| created |
updated |
sources |
tags |
| 2026-08-23 |
2026-08-23 |
| raw/other/2026-08-23_pocketpal-ai-lokales-llm-smartphone.md |
|
| tool |
| mobile |
| local-ai |
| edge-ai |
| offline |
| privacy |
| llm |
| smartphone |
| obtainium |
| huggingface |
|
PocketPal AI — Lokales LLM auf dem Smartphone
TL;DR: PocketPal ist ein Open-Source-App, die LLMs direkt auf dem Smartphone ausführt — ohne Server, ohne Internet, ohne dass Daten das Gerät verlassen. "This is AI you own — not AI you rent." Distribution direkt über GitHub-Releases via Obtainium (kein Play Store). Braucht 6GB+ RAM (8GB+ für größere Modelle).
Quelle & Distribution
| Aspekt |
Detail |
| Repo |
a-ghorbani/pocketpal-ai |
| Distribution |
Obtainium (Open-Source-Android-App-Manager für GitHub-Release-Installs) — kein Google Play / Apple / F-Droid |
| Geteilt von |
Netbits ⚡️ Stachelbanane (@NetLightning) in OME-Topic "Tips & Tricks" (2026-08-23) |
| Inhaltstyp |
Screenshot der App-Infoseite |
Kernversprechen
- Slogan: "Your AI. No one else's."
- LLMs laufen direkt auf dem Phone: keine Server, kein Internet, keine Datenabflüsse
- "AI you own — not AI you rent" — Eigentum statt Miete, das Privacy-/Souveränitäts-Narrativ der lokalen KI
Was du bekommst
- Hunderte Open-Source-Modelle von Hugging Face, direkt aufs Gerät geladen
- Komplette Offline-Funktion (Flugmodus)
- Null Datenübertragung, Null Telemetrie (in-App-Nachweis)
Hardware-Anforderungen
- 6GB+ RAM für kleinere Modelle
- 8GB+ RAM für größere/höherwertige Modelle ("the good stuff")
- Flagships + neuere Mittelklasse der letzten 2–3 Jahre laufen Modelle gut
- Ältere/Budget-Geräte fallen raus — echte lokale Inferenz, kein Cloud-Wrapper
- In-App-Benchmark-Tipp: kleines Modell laden + benchmarken, App zeigt die Geräte-Grenze
Gezeigte Modelle (Screenshot-Carousel)
- Dolphin 3.0 Llama 3.2 1b (Chat)
- SmallThinker-3B-Preview-Q4_0
- Dolphin3.0-Qwen2.5-3b-Q4_0
- Dolphin3.0-Llama3.2-1B-Q4_0
- Dolphin3.0-Llama3.2-1B-Q3_K_M
Alle via Hugging Face In-App-Integration geladen.
Einordnung
PocketPal gehört zur unteren/mobilen Kante der Edge-Inferenz-Skala (siehe ../concepts/hardware/edge-inference-als-cloud-alternative.md und ../concepts/hardware/8-dollar-chip-llm-tinyml.md): Es bringt das "AI you own"-Prinzip aufs Smartphone — der logische Gegenpol zu Cloud-API-Mietmodellen. Verwandt mit der lokalen-../concepts/hardware/lokale-ki-coding.md-Bewegung, nur für mobile Hardware. Die Hardware-Anforderungen (6-8GB RAM) zeigen: mobiles lokales Inferenz ist heute praktikabel, aber braucht Flagship-Geräte — kein Cloud-Wrapper, echte Inferenz.
