Lokale LLM'er til kodning i 2026
MarkdownDe 8 bedste lokale LLM'er til kodning i 2026 — HumanEval-resultater, filstørrelser og vurderinger fra den virkelige verden af modeller, du kan køre på en Mac eller gaming-pc.
← Tilbage til blogoversigten
Når vi siger "lokale LLM'er til kodning", mener vi modeller, du kan køre på din egen bærbare computer, Mac eller gaming-pc — ingen API-kald, ingen cloud og ingen overførsel af din proprietære kodebase til en tredjepart.
Gå til tabellen. Vil du bruge modellerne fra Claude Code CLI? Se Brug Claude Code med lokale modeller.
Nedenfor finder du de fulde benchmarks.
PocketLLM lanceres snart. Privat AI på enheden, først på iPhone og iPad, med flere platforme på vej. Ingen konto kræves, ingen sporing i appen, og chatbehandlingen bliver på din enhed. Tilmeld dig lanceringslisten, og vær blandt de første.
Sådan sammenlignede vi modellerne
Benchmarktal, filstørrelser og licenser nedenfor er hver models egne offentliggjorte oplysninger, sporet til dens modelkort eller repository.
En grov indikator for niveauet, ikke en erstatning for at prøve modellen på din egen kode.
- Filstørrelse: Ved Q4-kvantisering. Hele pointen med lokal kørsel er, at modellen "kan være på din maskine."
- Licens: Apache og MIT rangerer højest, ikke-kommercielle licenser lavere.
- Økosystem: Om der findes fungerende konverteringer til llama.cpp, Ollama, MLX og Core ML, hvilket afgør, om du faktisk kan køre modellen.
Lokale LLM'er til kodning i 2026
Qwen 2.5 Coder 32B
Kræver en arbejdsstation (Mac Studio, en pc med flere GPU'er eller en MacBook Pro M3 Max med 48 GB), men til gengæld får du kodehjælp, der er tæt på Claude 3.5 Sonnet. Det rigtige valg, hvis din kode er fortrolig, og dit budget tillader hardware til en arbejdsstation.
DeepSeek Coder V2 Lite 16B
Kræver cirka 10 GB RAM ved Q4. På en MacBook Pro med 16 GB er dette det ideelle kompromis. Licensen følger DeepSeeks egne vilkår — tilladelig til de fleste formål, men læs dem, før du bruger modellen kommercielt.
Qwen 2.5 Coder 14B
Mellemtrinnet i Qwen 2.5 Coder-serien. Den passer på en bærbar med 16 GB med plads til overs. Den ligger lidt under DeepSeek V2 Lite i benchmarks, men har en mere ligetil licens og en enklere tæt transformerarkitektur.
Qwen 2.5 Coder 7B
Kører på en MacBook Air med 8 GB (det er tæt på grænsen) eller komfortabelt på en med 16 GB. Hvis du har en M2 Air og vil udføre reelt kodearbejde lokalt, er dette modellen for dig.
Mistral Codestral 22B
Mistrals dedikerede kodningsmodel. Stærk til Python og TypeScript, rimelig til andre sprog. Mistral Non-Commercial-licensen er restriktiv — undersøg den nøje, hvis du bruger modellen til professionelt arbejde. Cirka 14 GB ved Q4; kører på en Mac med mindst 24 GB.
StarCoder 2 15B
En kodningsmodel udviklet i fællesskab af Hugging Face, ServiceNow og NVIDIA. Den er trænet på kode med tilladelige licenser, hvilket er vigtigt, hvis du er bekymret for spørgsmål om, "hvad denne model blev trænet på".
Phi-3.5 Mini 3.8B
MIT-licens, 2,4 GB ved Q4, lille nok til at køre på en telefon. PocketLLM er udviklet til at pakke den som en download med ét tryk (kommer snart) — tilmeld dig lanceringslisten.
Qwen 2.5 Coder 1.5B
Den mindste dedikerede kodningsmodel, der er værd at køre. Apache 2.0. 900 MB ved Q4. Perfekt som en hurtig lokal model til inline-forslag eller som kladdemodel til spekulativ afkodning foran en større kodningsmodel.
Oversigtstabellen
| Model | Størrelse (Q4) | Minimum RAM | Licens |
|---|---|---|---|
| Qwen 2.5 Coder 32B | 20 GB | 32 GB | Apache 2.0 |
| DeepSeek Coder V2 Lite 16B | 10 GB | 16 GB | DeepSeek |
| Qwen 2.5 Coder 14B | 9 GB | 16 GB | Apache 2.0 |
| Qwen 2.5 Coder 7B | 4,5 GB | 8 GB | Apache 2.0 |
| Mistral Codestral 22B | 14 GB | 24 GB | Mistral NC |
| StarCoder 2 15B | 9 GB | 16 GB | BigCode OpenRAIL |
| Phi-3.5 Mini 3.8B | 2,4 GB | 4 GB | MIT |
| Qwen 2.5 Coder 1.5B | 0,9 GB | 2 GB | Apache 2.0 |
Sådan vælger du en lokal kodningsmodel
Mac Studio / arbejdsstations-pc (32 GB+): Qwen 2.5 Coder 32B. Ingen kompromiser.
MacBook Pro med 16 GB / gaming-bærbar: DeepSeek Coder V2 Lite 16B. MoE-arkitekturen får den til at virke meget lettere, end antallet af parametre antyder.
MacBook Air med 8 GB: Qwen 2.5 Coder 7B. Det er tæt på grænsen, men brugbart. Luk alt andet, når du kører den.
iPhone eller ældre Mac: Phi-3.5 Mini eller Qwen 2.5 Coder 1.5B. Du bygger ikke en Rails-app med ét forsøg, men du får helt sikkert hjælp til at forstå og ændre eksisterende kode. Begge følger med i PocketLLM.
Kommerciel brug, hvor licensen er vigtig: Hold dig til Qwen 2.5 Coder-familien — Apache 2.0 giver de klareste vilkår inden for lokal kodning lige nu.
Sådan kører du modellerne
På Mac: Installer LM Studio eller Ollama, vælg modellen i kataloget, og klik på Download. Se Ollama vs LM Studio vs PocketLLM. På Linux med GPU: llama.cpp kompileret fra kildekoden eller Ollama. På iPhone: en indbygget app, der kører på enheden — se vores oversigt over iPhone-apps.
Integration med din editor er et separat spørgsmål, som fortjener sit eget indlæg. Kort fortalt: plugins i stil med Continue.dev, Cody og Cursor understøtter alle Ollama eller et OpenAI-kompatibelt localhost-endpoint, hvilket dækker alle modeller på denne liste.
Opsummering
32B, hvis du har en arbejdsstation, 14B på en gaming-bærbar, 7B på en billig bærbar, 1.5B på en telefon. DeepSeek Coder V2 Lite er undtagelsen: Hvis du har præcis 16 GB RAM, giver DeepSeeks MoE-arkitektur mærkbart bedre kvalitet end Qwen 14B med omtrent samme hukommelsesforbrug. Alle andre modeller på denne liste er specialister.
Lokal kodehjælp på din iPhone.
PocketLLM er udviklet til at pakke Phi-3.5 Mini og Qwen 2.5 Coder 1.5B som downloads med ét tryk. Privat, hurtig, ingen konto. Kommer snart — tilmeld dig lanceringslisten.
Brug guiden med Ailoot
Forbind AI-modeller med dine applikationer, agenter og automatiseringer via ét Ailoot API. Vælg den model, der passer til din opgave, og følg Ailoot-dokumentationen for at komme i gang.