dienste<\/td>\n<td style='padding:8px 10px;border-bottom:1px solid #efecf8;'>Experimentieren, Modelle vergleichen, Nicht-Programmierer<\/td>\n<\/tr>\n<tr>\n<td style='padding:8px 10px;'>Preis<\/td>\n<td style='padding:8px 10px;'>Kostenlos, Open Source<\/td>\n<td style='padding:8px 10px;'>Kostenlos (Closed Source)<\/td>\n<\/tr>\n<\/table>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Ollama_actually_is\"><\/span>Was Ollama eigentlich ist<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama installiert einen kleinen Hintergrunddienst sowie ein Kommandozeilen-Tool. Sie laden ein Modell per Namen herunter; ab diesem Zeitpunkt kann jede Anwendung auf Ihrem Rechner \u00fcber einen lokalen HTTP-Endpunkt mit ihm kommunizieren, der denselben API-Dialekt wie die OpenAI-API spricht. Diese einzige Designentscheidung erkl\u00e4rt den Gro\u00dfteil seiner Beliebtheit: Bestehender Code, der mit einem Cloud-Modell kommuniziert, ben\u00f6tigt meist lediglich eine ge\u00e4nderte Basis-URL, um stattdessen mit Ihrem Laptop zu sprechen.<\/p>\n<p>Es ist zudem die Option, die auch au\u00dferhalb einer Desktop-Umgebung funktioniert. Ollama l\u00e4uft auf einem headless Linux-System, innerhalb von Docker oder auf einem zus\u00e4tzlichen Rechner in einem anderen Raum \u2013 daher bauen die meisten selbstgehosteten KI-Stacks und Home-Lab-Setups darauf auf. Der Nachteil besteht darin, dass die Modellentdeckung bewusst eingeschr\u00e4nkt ist \u2013 eine kuratierte Bibliothek mit klaren Namen statt des gesamten offenen Gewichts-\u201eFeuerwehrs\u201c aus dem Open-Weights-Bereich. Siehe unseren <a href='\/de\/what-is-ollama-complete-guide-2026\/'>vollst\u00e4ndigen Ollama-Leitfaden<\/a> und die <a href='\/de\/ollama-models-list-2026\/'>Ollama-Modellliste<\/a> f\u00fcr das, was tats\u00e4chlich verf\u00fcgbar ist.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_LM_Studio_actually_is\"><\/span>Was LM Studio eigentlich ist<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>LM Studio ist eine Desktop-Anwendung. Sie suchen ein Modell, verfolgen dessen Download mit einer Fortschrittsanzeige und chatten in einem Fenster mit ihm \u2013 zu keinem Zeitpunkt ist ein Terminal erforderlich. Der integrierte Modellbrowser durchsucht Hugging Face direkt, sodass auch obskure Fine-Tunes und brandneue Releases lange vor ihrem Erscheinen in einer kuratierten Bibliothek auftauchen; zudem informiert die Anwendung Sie bereits vorab, ob eine bestimmte Datei in Ihren Arbeitsspeicher passt.<\/p>\n<p>Ihr stiller Vorteil liegt auf Apple-Hardware. LM Studio kann Modelle \u00fcber <strong>MLX<\/strong>, Apples eigenes Machine-Learning-Framework, statt \u00fcber den llama.cpp-Pfad ausf\u00fchren \u2013 und bei Apple Silicon bedeutet dies in der Regel deutlich schnellere Textgenerierung f\u00fcr dasselbe Modell. Falls Ihr Ger\u00e4t ein MacBook oder ein Mac Studio ist, stellt dies den einzigen konkreten Performance-Unterschied zwischen beiden Tools dar.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Speed_and_memory_mostly_the_same_with_two_exceptions\"><\/span>Geschwindigkeit und Speicherverbrauch: gr\u00f6\u00dftenteils identisch, mit zwei Ausnahmen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Beide Tools f\u00fchren letztlich dieselben quantisierten Modell-Dateien aus; daher ist der Durchsatzunterschied bei identischen Einstellungen auf derselben Hardware meist gering. Die Ausnahmen sind jedoch entscheidend: Erstens MLX auf Apple Silicon, wie oben beschrieben. Zweitens die Standardeinstellungen: LM Studio stellt Kontextl\u00e4nge, GPU-Offload-Schichten und Batch-Gr\u00f6\u00dfe in einem Einstellungsfenster zur Verf\u00fcgung, w\u00e4hrend Ollamas Standardeinstellungen konservativ sind und \u00fcber eine Modelfile oder Umgebungsvariablen ge\u00e4ndert werden m\u00fcssen \u2013 ein Vergleich \u201eaus der Box\u201c misst daher oft eher die Konfiguration als die Engines selbst.<\/p>\n<p>Die Speicheranforderungen sind identisch, da die Beschr\u00e4nkung vom Modell und nicht vom Tool ausgeht. Ein 7\u20138B-Modell mit 4-Bit-Quantisierung ben\u00f6tigt etwa 5\u20136 GB, ein 70B-Modell 40\u201348 GB \u2013 zus\u00e4tzlich Platz f\u00fcr den Kontext. Sie k\u00f6nnen jedes konkrete Modell anhand unserer <a href='\/de\/llm-vram-calculator\/'>kostenlosen LLM-VRAM-Rechner<\/a>.<\/p>\n<div style='background:#fffdf5;border:1px solid #f0e6c8;border-left:4px solid #b45309;border-radius:10px;padding:18px 22px;margin:28px 0;'>\n<p style='margin:0 0 10px;font-weight:700;color:#92400e;font-size:14px;letter-spacing:.5px;text-transform:uppercase;'>Convly&#8217;s take<\/p>\n<p style='margin:0;'>Dies ist keine echte Konkurrenz \u2013 vielmehr eine Arbeitsteilung, und die ehrliche Empfehlung lautet, sie nicht als Entweder-oder zu betrachten. Nutzen Sie LM Studio, um <em>Modelle zu entdecken<\/em>: Durchsuchen Sie Hugging Face, probieren Sie drei verschiedene Quantisierungen eines neuen Modells aus und finden Sie heraus, welche Variante Ihr System verkraftet. Verwenden Sie dann Ollama, um <em>bereitstellen<\/em>: Sobald Sie das gew\u00fcnschte Modell kennen, laden Sie es einmal herunter und lassen s\u00e4mtliche Skripte, Editor-Plugins und Nebenprojekte auf Ihrem Rechner denselben Endpunkt ansprechen. Die Menschen, die 2026 am meisten aus lokaler KI herausholen, nutzen fast immer beide Tools \u2013 und der ben\u00f6tigte Speicherplatz ist g\u00fcnstiger als die Zeit, die man durch die Entscheidung f\u00fcr nur eines verliert.<\/p>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"Which_one_should_you_install_first\"><\/span>Welches Tool sollten Sie zuerst installieren?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Sie schreiben Code und m\u00f6chten KI in Ihre eigenen Anwendungen integrieren<\/strong> \u2192 Ollama. Der st\u00e4ndig verf\u00fcgbare, OpenAI-kompatible Endpunkt ist der eigentliche Zweck.<\/li>\n<li><strong>Sie m\u00f6chten lokale KI ohne Terminal ausprobieren<\/strong> \u2192 LM Studio. Sie werden bereits zehn Minuten nach Abschluss des Downloads mit dem Modell chatten k\u00f6nnen.<\/li>\n<li><strong>Sie arbeiten auf einem MacBook oder Mac Studio<\/strong> \u2192 Zun\u00e4chst LM Studio wegen des MLX-Geschwindigkeitsvorteils; f\u00fcgen Sie Ollama hinzu, sobald Sie mit der Entwicklung beginnen.<\/li>\n<li><strong>Sie m\u00f6chten die KI auf einem Heimserver oder in Docker betreiben<\/strong> \u2192 Ollama \u2013 und hier gibt es keine ernsthafte Alternative.<\/li>\n<li><strong>Sie vergleichen viele Modelle rasch miteinander<\/strong> \u2192 Der Browser von LM Studio sowie die Warnungen zur Speicherpassung sparen wertvolle Zeit.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Beyond_the_two_vLLM_and_llamacpp\"><\/span>Dar\u00fcber hinaus: vLLM und llama.cpp<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Falls Sie gleichzeitig mehrere Benutzer bedienen, anstatt allein zu arbeiten, sto\u00dfen Sie bei beiden Tools schnell an ihre Grenzen \u2013 <strong>vLLM<\/strong> verarbeitet parallele Anfragen deutlich besser, und <strong>llama.cpp<\/strong> bietet Ihnen die feinste Kontrolle \u00fcber Quantisierung und Hardware. Wir vergleichen alle vier Tools in <a href='\/de\/ollama-vs-lm-studio-vs-vllm-vs-llama-cpp-2026\/'>Ollama vs. LM Studio vs. vLLM vs. llama.cpp<\/a>. Und falls Sie lokale Hardware gegen die Bezahlung pro Token abw\u00e4gen, zeigt Ihnen der <a href='\/de\/self-hosting-vs-api-calculator\/'>Selbsthosting- vs. API-Kostenrechner<\/a> Ihren pers\u00f6nlichen Break-even-Punkt an.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>H\u00e4ufig gestellte Fragen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Ist LM Studio schneller als Ollama?<\/h3>\n<p>Auf Apple Silicon ja \u2013 LM Studio kann die MLX-Runtime von Apple nutzen, die im Allgemeinen die von Ollama verwendete llama.cpp-Pipeline \u00fcbertrifft. Unter Windows und Linux mit einer NVIDIA-GPU liegen beide Tools nahe beieinander; gemessene Unterschiede beruhen h\u00e4ufig eher auf Kontextl\u00e4nge und GPU-Offload-Einstellungen als auf den Engines selbst.<\/p>\n<h3>Kann ich Ollama und LM Studio gleichzeitig nutzen?<\/h3>\n<p>Ja, und viele Nutzer tun genau das. Beide Tools installieren unabh\u00e4ngig voneinander und verwenden separate Modellordner. Die einzige praktische Einschr\u00e4nkung betrifft den Arbeitsspeicher: Laden Sie nicht gleichzeitig ein gro\u00dfes Modell in beiden Tools, und weisen Sie beiden lokalen Servern unterschiedliche Ports zu, falls Sie beide parallel betreiben.<\/p>\n<h3>Bietet LM Studio eine API wie Ollama?<\/h3>\n<p>Ja \u2013 LM Studio enth\u00e4lt einen lokalen Servermodus mit einem OpenAI-kompatiblen Endpunkt. Der Unterschied besteht darin, dass dieser Modus innerhalb der laufenden Desktop-Anwendung aktiviert wird, w\u00e4hrend Ollamas Dienst beim Systemstart automatisch gestartet wird und stets verf\u00fcgbar sein soll.<\/p>\n<h3>Sind Ollama und LM Studio kostenlos?<\/h3>\n<p>Beide Tools k\u00f6nnen kostenlos heruntergeladen und genutzt werden, auch f\u00fcr kommerzielle Zwecke. Ollama ist Open Source; LM Studio ist zwar kostenlos, aber closed source. Ihre einzigen tats\u00e4chlichen Kosten sind Hardware und Strom.<\/p>\n<h3>Welches Tool verbraucht weniger Arbeitsspeicher, Ollama oder LM Studio?<\/h3>\n<p>Keines von beiden nennenswert \u2013 der Arbeitsspeicherverbrauch wird durch die Modell-Datei und die Kontextl\u00e4nge bestimmt, nicht durch das Tool. Ein bestimmtes 4-Bit-Modell ben\u00f6tigt in beiden Tools denselben Arbeitsspeicher. LM Studio macht diese Anforderung lediglich bereits vor dem Download deutlicher sichtbar.<\/p>","protected":false},"excerpt":{"rendered":"<p>Ollama and LM Studio both run large language models on your own machine, and both are free \u2014 but they are built for different people. Here is an honest comparison of interface, performance, API access and hardware use, plus which one to pick for your setup.<\/p>","protected":false},"author":1,"featured_media":1789,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[5],"tags":[740,260,256,259,1047],"class_list":["post-1738","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-tools","tag-ai-tools","tag-lm-studio","tag-local-llm","tag-ollama","tag-self-hosting"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1738","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/comments?post=1738"}],"version-history":[{"count":2,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1738\/revisions"}],"predecessor-version":[{"id":1864,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1738\/revisions\/1864"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/1789"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=1738"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=1738"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=1738"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}