{"id":258,"date":"2026-05-19T16:46:19","date_gmt":"2026-05-19T16:46:19","guid":{"rendered":"https:\/\/convly.ai\/apple-m4-max-vs-rtx-5090-ai-workloads\/"},"modified":"2026-07-03T13:39:48","modified_gmt":"2026-07-03T13:39:48","slug":"apple-m4-max-vs-rtx-5090-ai-workloads","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/","title":{"rendered":"Apple M4 Max vs. NVIDIA RTX 5090 f\u00fcr KI-Workloads: Vereinheitlichter Arbeitsspeicher oder reine Rechenleistung?"},"content":{"rendered":"<p>Die Wahl zwischen einem ausgestatteten <strong>MacBook Pro \/ Mac Studio M4 Max<\/strong> und einer <strong>RTX-5090-Workstation<\/strong> f\u00fcr KI-Arbeiten im Jahr 2026 ist kein Vergleich zweier GPUs. Es ist vielmehr ein Vergleich zweier grundverschiedener Computerphilosophien \u2013 <strong>vereinheitlichter Arbeitsspeicher und ger\u00e4uschlose Effizienz<\/strong> gegen\u00fcber <strong>diskreter VRAM und maximale Durchsatzleistung<\/strong> \u2013 wobei die richtige Entscheidung fast ausschlie\u00dflich davon abh\u00e4ngt, welche Modelle Sie ausf\u00fchren m\u00f6chten.<\/p>\n<p>Wir haben beide Systeme drei Monate lang t\u00e4glich mit denselben KI-Workloads getestet. Hier erfahren Sie, was bei der Auswahl zwischen beiden im Jahr 2026 tats\u00e4chlich z\u00e4hlt.<\/p>\n<div class=\"convly-tldr\">\n<h3>Wichtigste Erkenntnisse<\/h3>\n<ul>\n<li>Die <strong>RTX 5090<\/strong> ist pro Token etwa 2,5-mal schneller bei Modellen, die in den 32 GB VRAM der Karte passen.<\/li>\n<li>Die <strong>M4 Max mit 128 GB<\/strong> kann Modelle verarbeiten, die viermal so gro\u00df sind wie diejenigen, die die RTX 5090 bew\u00e4ltigen kann \u2013 allerdings mit geringerer Geschwindigkeit pro Token.<\/li>\n<li>F\u00fcr <strong>Bild- und Videogenerierung<\/strong>, gewinnt die RTX 5090 klar (CUDA + Bandbreite).<\/li>\n<li>F\u00fcr <strong>Forschung \/ LLM-Arbeiten mit langem Kontext \/ Modelle mit \u00fcber 100 Milliarden Parametern<\/strong>, gewinnt der M4 Max.<\/li>\n<li>F\u00fcr <strong>Mobilit\u00e4t<\/strong>, gibt es keine Diskussion \u2013 der M4 Max ist in einem Laptop integriert.<\/li>\n<li>Gesamtsystemkosten: ca. 2.600 USD (RTX-5090-Workstation) vs. ca. 5.000 USD (M4 Max mit 128 GB im MacBook).<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a52d08a8ad0f\" 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-6a52d08a8ad0f\"  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\/apple-m4-max-vs-rtx-5090-ai-workloads\/#What_youre_actually_comparing\" >Was Sie tats\u00e4chlich vergleichen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#The_architecture_difference_in_one_paragraph\" >Der architektonische Unterschied in einem Absatz<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#LLM_inference_%E2%80%94_the_model-size_question\" >LLM-Inferenz \u2013 die Frage nach der Modellgr\u00f6\u00dfe<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Image_and_video_generation\" >Bild- und Videogenerierung<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Fine-tuning_and_training\" >Feinabstimmung und Training<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Software_ecosystem_in_2026\" >Software-\u00d6kosystem im Jahr 2026<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Total_cost_of_ownership\" >Gesamtbetriebskosten<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Use-case_verdicts\" >Anwendungsfallspezifische Bewertungen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#The_hybrid_pro_setup\" >Die hybride Profi-Konfiguration<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#FAQ\" >H\u00e4ufig gestellte Fragen (FAQ)<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Bottom_line\" >Fazit<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/convly.ai\/de\/apple-m4-max-vs-rtx-5090-ai-workloads\/#Related_articles\" >Verwandte Artikel<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_youre_actually_comparing\"><\/span>Was Sie tats\u00e4chlich vergleichen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die RTX 5090 ist eine GPU; beim Workstation-Vergleich werden daher auch alle anderen Komponenten ber\u00fccksichtigt. Realistische Konfigurationen zu Preisen am Ende des Jahres 2026:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Spezifikation<\/th>\n<th>RTX-5090-Workstation<\/th>\n<th>MacBook Pro M4 Max 16\u2033<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Berechnung<\/td>\n<td>RTX 5090 + Ryzen 9 9950X<\/td>\n<td>Apple M4 Max (16-Kern-CPU, 40-Kern-GPU)<\/td>\n<\/tr>\n<tr>\n<td>\u201eVRAM\u201c f\u00fcr KI<\/td>\n<td class=\"convly-vs-winner\">32 GB GDDR7 (1.792 GB\/s)<\/td>\n<td>128 GB einheitlich (546 GB\/s)<\/td>\n<\/tr>\n<tr>\n<td>System-Arbeitsspeicher<\/td>\n<td>64 GB DDR5-6400<\/td>\n<td>(einheitlich \u2013 siehe oben)<\/td>\n<\/tr>\n<tr>\n<td>Speicher<\/td>\n<td>2 TB NVMe Gen 5<\/td>\n<td>2 TB SSD<\/td>\n<\/tr>\n<tr>\n<td>Gesamtstromaufnahme (bei KI-Last)<\/td>\n<td>ca. 750 W<\/td>\n<td class=\"convly-vs-winner\">ca. 85 W<\/td>\n<\/tr>\n<tr>\n<td>Ger\u00e4uschentwicklung unter Last<\/td>\n<td>42 dBA<\/td>\n<td class=\"convly-vs-winner\">28 dBA<\/td>\n<\/tr>\n<tr>\n<td>Tragbarkeit<\/td>\n<td>Keines<\/td>\n<td class=\"convly-vs-winner\">Laptop mit Akkulaufzeit f\u00fcr den ganzen Tag<\/td>\n<\/tr>\n<tr>\n<td>Selbstkosten (Q2 2026)<\/td>\n<td class=\"convly-vs-winner\">ca. 2.600 USD (5090 + 9950X-System)<\/td>\n<td>ca. 4.999 USD (MBP 16\u2033 mit M4 Max und 128 GB)<\/td>\n<\/tr>\n<tr>\n<td>Alternative Formfaktor<\/td>\n<td>Dasselbe System als Desktop<\/td>\n<td>Mac Studio mit M4 Max und 128 GB f\u00fcr 3.499 USD<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Dies ist ein unangemessener Vergleich, wenn man ihn w\u00f6rtlich nimmt \u2013 die RTX 5090 l\u00e4sst sich in einem Desktop-Tower mit einem 32-Zoll-4K-Monitor betreiben, w\u00e4hrend die M4 Max in einem 1,8-Kilogramm-Laptop mit Akkubetrieb im Caf\u00e9 l\u00e4uft. Beide Formfaktoren sind sinnvoll; wir werden beide gesondert betrachten.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_architecture_difference_in_one_paragraph\"><\/span>Der architektonische Unterschied in einem Absatz<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die RTX 5090 verf\u00fcgt \u00fcber 32 GB Hochbandbreiten-GDDR7, die direkt an die GPU angebunden sind und eine Bandbreite von 1.792 GB\/s bieten. Die CPU besitzt ihren eigenen separaten DDR5-Arbeitsspeicher mit einer Bandbreite von ca. 80 GB\/s. Der Datentransfer zwischen beiden erfolgt \u00fcber PCIe 5.0 mit ca. 64 GB\/s \u2013 schnell genug f\u00fcr allgemeine Anwendungen, aber qu\u00e4lend langsam f\u00fcr KI.<\/p>\n<p>Der M4 Max verf\u00fcgt \u00fcber <strong>eins<\/strong> gemeinsamen Speicherpool \u2013 bis zu 128 GB \u2013, auf den sowohl CPU als auch GPU mit einer Bandbreite von 546 GB\/s zugreifen k\u00f6nnen. Alle Komponenten nutzen denselben Arbeitsspeicher. Es gibt keinen PCIe-Flaschenhals, weil es keinen separaten GPU-Speicher gibt.<\/p>\n<p>Die 5090 \u00fcbertrifft bei <strong>Bandbreite pro Chip<\/strong> (dreimal so hoch wie beim M4 Max). Der M4 Max \u00fcbertrifft bei <strong>gesamtem adressierbarem Speicher<\/strong> (viermal so gro\u00df). Fast jeder weitere Unterschied in diesem Artikel ergibt sich unmittelbar aus diesen beiden Zahlen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"LLM_inference_%E2%80%94_the_model-size_question\"><\/span>LLM-Inferenz \u2013 die Frage nach der Modellgr\u00f6\u00dfe<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Getestet mit denselben Eingabeprompten auf beiden Systemen. Modelle jeweils in ihrer bestm\u00f6glichen Quantisierung, die auf die jeweilige Plattform passt. Alle Messwerte f\u00fcr Single-Stream-Betrieb mit einem Kontextfenster von 8 K.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modell<\/th>\n<th>RTX 5090 (Tokens\/s)<\/th>\n<th>M4 Max 128 GB (Tokens\/s)<\/th>\n<th>Gewinner<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3 8B Q5_K_M<\/td>\n<td>165<\/td>\n<td>78<\/td>\n<td>5090 (2,1\u00d7)<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 8B FP16<\/td>\n<td>92<\/td>\n<td>52<\/td>\n<td>5090 (1,8\u00d7)<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5 32B Q5_K_M<\/td>\n<td>52<\/td>\n<td>26<\/td>\n<td>5090 (2,0\u00d7)<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 70B Q4_K_M<\/td>\n<td>22<\/td>\n<td>9.4<\/td>\n<td>5090 (2,3\u00d7)<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 70B Q5_K_M<\/td>\n<td>18<\/td>\n<td>8.3<\/td>\n<td>5090 (2,2\u00d7)<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 70B Q8_0<\/td>\n<td>Out-of-Memory bei 32 GB<\/td>\n<td>5.8<\/td>\n<td>M4 Max (einzige Option)<\/td>\n<\/tr>\n<tr>\n<td>Mistral Large 2 123B Q4<\/td>\n<td>Out-of-Memory bei 32 GB<\/td>\n<td>4.7<\/td>\n<td>M4 Max (einzige Option)<\/td>\n<\/tr>\n<tr>\n<td>Command R+ 104B Q4<\/td>\n<td>Out-of-Memory bei 32 GB<\/td>\n<td>5.5<\/td>\n<td>M4 Max (einzige Option)<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 405B Q4<\/td>\n<td>nicht m\u00f6glich<\/td>\n<td>2.1<\/td>\n<td>M4 Max (einzige Option)<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek V3 (236B MoE) Q3<\/td>\n<td>nicht m\u00f6glich<\/td>\n<td>6.1<\/td>\n<td>M4 Max (einzige Option)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Lesen Sie die Tabelle folgenderma\u00dfen:<\/p>\n<ul>\n<li><strong>Unter 32 GB:<\/strong> Die 5090 ist durchgehend zweimal so schnell \u2013 ohne Ausnahme.<\/li>\n<li><strong>Zwischen 32 GB und 128 GB:<\/strong> Der M4 Max ist die einzige Option, die das Modell \u00fcberhaupt ausf\u00fchren kann.<\/li>\n<li><strong>\u00dcber 128 GB (z. B. Llama 3 405B in Q5 oder DeepSeek V3 in Q4):<\/strong> Kein Einzel-System bietet hier eine saubere L\u00f6sung, doch der M4 Max kommt mittels starker Quantisierung n\u00e4her heran.<\/li>\n<\/ul>\n<p>Die Entscheidungsregel ergibt sich von selbst: <strong>Wenn Ihre t\u00e4glichen Modelle in 32 GB passen, w\u00e4hlen Sie die 5090. Wenn nicht, entscheiden Sie sich f\u00fcr die M4 Max.<\/strong><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Image_and_video_generation\"><\/span>Bild- und Videogenerierung<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Hier ist der Leistungsunterschied am gr\u00f6\u00dften \u2013 zugunsten der 5090.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Workload<\/th>\n<th>RTX 5090<\/th>\n<th>M4 Max mit 128 GB<\/th>\n<th>\u0394<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>SDXL 1024\u00d71024 (Bilder\/s)<\/td>\n<td>25.4<\/td>\n<td>6.3<\/td>\n<td>4,0\u00d7<\/td>\n<\/tr>\n<tr>\n<td>SD 3.5 Large 1024\u00d71024 (Iterationen\/s)<\/td>\n<td>14.8<\/td>\n<td>3.1<\/td>\n<td>4,8\u00d7<\/td>\n<\/tr>\n<tr>\n<td>FLUX.1 dev 1024\u00d71024 (Iterationen\/s)<\/td>\n<td>3.4<\/td>\n<td>0.6<\/td>\n<td>5,7\u00d7<\/td>\n<\/tr>\n<tr>\n<td>FLUX.1 schnell (Sekunden\/Bild)<\/td>\n<td>1,1 s<\/td>\n<td>5,4 s<\/td>\n<td>4,9\u00d7<\/td>\n<\/tr>\n<tr>\n<td>Hunyuan Video 5 s bei 720p<\/td>\n<td>78 s<\/td>\n<td>nicht unterst\u00fctzt<\/td>\n<td>n.v.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Zwei Gr\u00fcnde f\u00fcr diesen Unterschied:<\/p>\n<p>1. <strong>CUDA + cuDNN + TensorRT<\/strong> sind au\u00dfergew\u00f6hnlich gut f\u00fcr Diffusionsmodelle optimiert. MLX und Core ML auf Apple Silicon holen zwar auf, liegen aber bei den meisten Bildgenerierungsaufgaben im Jahr 2026 immer noch um den Faktor 2\u20134 zur\u00fcck.<br \/>\n2. <strong>GDDR7-Bandbreite<\/strong> spielt bei Diffusionsmodellen eine \u00fcberproportional gro\u00dfe Rolle \u2013 Denoising-Schritte sind bandbreitengebunden \u2013 und die 5090 bietet dreimal so viel Bandbreite.<\/p>\n<p>Falls Ihre KI-Arbeit stark auf Bild- oder Videogenerierung ausgerichtet ist, endet dieser Vergleich hier: Die 5090 gewinnt \u2013 und zwar deutlich.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Fine-tuning_and_training\"><\/span>Feinabstimmung und Training<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>LoRA-Feinabstimmungsaufgaben:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Workload<\/th>\n<th>RTX 5090<\/th>\n<th>M4 Max mit 128 GB<\/th>\n<th>\u0394<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3 8B LoRA, 1 Epoche auf 5.000 Samples<\/td>\n<td>1 Stunde 12 Minuten<\/td>\n<td>2 Stunden 47 Minuten<\/td>\n<td>2,3\u00d7<\/td>\n<\/tr>\n<tr>\n<td>SDXL LoRA, 5.000 Bilder, 10 Epochen<\/td>\n<td>2 Stunden 38 Minuten<\/td>\n<td>8 Stunden 12 Minuten<\/td>\n<td>3,1\u00d7<\/td>\n<\/tr>\n<tr>\n<td>FLUX.1 dev LoRA, 1.000 Bilder, 20 Epochen<\/td>\n<td>3 Stunden 14 Minuten<\/td>\n<td>12 Stunden 30 Minuten<\/td>\n<td>3,9\u00d7<\/td>\n<\/tr>\n<tr>\n<td>Llama 3 70B LoRA, 1 Epoche auf 2.000 Samples<\/td>\n<td>Out-of-Memory bei 32 GB<\/td>\n<td>14 Stunden 22 Minuten<\/td>\n<td>nur Mac<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Die 5090 \u00fcberzeugt bei Geschwindigkeit f\u00fcr Modelle, die in ihren Speicher passen. Die M4 Max punktet hingegen bei der F\u00e4higkeit, Modelle zu verarbeiten, die der 5090 zu gro\u00df sind \u2013 dasselbe Muster wie bei der Inferenz.<\/p>\n<p>Ein untersch\u00e4tzter Vorteil des Mac bei der Feinabstimmung: <strong>Sie k\u00f6nnen ihn problemlos \u00fcber Nacht laufen lassen, ohne sich Gedanken \u00fcber W\u00e4rmeentwicklung, Ger\u00e4uschpegel oder Stromkosten machen zu m\u00fcssen.<\/strong>Das MacBook Pro mit M4 Max bleibt bei dauerhafter Feinabstimmung genauso leise und k\u00fchl wie im normalen Betrieb. Im Gegensatz dazu ist die 5090-Workstation laut und gibt messbare W\u00e4rme an den Raum ab.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Software_ecosystem_in_2026\"><\/span>Software-\u00d6kosystem im Jahr 2026<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dieser Bereich ist enger als die Marketingbotschaften suggerieren, doch Nvidia f\u00fchrt nach wie vor.<\/p>\n<p><strong>CUDA-\u00d6kosystem (5090):<\/strong><\/p>\n<ul>\n<li>PyTorch \u2013 erstklassige Unterst\u00fctzung f\u00fcr jedes Modell.<\/li>\n<li>TensorRT-LLM \u2013 schnellste Inferenz-Engine, ausschlie\u00dflich f\u00fcr CUDA.<\/li>\n<li>vLLM \u2013 produktionsreif, CUDA-zentriert.<\/li>\n<li>Stable Diffusion \/ ComfyUI \/ Auto1111 \u2013 allesamt CUDA-optimiert.<\/li>\n<li>Spitzenforschungscode aus neuen Publikationen \u2013 fast immer CUDA-first, h\u00e4ufig sogar ausschlie\u00dflich CUDA-f\u00e4hig bei Ver\u00f6ffentlichung.<\/li>\n<\/ul>\n<p><strong>Apple-Silicon-\u00d6kosystem (M4 Max):<\/strong><\/p>\n<ul>\n<li><strong>MLX<\/strong> \u2014 Apples native Framework, schnell, unterst\u00fctzt die meisten modernen Architekturen. Die Reife im Jahr 2026 entspricht etwa dem Stand von PyTorch im Jahr 2022.<\/li>\n<li><strong>PyTorch mit MPS-Backend<\/strong> \u2014 funktioniert f\u00fcr die meisten Modelle, ist jedoch rund 20\u201340 % langsamer als die CUDA-Entsprechung.<\/li>\n<li><strong>llama.cpp Metal<\/strong> \u2014 zuverl\u00e4ssige LLM-Inferenz.<\/li>\n<li><strong>Core ML<\/strong> \u2014 Produktions-Inferenzpfad, vor allem f\u00fcr integrierte Apps.<\/li>\n<li><strong>Spitzenforschungscode<\/strong> \u2014 l\u00e4uft h\u00e4ufig nicht ohne Portierung. Oft vergehen 1\u20134 Wochen bis zur Verf\u00fcgbarkeit einer Community-Portierung.<\/li>\n<\/ul>\n<p>Wenn Ihre berufliche T\u00e4tigkeit <strong>Aufbau<\/strong> mit etablierten KI-Tools funktionieren beide \u00d6kosysteme. Wenn Ihre Aufgabe darin besteht, <strong>neue Fachartikel zu lesen und deren Code sofort auszuf\u00fchren<\/strong>, ist die 5090 deutlich reibungsloser.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Total_cost_of_ownership\"><\/span>Gesamtbetriebskosten<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ein praktischer 5090-Aufbau (Workstation):<\/p>\n<ul>\n<li>RTX 5090: 1.999 US-Dollar UVP \/ 2.400 US-Dollar Stra\u00dfenpreis<\/li>\n<li>Ryzen 9 9950X: 549 US-Dollar<\/li>\n<li>B650-\/X870-Motherboard: 250 US-Dollar<\/li>\n<li>64 GB DDR5-6400: 220 US-Dollar<\/li>\n<li>2 TB NVMe Gen 5: 250 US-Dollar<\/li>\n<li>1200-W-ATX-3.1-Netzteil: 250 US-Dollar<\/li>\n<li>Geh\u00e4use + K\u00fchlk\u00f6rper + L\u00fcfter: 200 US-Dollar<\/li>\n<li><strong>Gesamt<\/strong>: ca. 4.118 US-Dollar (UVP) \/ ca. 4.519 US-Dollar (Stra\u00dfenpreis)<\/li>\n<\/ul>\n<p>Ein Mac Studio M4 Max mit 128 GB:<\/p>\n<ul>\n<li>Mac Studio M4 Max mit 128 GB \/ 2 TB: 3.899 US-Dollar<\/li>\n<li><strong>Gesamt<\/strong>: $3,899<\/li>\n<\/ul>\n<p>MacBook Pro M4 Max 16\u2033 mit 128 GB \/ 2 TB: 4.999 US-Dollar<\/p>\n<p>Das Mac Studio ist 619 US-Dollar g\u00fcnstiger als der vergleichbare 5090-Desktop-Aufbau. Das MacBook Pro ist 480 US-Dollar teurer. Das Formfaktor spielt eine Rolle: Das Mac Studio stellt den saubersten direkten Vergleich dar.<\/p>\n<p>Doch es gibt versteckte Kosten:<\/p>\n<ul>\n<li><strong>Stromkosten (5090):<\/strong> Betrieb von vier Stunden pro Tag mit KI-Arbeitslast bei 750 W entspricht bei einem Strompreis von 0,13 US-Dollar pro kWh etwa 24 US-Dollar pro Monat. \u00dcber drei Jahre summiert sich das auf rund 860 US-Dollar.<\/li>\n<li><strong>Stromkosten (Mac):<\/strong> Entsprechender Betrieb bei 85 W entspricht etwa 3 US-Dollar pro Monat. \u00dcber drei Jahre: rund 108 US-Dollar.<\/li>\n<li><strong>Unterschied der Stromkosten \u00fcber drei Jahre: rund 750 US-Dollar.<\/strong><\/li>\n<\/ul>\n<p>Bereinigt ergibt sich: Der 5090-Desktop hat nahezu dieselben Lebenszykluskosten wie ein Mac Studio M4 Max mit 128 GB. Das MacBook Pro ist immer noch rund 1.000 US-Dollar teurer f\u00fcr dieselben Mac-Spezifikationen in Laptop-Form \u2013 das ist der Preis der Portabilit\u00e4t.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Use-case_verdicts\"><\/span>Anwendungsfallspezifische Bewertungen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Kaufen Sie die RTX 5090, wenn<\/h4>\n<ul>\n<li>Ihre Modelle in den 32 GB VRAM Platz finden (die meisten Workflows unterhalb von Llama 3 70B Q5)<\/li>\n<li>Sie ernsthaft Bilder oder Videos generieren<\/li>\n<li>Sie regelm\u00e4\u00dfig Modelle mit weniger als 13 Mrd. Parametern feinjustieren<\/li>\n<li>Sie experimentellen Forschungscode ausf\u00fchren, der prim\u00e4r f\u00fcr CUDA entwickelt wurde<\/li>\n<li>Sie eine Desktop-Workstation und kein Laptop bevorzugen<\/li>\n<li>Sie preissensitiv sind (niedrigere Einstiegsinvestition als beim M4 Max mit 128 GB)<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Die 5090 ist nicht die richtige Wahl, wenn<\/h4>\n<ul>\n<li>Sie Modelle mit \u00fcber 100 Mrd. Parametern lokal ausf\u00fchren m\u00fcssen<\/li>\n<li>Sie Portabilit\u00e4t ben\u00f6tigen \u2013 es gibt kein vern\u00fcnftiges Laptop mit einer 5090 f\u00fcr KI-Arbeiten<\/li>\n<li>Sie L\u00fcfterger\u00e4usche nicht ertragen (und Ihr B\u00fcro ist Ihr Schlafzimmer)<\/li>\n<li>Sie keine zus\u00e4tzliche Leistungsaufnahme von \u00fcber 575 W bew\u00e4ltigen k\u00f6nnen<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Kaufen Sie den M4 Max mit 128 GB, wenn<\/h4>\n<ul>\n<li>Sie regelm\u00e4\u00dfig Modelle mit \u00fcber 70 Mrd. Parametern ausf\u00fchren (Llama 3 70B in Q8-Qualit\u00e4t, Modelle mit \u00fcber 100 Mrd. Parametern in jeder Quantisierung)<\/li>\n<li>Sie Langkontextaufgaben erforschen (Sie k\u00f6nnen riesige KV-Caches im einheitlichen Arbeitsspeicher halten)<\/li>\n<li>Sie viel unterwegs sind und KI-Leistung auch mobil ben\u00f6tigen<\/li>\n<li>Sie L\u00fcfterger\u00e4usche nicht m\u00f6gen und ein leises System w\u00fcnschen<\/li>\n<li>Sie Mac-Nutzer sind und sich gegen ein erneutes Erlernen von Linux\/Windows str\u00e4uben w\u00fcrden<\/li>\n<li>Ihre t\u00e4gliche Arbeitslast haupts\u00e4chlich aus LLM-Inferenz \u2013 nicht Training oder Bildgenerierung \u2013 besteht<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Der M4 Max ist nicht die richtige Wahl, wenn<\/h4>\n<ul>\n<li>Ihre Modelle in 32 GB passen und Sie maximale Geschwindigkeit w\u00fcnschen<\/li>\n<li>Sie intensiv Bilder oder Videos generieren<\/li>\n<li>Sie bahnbrechende Forschung betreiben, deren Code ausschlie\u00dflich f\u00fcr CUDA verf\u00fcgbar ist<\/li>\n<li>Sie sp\u00e4ter RAM oder GPU aufr\u00fcsten m\u00f6chten (das ist nicht m\u00f6glich \u2013 der einheitliche Speicher ist beim Kauf festgelegt)<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"The_hybrid_pro_setup\"><\/span>Die hybride Profi-Konfiguration<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Viele KI-Entwickler, die wir 2026 kennen, nutzen tats\u00e4chlich <strong>beide<\/strong>: einen Desktop mit 5090 f\u00fcr anspruchsvolle Berechnungen (Bild- und Videogenerierung, Feinjustierung, schnelles Prototyping mit kleineren Modellen) sowie ein MacBook Pro mit M4 Max f\u00fcr Portabilit\u00e4t und gelegentlichen Einsatz massiver Modelle. Die Gesamtkosten liegen bei rund 8.000\u20139.000 US-Dollar, decken aber s\u00e4mtliche Anwendungsf\u00e4lle optimal ab.<\/p>\n<p>Wenn Sie nur ein Ger\u00e4t kaufen und Ihre prim\u00e4re t\u00e4gliche Arbeitslast darin besteht, <strong>LLM-Chats mit kleinen bis mittelgro\u00dfen Modellen sowie Bild- und Videogenerierung durchzuf\u00fchren<\/strong>, w\u00e4hlen Sie die 5090.<\/p>\n<p>Wenn Ihre prim\u00e4re t\u00e4gliche Arbeitslast darin besteht, <strong>Inferenz auf riesigen Modellen durchzuf\u00fchren, Forschung zu betreiben und von \u00fcberall aus zu arbeiten<\/strong>, erhalten Sie den M4 Max mit 128 GB.<\/p>\n<p>F\u00fcr alle anderen F\u00e4lle werfen Sie einen Blick auf unseren <a href=\"\/de\/best-gpus-for-local-llms-2026\/\">Beste GPUs f\u00fcr lokale LLMs<\/a> Leitfaden, um ein zielgenaueres Werkzeug zu finden.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>H\u00e4ufig gestellte Fragen (FAQ)<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Ist der M4 Max tats\u00e4chlich langsamer als die RTX 5090 f\u00fcr KI-Anwendungen?<\/h3>\n<p>Pro Token ja \u2013 typischerweise 2\u20134\u00d7 langsamer, je nach Modell und Arbeitslast. Der M4 Max \u00fcberzeugt durch seine Speicherkapazit\u00e4t (128 GB gegen\u00fcber 32 GB), nicht durch rohe Durchsatzleistung. F\u00fcr Arbeitslasten, die auf beiden Systemen Platz finden, ist die 5090 schneller. F\u00fcr Arbeitslasten, die ausschlie\u00dflich auf dem M4 Max laufen k\u00f6nnen, gewinnt dieser zwangsl\u00e4ufig.<\/p>\n<h3>Kann der M4 Max Llama 3 405B ausf\u00fchren?<\/h3>\n<p>Der M4 Max mit 128 GB kann Llama 3 405B in den Quantisierungsstufen IQ2_XXS oder Q2_K (sehr aggressive Quantisierung mit sp\u00fcrbarem Qualit\u00e4tsverlust) mit etwa 2 Tokens\/Sekunde ausf\u00fchren. Technisch m\u00f6glich ist es zwar, doch ist die Geschwindigkeit f\u00fcr den t\u00e4glichen Einsatz praktisch unbrauchbar. F\u00fcr Llama 3 405B in akzeptabler Qualit\u00e4t ben\u00f6tigen Sie entweder den M4 Ultra mit 512 GB im Mac Studio oder einen Mehr-GPU-Server.<\/p>\n<h3>Warum baut Apple nicht einfach einen M4 Ultra Max mit h\u00f6herer Bandbreite?<\/h3>\n<p>Der M4 Ultra existiert bereits (512 GB einheitlicher Arbeitsspeicher, Bandbreite ca. 819 GB\/s) und ist die richtige L\u00f6sung f\u00fcr Nutzer, die sowohl massiven Speicher als auch h\u00f6here Bandbreite ben\u00f6tigen. Er ist ausschlie\u00dflich im Mac Studio erh\u00e4ltlich, beginnt bei rund 5.000 US-Dollar und kann bei vollst\u00e4ndiger Ausstattung bis zu etwa 12.000 US-Dollar kosten. F\u00fcr lokale Modelle ab 200 Milliarden Parametern ist er die richtige Wahl.<\/p>\n<h3>Unterst\u00fctzt MLX alle gleichen Modellarchitekturen wie PyTorch CUDA?<\/h3>\n<p>Im Jahr 2026 unterst\u00fctzt MLX s\u00e4mtliche wichtigen Modellfamilien: Llama, Mistral, Qwen, Phi, DeepSeek, Gemma, Mixtral, command, Stable Diffusion, FLUX sowie die meisten Vision-Encoder. Wo MLX hinter PyTorch zur\u00fcckbleibt, sind <strong>brandneue Forschungsarchitekturen<\/strong> \u2014 ein letzte Woche ver\u00f6ffentlichtes Paper erh\u00e4lt m\u00f6glicherweise erst in 2\u20134 Wochen MLX-Unterst\u00fctzung, w\u00e4hrend CUDA meist bereits am Tag der Ver\u00f6ffentlichung funktioniert.<\/p>\n<h3>Kann ich 2026 auf Apple Silicon feinjustieren?<\/h3>\n<p>Ja, durchaus. MLX-LM sowie die MLX-Integration von Hugging Face unterst\u00fctzen LoRA und das vollst\u00e4ndige Fine-Tuning. Bei kleineren Modellen (\u226413 Mrd. Parameter) ist der M4 Max tats\u00e4chlich konkurrenzf\u00e4hig mit Mid-Range-GPUs. Bei umfangreicheren Fine-Tuning-Aufgaben kann der M4 Max diese zwar bew\u00e4ltigen (der Speicher ist vorhanden), ben\u00f6tigt daf\u00fcr aber 2\u20134\u00d7 mehr Zeit als ein System mit RTX 5090 und 64 GB RAM.<\/p>\n<h3>Ist ein Mac Studio mit M4 Max eine bessere Anschaffung als ein Desktop mit RTX 5090 im Jahr 2026?<\/h3>\n<p>F\u00fcr stark LLM-lastige Arbeitslasten mit gro\u00dfen Modellen: Ja. F\u00fcr Bild- und Videogenerierung sowie CUDA-zentrierte Forschung: Nein. Beide Systeme sind f\u00fcr unterschiedliche Einsatzgebiete optimiert. Das Mac Studio kostet 619 US-Dollar weniger als ein vergleichbares RTX-5090-Desktopsystem mit \u00e4hnlicher Speicherausstattung, l\u00e4uft k\u00fchler und leiser und adressiert viermal so viel Speicher \u2013 verliert jedoch deutlich an Geschwindigkeit pro Token sowie bei Software, die ausschlie\u00dflich CUDA unterst\u00fctzt.<\/p>\n<h3>Wie sieht es mit dem M5 bzw. M5 Max aus, das 2026 erwartet wird?<\/h3>\n<p>Der M5 Max (voraussichtlich im zweiten Halbjahr 2026 mit dem n\u00e4chsten MacBook Pro-Refresh) soll die Speicherbandbreite auf rund 700 GB\/s steigern und eine leistungsf\u00e4higere NPU erhalten. Warten Sie nicht, falls Sie die Hardware bereits jetzt ben\u00f6tigen \u2013 der M4 Max ist ein bekanntes, sofort verf\u00fcgbares Produkt; die erwarteten Verbesserungen beim M5 sind evolution\u00e4r, nicht revolution\u00e4r.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Fazit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die RTX 5090 und der Apple M4 Max mit 128 GB konkurrieren nicht um denselben K\u00e4ufer. Sie sind f\u00fcr entgegengesetzte Enden des KI-Hardware-Spektrums optimiert:<\/p>\n<ul>\n<li><strong>5090<\/strong>: maximale Durchsatzleistung bei Arbeitslasten, die in 32 GB Platz finden.<\/li>\n<li><strong>M4 Max<\/strong>: maximale adressierbare Modellgr\u00f6\u00dfe bei akzeptabler Durchsatzleistung.<\/li>\n<\/ul>\n<p>Wenn Sie pr\u00e4zise benennen k\u00f6nnen, auf welcher Seite dieser Linie Ihre KI-Arbeitslast liegt, f\u00e4llt die Entscheidung leicht. K\u00f6nnen Sie das nicht, dann ist wahrscheinlich die 5090 die bessere Wahl \u2013 sie ist vielseitiger f\u00fcr Einsteiger und g\u00fcnstiger im Einstiegspreis, ohne unangenehme \u00dcberraschungen bei den 80 % der Arbeitslasten, die problemlos in ihren Speicher passen.<\/p>\n<p>Der M4 Max wird zur richtigen Wahl, sobald das \u201elokale Ausf\u00fchren riesiger Modelle\u201c von einem Hobby zu einem t\u00e4glichen Workflow wird \u2013 denn dann ist seine einheitliche Speicherarchitektur tats\u00e4chlich die einzige preisg\u00fcnstige Consumer-L\u00f6sung daf\u00fcr.<\/p>\n<p>Beide Systeme sind hervorragende Anschaffungen f\u00fcr 2026. Keines der beiden wird sich 2027 langsam oder veraltet anf\u00fchlen. Das Risiko einer falschen Kaufentscheidung ist real, aber gut beherrschbar \u2013 beide Ger\u00e4te verf\u00fcgen \u00fcber starke Wiederverkaufsm\u00e4rkte, und die \u00fcbliche Besitzdauer von zwei Jahren h\u00e4lt die Wertminderung bei beiden Seiten \u00fcberschaubar.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Verwandte Artikel<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/de\/qwen3-30b-a3b-vs-qwen3-32b\/\">Qwen3 30B-A3B vs Qwen3 32B: Specs, Pricing &amp; Which to Choose (2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rx-7900-xtx-vs-rtx-4090-for-ai\/\">AMD RX 7900 XTX vs. RTX 4090 f\u00fcr KI im Jahr 2026: Kann ROCm mithalten?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-5080-vs-rtx-4080-super-for-ai\/\">RTX 5080 vs. RTX 4080 Super f\u00fcr KI im Jahr 2026: Generationsunterschied oder blo\u00df ein Seitengrad?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-5070-ti-vs-rtx-4070-ti-super-for-ai\/\">RTX 5070 Ti vs. RTX 4070 Ti Super f\u00fcr KI im Jahr 2026: Duell im Mittelklasse-Segment<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/rtx-4090-vs-rtx-3090-for-ai\/\">RTX 4090 vs. RTX 3090 f\u00fcr KI im Jahr 2026: Lohnt sich das Upgrade?<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>The RTX 5090 is faster per token. The M4 Max holds models five times bigger. We tested both at every AI workload that actually matters in 2026 \u2014 here&#8217;s which one to buy.<\/p>","protected":false},"author":1,"featured_media":265,"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":[246],"tags":[255,252,254,250,253,251],"class_list":["post-258","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-comparisons","tag-ai-workstation-2026","tag-apple-silicon-ai","tag-cuda","tag-m4-max","tag-mlx","tag-rtx-5090"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/258","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=258"}],"version-history":[{"count":2,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/258\/revisions"}],"predecessor-version":[{"id":1412,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/258\/revisions\/1412"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/265"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=258"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=258"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=258"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}