Llama — September 2026

Victoria kombiniert MoE-Pruning (512→288 Experten/Layer) mit NVFP4-Nachtraining und einem Draft-Head für 2× höheren Durchsatz – ein praxisnaher Ansatz für effizientes lokales Inference. Maple zeigt, wie Domain-Fine-Tuning (länderspezifisch) die Korrektheit von Behördenantworten von 6,6% auf 21,8% treiben kann.

Wer lokale LLMs betreibt, könnte ohne Konfigurationsaufwand deutlich höhere Token-Durchsatzraten erzielen – potenziell ein direkter Ersatz für llama.cpp oder LM Studio auf heterogener Hardware.

Für lokale Deployments auf Apple Silicon zeigt der Test, dass ein knapp geführtes Chat-Template mit „be brief"-Instruktion die Effizienz und Trefferquote spürbar steigern kann – relevant für Nutzer, die 27B-Modelle unter 32 GB RAM betreiben.

AI-Builder können mit handelsüblicher Consumer-Hardware (Strix Halo + R9700) eine Inferenzleistung erreichen, die dedizierte Workstation-Systeme wie den DGX Spark übertrifft – bei deutlich geringeren Kosten. Der MIT-lizenzierte Code läuft mit Standard-Quants (Qwen, GLM) und erfordert keine proprietären Formate.

Für AI-Builder bedeutet das: Ein Mac Mini M5 Pro kann als Inferenzserver für 27B-Modelle mit einer RTX 3090 Ti (50–70 tok/s) mithalten – bei deutlich geringerem Stromverbrauch und kompaktem Formfaktor. Einziger Nachteil bleibt die ca. 4× langsamere Prefill-Phase der Apple-Hardware.

Ein 26-minütiges Meeting wird auf M4 Max in 33 Sekunden zu fertigen Notizen verarbeitet (~85 tok/s). Die Speaker-Fehlerrate (DER) sank von 43,4 % auf 14,6 %, Autocomplete-Latenz von 1,83 s auf 0,49 s – relevant für Entwickler, die vollständig lokale Meeting-Pipelines aufbauen wollen.

Mit dem Merge des PR #27773 können Nutzer GLM-5.3-Flash direkt über llama.cpp lokal betreiben – ohne Cloud-Abhängigkeit und mit den üblichen Quantisierungsoptionen von ggml.

Wer llama-server auf ressourcenschwacher Hardware wie dem Raspberry Pi betreibt, sollte einen Watchdog oder automatischen Retry-Mechanismus nach Tool-Calls einplanen, um Hänger ohne manuelle Eingriffe zu beheben.

Für AI-Builder mit strengen Datenschutzanforderungen sind nicht nur das Modell-Runtime, sondern auch Ingestion-, Eval- und Tracing-Komponenten zu lokalisieren – empfohlen werden lokale Parser (z.B. LiteParse), Self-hosted Judge-Modelle und lokale Tracing-Lösungen statt SaaS.

Strata ermöglicht Frontier-Modelle lokal auf Consumer-Laptops mit 12 GB VRAM und 64 GB RAM mit deutlich höherem Durchsatz als llama.cpp-Forks. Derzeit nur für ISTA-DASLab-GGUFs und Nvidia-GPUs verfügbar; AMD-Support ist experimentell.

Post-Training führt zu homogeneren Outputs – beim gleichen Prompt liefern Modelle zunehmend Variationen desselben Witzes. Wer Kreativität oder Diversität im Output benötigt, sollte Personas oder gezielte Sampling-Strategien einsetzen, da Chain-of-Thought-Planung die Vielfalt sogar weiter senkt.

AI-gestütztes Coding senkt die Hürde für eigene Inference-Engines drastisch – vollständig spezifizierte Ziele wie „maximiere tok/s für Modell X auf Hardware Y" sind ideal für autonome Implementierungen. Entwickler sollten prüfen, ob spezialisierte Engines für ihr Setup relevante Geschwindigkeitsvorteile bieten.

Wer llama.cpp per curl-Skript installiert hat und auf CUDA-Probleme stößt, findet hier einen praxisnahen Community-Thread zur sicheren Reinstallation mit CUDA 12 – relevant für lokale Inferenz auf Nvidia-GPUs unter Ubuntu/Mint.

Observer AI kombiniert llama.cpp, MCP-basiertes Micro-Agent-Framework und transformers.js (Browserversion mit Gemma-4-e2b ONNX) für vollständig lokale Screen-Automatisierung – ohne Cloud-Abhängigkeit. Entwickler können eigene Monitoring-Workflows per Spracheingabe definieren und via v1/chat/completions-Endpunkt eigene Modelle einbinden.

Der Fall Reflection 70B gilt als Lehrbeispiel für unkritische Hype-Übernahme in der LLM-Community. Community-Benchmarks und unabhängige Tests deckten die Täuschung schnell auf – ein Argument für reproduzierbare Evals vor der Adoption neuer Modelle.

Das Setup belegt, dass 27B-Modelle mit 100K-Kontext auf Consumer-AMD-GPUs mit 16 GB VRAM praktisch nutzbar sind. Die kombinierten Flags (ctx-checkpoints, q8/q5 KV-Cache, kein unified KV) sind direkt für eigene llama.cpp-Deployments übertragbar.

Meta Muse kombiniert 3,6 Mrd. tägliche Nutzer, massives Ad-Revenue und dedizierte VM-Swarm-Infrastruktur – ein Kostenvorteil, den kaum ein Wettbewerber replizieren kann. OpenAI gerät laut Analyse gleichzeitig unter Druck durch Open-Source-Modelle und Anthropic im Enterprise-Segment.

Zeigt, dass Ollama als einfachster Einstieg für große Modelle auf Consumer-GPUs unter Windows gilt, aber bei Tool-Integration noch Stabilitätsprobleme auftreten. Alternativen wie llama.cpp oder vllm erfordern mehr Setup-Aufwand und teils WSL-Kenntnisse.

Qwen 3.8 27B eignet sich laut Praxisbericht gut als lokaler Subagent in Multi-Agent-Pipelines. Die Kombination mit DeepSeek v4.1 Flash als Orchestrator zeigt, wie quantisierte Modelle in llama.cpp produktiv eingesetzt werden können.

Fragmentierung durch Hard-Forks erschwert Wartung und Qualitätssicherung im llama.cpp-Ökosystem. Wer auf optimierte Infer-Backends setzt, muss abwägen, ob Fork-Performance langfristig den Wartungsaufwand rechtfertigt.

Wer Qwen 3.8 Flash Next lokal auf Strix-Halo-Hardware betreibt, kann mit Gufo laut Nutzerbericht ~1239 tok/s beim Encoding erreichen – etwa doppelt so schnell wie mit llama.cpp-Forks, besonders bei hohem Kontext. Die Modellunterstützung ist aktuell noch begrenzt.

Wer Inferenz-Performance für ein einzelnes Modell (z.B. Qwen3 oder DeepSeek) maximieren will, könnte durch architekturspezifische llama.cpp-Builds laut Schätzung mehr als 2× Speedup erzielen – relevant für lokale Deployments mit begrenzter Hardware.

Nutzer, die eigene GGUF-Dateien direkt einbinden wollen, stoßen auf Kompatibilitätsprobleme mit der App. Das proprietäre Blob-Format erschwert den direkten Austausch von Modellen und weicht vom erwarteten llama.cpp-Standardverhalten ab.

Für lokale LLM-Agenten zählt vor allem VRAM-Gesamtmenge und System-RAM-Kapazität, nicht RAM-Geschwindigkeit oder CPU-Generation. Günstige Legacy-Workstations mit zwei GPUs können moderne Mid-Range-Gaming-PCs bei Inferenz-Tasks klar outperformen.

Das Modell ermöglicht es, einen 27B-Multimodal-Agenten mit vollem 262k-Kontext auf 32 GB VRAM zu betreiben – bisher erforderten nvfp4-Varianten mehr VRAM oder mussten den Kontext auf 160k kürzen. Tradeoffs sind noch ungeklärt.

Die Optimierungen sind in einem öffentlichen Fork gemergt und ermöglichen es, Qwen3-27B (Q6_K) auf Consumer-Hardware der P100-Ära für ~80 $ performant zu betreiben – relevant für Budget-Local-LLM-Setups mit bis zu 260k Kontext.

Frontier-Modelle können bei Hardware-Empfehlungen für Budget-Setups stark danebenliegen. Für lokale Inference lohnt sich die P100 mit llama.cpp-Patches (shinbunbun) trotz fehlender moderner Features – besonders für Nutzer, die günstig GPU-VRAM maximieren wollen.

Ein 125B-MoE-Modell mit brauchbarer Geschwindigkeit lokal auf einem 32-GB-M1-Max zu betreiben, ist praktisch relevant für Entwickler ohne Cloud-Zugang. Das Custom-Benchmark-Ergebnis (84,3 %) liegt dabei über Claude Opus 4.8 xhigh (80,3 %) und Claude Sonnet-Modellen.

Zwei RTX 5090 übertreffen drei RTX 3090 bei lokaler LLM-Inferenz – NVFP4 und Speculative Decoding in llama.cpp (b11216) verstärken den Speedup zusätzlich. Relevant für Homelab-Betreiber, die GPU-Setups für 27B-Modelle optimieren.

vLLM unterstützt neue Modelle oft am Erscheinungstag, während llama.cpp-Unterstützung laut Community mitunter Monate dauert. Für Builder, die schnell neue Modelle testen wollen, kann der Wechsel zu vLLM relevant sein – bei gemischten Consumer-GPU-Setups aber mit Kompatibilitätseinschränkungen.

Die Technik ist ohne Finetuning sofort anwendbar: Einfache llama.cpp-Flags reduzieren Overthinking in Reasoning-Modellen und steigern Genauigkeit sowie Effizienz – relevant für alle, die lokale Qwen-Modelle für Mathe/Reasoning einsetzen.

Das Template behebt inkonsistentes Reasoning bei Laguna XS/S 2.1 durch force_thinking und reasoning_effort-Parameter (none/auto/max) und reduziert Context-Window-Verbrauch durch abschaltbares preserve_thinking – direkt nutzbar in llama.cpp und Pi.

MoE-Offloading ist ein relevantes Thema für das lokale Betreiben großer Mixture-of-Experts-Modelle. Konkrete Nutzererfahrungen fehlen im Post – der Thread kann aber Hinweise auf Alternativen zu llama.cpp liefern.

Da Ollama, LM Studio und KoboldCPP auf llama.cpp aufbauen, trifft das langsame Integrationstempo eine breite Nutzerbasis. Alternativen wie Unsloth Desktop gewinnen dadurch Nutzer, was den De-facto-Standard für lokale Inferenz mittelfristig ablösen könnte.

Zeigt typische Anforderungen an lokale RAG-Setups: getrennte Modellwahl für Ingestion (Embedding) und Inference, CPU-first-Betrieb, Open-Source-Stack. Nützlich als Orientierung für ähnliche Self-hosted-Projekte.

Für lokale Multi-GPU-Setups mit llama.cpp relevant: PCIe Gen 2 vs. Gen 3 hat bei VRAM-gebundenen Inferenz-Workloads laut Community-Erfahrung meist minimalen Einfluss, da der Datentransfer über PCIe nicht der Flaschenhals ist. Signal-Integrity-Probleme auf älteren Plattformen (X299) können jedoch Multi-GPU-Stabilität ernsthaft gefährden.

Ein 42× Speed-up beim Prompt Lookup Drafting kann Inferenz bei langen oder sich wiederholenden Kontexten massiv beschleunigen – relevant für alle, die llama.cpp lokal oder im Self-Hosted-Betrieb einsetzen.

Entwickler mit Consumer-Hardware können damit MoE-Modelle weit über der VRAM-Kapazität ausführen. Overspill kombiniert Memory-Mapping, madvise(WILLNEED) und CPU-seitiges Expert-Routing – deutlich schneller als llama.cpp (0,4–0,5 tok/s) und Colibri (1,1–1,2 tok/s) auf gleicher Hardware.

Ein einziges 7B-aktives Modell für vier Aufgaben (Detection, OCR, Depth, Segmentierung) reduziert Infrastrukturaufwand, ist aber praktisch schwer einsetzbar: nur auf 80GB-A800 getestet, kein GGUF, keine llama.cpp-Unterstützung, nicht-kommerzielle Lizenz trotz Apache-2.0-Basis.

Zeigt pragmatische Wege zu 48 GB VRAM via NVLink mit gebrauchter Consumer-Hardware. Die PCIe-Anbindung über WWAN- und SSD-Slot demonstriert, wie weit sich Notebook-Mainboards als kostengünstiger Inference-Host zweckentfremden lassen.

Mac-Entwickler können damit ohne API-Keys oder Telemetrie lokal LLMs, Whisper, TTS- und Vision-Modelle über eine einheitliche Browser-Oberfläche betreiben – inklusive RAM-Filter für passgenaue Modellauswahl.

Nutzer, die Gemma 4 31B lokal mit langen Kontexten betreiben, sollten prüfen, ob ein Update von llama.cpp oder Treibern die Shared-Memory-Berechnung geändert hat. Konkreter Mehrwert ohne weitere Details im Beitrag begrenzt beurteilbar.

Deutlich schnelleres CPU-basiertes Prompt-Processing bei K-Quant-Modellen ohne hohe Codekomplexität – relevant für alle, die llama.cpp ohne GPU-Beschleunigung betreiben.

Sehr kleine Modelle mit wenigen aktiven Parametern ermöglichen agentenähnliche Coding-Tasks auf CPU-only-Hardware ohne Optimierungsaufwand. Das senkt die Einstiegshürde für lokale KI-Nutzung drastisch und macht Edge-Inference auf vorhandener Alltagshardware realistisch.

Wer lokale Inferenz-Setups mit Oh My Pi betreibt, kann damit flexibel eigene Modelle über mehrere Backends integrieren. Konkreter technischer Mehrwert ohne Volltext schwer beurteilbar.

OpenRouter verarbeitet über 10 Billionen Tokens pro Tag und wird nun Teil von Stripes Zahlungsinfrastruktur – mit explizitem Fokus auf Betrugsabwehr im wachsenden Token-Economy-Umfeld, inklusive autonomer Agenten-Angriffe auf Token-Flows.

Der Ansatz, Aktionen über Token-Wahrscheinlichkeiten zu selektieren statt Text zu generieren, reduziert Latenz drastisch und zeigt, dass kleine Modelle (4B, Q5_K_M auf RTX 3090) für strukturierte Agenten-Tasks ausreichen können.

Mica läuft mit 47 ms Latenz auf einer RTX 3090 und passt als Q5_K_M mit 3,5 GB ins VRAM – damit ist ein spezialisierter Entscheidungs-Router lokal deploybar, ohne ein großes General-Purpose-LLM zu benötigen. Die Prompt-Injection-Resistenz (69 % korrekt bei manipuliertem State) ist ein konkreter Vorteil gegenüber Kev und Jev in produktiven Agent-Pipelines.

Wer auf einer 24-GiB-GPU arbeitet, kann mit dynamischen Multi-Quant-Strategien (z.B. Q6→Q4→Q3 mit KV-Cache-Weitergabe) die Qualitätslücke zu größeren GPUs laut NIAH-Benchmarks spürbar verringern. Die Methode ist ohne Modifikation der Gewichte umsetzbar und nutzt einen llama.cpp-Fork.

Für lokale Inferenz-Setups zeigt der Bericht konkrete Fallstricke: Quant-Wechsel (Q6→Q4) invalidiert alle gecachten Messwerte, und ein Modell, das seinen eigenen Endpunkt monitort, kann sich selbst in die Queue sperren. Memory-als-Datei statt Kontext ermöglicht zustandsloses Fortsetzen nach Kontextkomprimierung.

Wer noch V100-GPUs betreibt, bekommt mit 1Cat-vLLM eine dedizierte Serving-Lösung, die mehr Leistung aus der älteren Volta-Architektur herausholt – relevant für Labs und Hobbyisten mit älterer GPU-Infrastruktur.

Die Methode friert Backbone und 51B-PLE-Speicher ein und trainiert nur einen kleinen R=1-Reader auf 15M Token – also mit sehr begrenzten Ressourcen (kostenlose Kaggle-GPUs). Modell-Artefakte, Training-Code und ein modifizierter llama.cpp-Inference-Pfad sind öffentlich verfügbar, was Reproduzierbarkeit und Weiterentwicklung erleichtert.

Bei Multi-GPU-Inferenz mit vLLM ist die PCIe-Bandbreite für den Tensor-Parallelismus-Sync entscheidend. Schwächere GPUs wie die RTX 3060 erzeugen weniger Sync-Traffic, was den Bandbreitenverlust durch x8-Bifurkation teilweise kompensieren kann – konkrete Benchmarks fehlen jedoch.

Der Build zeigt, dass Consumer-GPU-Cluster mit PLX-Switch-PCIe-Aggregation und vLLM realisierbar sind; P2P innerhalb eines Nodes funktioniert bereits, knotenübergreifendes P2P steht noch aus. Praktische Vorlage für lokale Tensor-Parallel-Setups mit RTX-50xx-Hardware.

Beide Fine-Tunes halten ihre 40%-Token-Reduktions-Versprechen ein, was Inferenzkosten und Latenz deutlich senkt. Swift erzielt gleichmäßigere Token-Reduktion; ThinkingCap ist stärker bei JavaScript/Python, schwächer bei C++ – relevant für die Sprachenwahl im eigenen Stack.

Wer llama.cpp mit großen Kontextlängen (z. B. 262K) für agentic Workflows betreibt, kann durch Anpassen von -cram erhebliche Latenzen einsparen – zu Lasten von RAM, ohne VRAM-Mehrverbrauch.

Der pp512-Durchsatz bei gemma4 26B Q4_0 steigt von 3410 auf 4331 t/s (+27 %), Token-Generierung verbessert sich moderat. AMD-Nutzer mit RDNA3/4-GPUs profitieren ohne Hardwarewechsel direkt nach Update.

Wenn der PR gemergt wird, können Nutzer das effiziente Ling-3.0-flash-VL lokal über llama.cpp mit Bild- und Video-Reasoning betreiben – bei nur 5,5B aktiven Parametern pro Token trotz 124B Gesamtkapazität.

Wenn Plattformbetreiber kritische Inhalte über eigene Produkte aktiv entfernen, gefährdet das unabhängige Produktkritik und Nutzervertrauen – relevant für alle, die KI-Hardware öffentlich evaluieren oder darüber berichten.

Für rund 300 USD Gesamtkosten ist 60 tok/s auf einem 35B-MoE-Modell mit 64k Kontext erreichbar – interessant für kostengünstige lokale Inferenz-Setups mit geclusterten Consumer-/Mining-Hardware-Nodes über llama.cpp RPC.

Für Nutzer mit zwei RDNA4-GPUs ermöglicht die Kombination aus affinity-Engine, vorgefertigtem 2,875-bpw-Quant und Docker-Build (kein ROCm-Host-Install nötig) einen niedrigschwelligen Einstieg in lokale DeepSeek-V4-Flash-Inferenz – inklusive Stabilitäts-Fixes für den Hugepage-Bug bei 2×32-GB-Karten.

Das Tool erlaubt vollständig lokale LLM-Agenten-UIs ohne Browser oder Installation – inklusive revertierbarer Aktionen und sprachgesteuerter GUI-Erzeugung. Interessant für Entwickler, die souveräne, cloud-freie Agent-Oberflächen bauen wollen.

Lokale Alternativen zu proprietären Jev-Systemen werden praktikabler: Ein einzelnes Modell auf einer RTX 3090 übernimmt strukturierte Entscheidungen und Vision-Aufgaben mit OpenAI-API-Kompatibilität, statt mehrere Spezialmodelle parallel betreiben zu müssen.

Lokales Ausführen der K2-Horizon-Modelle ist jetzt via GGUF möglich, erfordert aber noch einen llama.cpp-Fork statt des Mainline-Builds. MoVA-36B-A4B (36B mit 4B aktiven Parametern) ist als MoE-Variante besonders ressourcenschonend.

Ornith 1.5 35b-a3b (MoE, 8 GB VRAM) liefert laut Erfahrungsbericht brauchbare Agentic-Coding-Ergebnisse mit OpenCode auf Consumer-Hardware – relevant für Entwickler ohne Zugang zu High-End-GPUs, die Cloud-Abhängigkeit reduzieren wollen.

VRAM-limitierte Nutzer können damit exakt dimensionierte Quantisierungen erstellen, die Standard-Qx_K_M-Quants klar übertreffen. Auf reinem Text liegt die Qualität unter Unsloth Dynamic 3.0, bei gemischten Datensätzen und Code-Inputs ist sie vergleichbar.

Bei llama.cpp wird der KV-Cache für das gesamte konfigurierte Kontextfenster vorab allokiert. Wer auf Consumer-GPUs (z.B. 8 GB VRAM) große Kontextfenster setzt, zahlt den VRAM- und Latenz-Preis unabhängig von der tatsächlichen Nutzung – KV-Cache-Quantisierung (q8_0/q4_1) mildert dies, löst das Problem aber nicht vollständig.

Die Kombination aus RedHatAI-INT4-Quant, FP8-KV-Cache und MTP-Spekulativdekodierung liefert auf Consumer-Ampere-Hardware (2× 3090 / 48 GB) Throughput, den viele auf gleicher Hardware nicht erreichen. Die vLLM-Konfiguration ist direkt kopierbar und für Agent-Workloads mit Tool-Calling ausgelegt.

Für lokale LLM-Nutzer mit AMD-Hardware zeigt der Vergleich, dass die Wahl zwischen ROCm und Vulkan modellabhängig ist – pauschale Empfehlungen sind nicht mehr haltbar. Vulkan schließt die Lücke zu ROCm zunehmend und ist ohne Treiber-Overhead nutzbar.

Entwickler können llama.cpp-Quants künftig direkt in Transformers-Pipelines nutzen, ohne zwischen Ökosystemen wechseln zu müssen. Das vereinfacht den Einsatz quantisierter Modelle erheblich.

Alternatives Open-Weight-MoE-Modell außerhalb des chinesisch-amerikanischen Ökosystems, mit eigener Architektur als Basis-Modell. Llama.cpp-Unterstützung fehlt noch, was den lokalen Einsatz vorerst einschränkt.

Das Modell läuft auf Smartphones und älteren Laptops mit ≤16 GB RAM und soll agentisches Coding in der 4B-Klasse verbessern – relevant für Entwickler ohne Zugang zu leistungsstarker Hardware. Als Qualitätsmaßstab dient SWE-bench-Live.

US-amerikanische Open-Weight-Modelle liegen laut AAII-Benchmark 6–9 Monate hinter OpenAI/Anthropic und 2–5 Monate hinter chinesischen Open-Weight-Modellen. Für AI-Builder bedeutet das: Wer auf leistungsstarke offene Gewichte setzt, greift derzeit eher zu chinesischen Modellen wie GLM-5.3 oder Kimi K3.

Entwickler können Jev-Style-Entscheidungs-APIs mit bestehenden Modellen (llama.cpp, Ollama, vLLM etc.) betreiben: nur 1 Token wird dekodiert, was Latenz drastisch reduziert. Kein spezielles Modell oder Fine-Tuning nötig.

Tensor-Parallelism mit Consumer-GPUs über NVMe/USB4 ist möglich, erfordert aber ROCm mit RCCL-Flag (-DGGML_HIP_RCCL=ON). Prompt-Processing skaliert dabei nicht, Decoding-Throughput steigt um ~32 %.

Entwickler können lokale LLMs für Klassifikationsaufgaben (z.B. Spam-Erkennung) mit Konfidenzwerten nutzen, ohne spezialisierte Modelle oder Embeddings – einzige Voraussetzung ist ein laufender llama-server mit Logprobs-Unterstützung.

Der Ansatz zeigt, dass Jev-ähnliche Reasoning-Evaluation ohne spezialisierte Modelle oder NLI-Fine-Tuning funktioniert. Das Rust-basierte Tool mit Jev-kompatiblem API erlaubt lokalen Betrieb mit GGUFs von HF und senkt so die Einstiegshürde für Experimente erheblich.

Ling 3.0 Tiny passt vollständig auf eine 8-GB-GPU und liefert ~53 tok/s Decode gegenüber 21–24 tok/s bei Gemma, scheitert aber klar bei strukturierter Extraktionsgenauigkeit. Für latenzunkritische Qualitätsanforderungen bleibt das größere Hybrid-MoE-Modell überlegen.

Zeigt, dass ein quantisiertes 27B-Modell auf Consumer-Hardware über Wochen kohärente Engineering-Ziele verfolgen kann – relevant für alle, die Long-Running-Agenten lokal ohne Cloud betreiben wollen. Protokoll-Schwächen (z. B. unkontrollierter vLLM-Kill durch Subagenten) und Compaction-Overhead (~17 % der Laufzeit) sind konkrete Hürden bei Multi-Agenten-Harnesses.

Entwickler können lokale Modelle und Cloud-APIs in einem einzigen Lauf direkt vergleichen – inklusive Scoreboard, Verlaufshistorie in SQLite und Export als PDF/Markdown/CSV. API-Keys werden derzeit noch im Local Storage gespeichert, Keychain-Migration ist geplant.