Lokale LLM-er for koding i 2026
MarkdownDe 8 beste lokale LLM-ene for koding i 2026 — HumanEval-resultater, filstørrelser og vurderinger fra virkeligheten for modeller du kan kjøre på en Mac eller gaming-PC.
← Tilbake til bloggoversikten
Når vi sier «lokale LLM-er for koding», mener vi modeller du kan kjøre på din egen bærbare PC, Mac eller gaming-PC — ingen API-kall, ingen sky, ingen sending av din proprietære kodebase til en tredjepart.
Gå til tabellen. Vil du bruke disse fra Claude Code CLI? Se Bruk Claude Code med lokale modeller.
Fullstendige referansetester nedenfor.
PocketLLM lanseres snart. Privat AI på enheten, først på iPhone og iPad, med flere plattformer planlagt. Ingen konto kreves, ingen sporing i appen, og chatbehandlingen forblir på enheten din. Meld deg på lanseringslisten og bli blant de første.
Slik sammenlignet vi
Referansetallene, filstørrelsene og lisensene nedenfor er hvert enkelt produkts publiserte tall, sporet tilbake til modellkortet eller repositoriet.
En grov nivåindikator, ikke en erstatning for å prøve den på din egen kode.
- Filstørrelse: Ved Q4-kvantisering. Hele poenget med lokalt er at det «får plass på maskinen din».
- Lisens: Apache og MIT rangeres høyest, ikke-kommersielle lisenser lavere.
- Økosystem: Om fungerende llama.cpp-, Ollama-, MLX- og Core ML-konverteringer finnes, noe som avgjør om du faktisk kan kjøre modellen.
Lokale LLM-er for koding i 2026
Qwen 2.5 Coder 32B
Krever en arbeidsstasjon (Mac Studio, PC med flere GPU-er eller en MacBook Pro M3 Max med 48 GB), men med den investeringen får du kodehjelp som er innen rekkevidde av Claude 3.5 Sonnet. Det riktige svaret hvis koden din er konfidensiell og budsjettet ditt tillater arbeidsstasjonsmaskinvare.
DeepSeek Coder V2 Lite 16B
Krever ~10 GB RAM ved Q4. På en MacBook Pro med 16 GB er dette det ideelle valget. Lisensen er DeepSeeks egne vilkår — tillatende for de fleste bruksområder, men les dem før kommersialisering.
Qwen 2.5 Coder 14B
Mellomtrinnet på Qwen 2.5 Coder-stigen. Får plass på en bærbar PC med 16 GB og har fortsatt god plass. Ligger litt bak DeepSeek V2 Lite på referansetester, men har enklere lisensvilkår og en enklere tett transformatorarkitektur.
Qwen 2.5 Coder 7B
Kjører på en MacBook Air med 8 GB (trangt) eller komfortabelt på 16 GB. Hvis du har en M2 Air og vil gjøre ordentlig kodearbeid lokalt, er dette modellen for deg.
Mistral Codestral 22B
Mistrals dedikerte kodemodell. Sterk på Python og TypeScript, rimelig god på andre språk. Mistral Non-Commercial-lisensen er restriktiv — sjekk den nøye hvis du bruker modellen til arbeidsprodukter. ~14 GB ved Q4, kjører på en Mac med 24 GB eller mer.
StarCoder 2 15B
En kodemodell utviklet i fellesskap av Hugging Face, ServiceNow og NVIDIA. Trenet på kode med tillatende lisenser, noe som er viktig hvis du er bekymret for proveniensspørsmål som «hva lærte denne modellen av?».
Phi-3.5 Mini 3.8B
MIT-lisens, 2.4 GB ved Q4, liten nok til å kjøre på en telefon. PocketLLM er laget for å pakke denne som en nedlasting med ett trykk (kommer snart) — meld deg på lanseringslisten.
Qwen 2.5 Coder 1.5B
Den minste dedikerte kodemodellen det er verdt å kjøre. Apache 2.0. 900 MB ved Q4. Perfekt som en rask lokal fullføringsmodell for innebygde forslag, eller som en utkastmodell for spekulativ dekoding foran en større kodemodell.
Oppsummeringstabellen
| Modell | Størrelse (Q4) | Min. RAM | Lisens |
|---|---|---|---|
| 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 |
Velge en lokal kodemodell
Mac Studio / PC-arbeidsstasjon (32 GB+): Qwen 2.5 Coder 32B. Ingen kompromisser.
MacBook Pro med 16 GB / gaming-laptop: DeepSeek Coder V2 Lite 16B. MoE-arkitekturen gjør at den føles mye lettere enn parameterantallet skulle tilsi.
MacBook Air med 8 GB: Qwen 2.5 Coder 7B. Trangt, men brukbart. Lukk alt annet når du kjører den.
iPhone eller eldre Mac: Phi-3.5 Mini eller Qwen 2.5 Coder 1.5B. Du kommer ikke til å lage en Rails-app med ett forsøk, men du vil absolutt få hjelp til å forstå og endre eksisterende kode. Begge følger med i PocketLLM.
Kommersiell bruk der lisensen er viktig: Hold deg til Qwen 2.5 Coder-familien — Apache 2.0 gir den ryddigste lisenshistorien innen lokal koding akkurat nå.
Slik kjører du dem i praksis
På Mac: installer LM Studio eller Ollama, velg modellen fra katalogen, klikk på Last ned. Se Ollama vs LM Studio vs PocketLLM. På Linux med GPU: llama.cpp kompilert fra kildekode, eller Ollama. På iPhone: en innebygd app som kjører på enheten — se vår oversikt over iPhone-apper.
Integrering med redigeringsprogrammet ditt er et eget spørsmål som fortjener et eget innlegg. Kortversjonen: programtillegg i stil med Continue.dev, Cody og Cursor støtter alle Ollama eller et OpenAI-kompatibelt localhost-endepunkt, som dekker hver modell på denne listen.
Oppsummering
32B hvis du har en arbeidsstasjon, 14B på en gaming-laptop, 7B på en rimelig bærbar PC, 1.5B på en telefon. DeepSeek Coder V2 Lite er unntaket: Hvis du har nøyaktig 16 GB RAM, gir DeepSeeks MoE-arkitektur merkbart bedre kvalitet enn Qwen 14B med omtrent samme minnebruk. Alt annet på denne listen er spesialisert.
Lokal kodehjelp på iPhone.
PocketLLM er laget for å pakke Phi-3.5 Mini og Qwen 2.5 Coder 1.5B som nedlastinger med ett trykk. Privat, raskt, ingen konto. Kommer snart — meld deg på lanseringslisten.
Ta denne veiledningen i bruk med Ailoot
Koble AI-modeller til applikasjonene, agentene og automatiseringene dine gjennom ett Ailoot API. Velg modellen som passer til oppgaven din, og følg Ailoot-dokumentasjonen for å komme i gang.