> ## Documentation Index > Fetch the complete documentation index at: https://docs.tokios.com/llms.txt > Use this file to discover all available pages before exploring further. > ## Agent Instructions > Tokios exposes private local models through https://api.tokios.com using an outbound-only connector tunnel. > Use 'connector' for the local tokios-connector process. > Use 'deployment' for the public model name in the API model field. > Use 'upstream model id' for the model served by Ollama, llama.cpp, vLLM, LM Studio, or another local backend. > API keys use the prefix sk-tok-. Connector tokens use the prefix ct-tok-. # MiMo V2.6 lokal ausführen – das multimodale Agentenmodell von Xiaomi > Führen Sie MiMo V2.6 lokal aus – das 1.02T-MoE von Xiaomi mit 42B aktiven Parametern, nativ multimodal (Text/Bild/Video/Audio), 1M Kontext, MIT-Lizenz. Der 9B-Distill passt auf eine einzelne GPU. > [!NOTE] > > Zuletzt überprüft: 2026-10-14 MiMo V2.6 ist Xiaomis multimodale Agenten-Modellfamilie, veröffentlicht am 22. September 2026 unter der **MIT-Lizenz**. Die Palette umfasst 3 Varianten — ein 1.02-Billionen-Parameter-Flaggschiff (Pro), ein 309B-Produktion-Arbeitstier (Flash) und ein 9B-Destillat, das auf eine einzelne Consumer-GPU passt — alle mit nativer multimodaler Eingabe (Text, Bilder, Video und Audio), bis zu 128K Ausgabe-Token und einem 1M-Token-Kontextfenster. Die Schlagzeile ist die Kombination aus Skalierung, Modalitätsabdeckung und Lizenz. Pro und Flash sind Sparse-Mixture-of-Experts-Architekturen, die ernsthafte Multi-GPU-Hardware benötigen, aber das **9B Distill** bringt die Familie auf eine einzelne 24-GB-GPU — das erste Mal, dass ein Modell in dieser Linie auf Consumer-Hardware läuft, die Sie wahrscheinlich bereits besitzen. > [!TIP] > > Führen Sie bereits eine MiMo-Variante aus? [Registrieren Sie sie bei Tokios](/de/setup/register-model.md), um sie als `https://api.tokios.com` von jedem Client aus zu erreichen. ## Die MiMo V2.6-Palette | Variante | Gesamt-Params | Aktive Params | Kontext | Am besten für | Hardware | | - | - | - | - | - | - | | **Pro** | 1.02T | 42B | 1M | Schwieriges Coding, langfristige Planung, Cybersicherheit, Multi-Tool-Orchestrierung | Multi-GPU-Server (\~520 GB+) | | **Flash** | 309B | 15B | 1M | Hochvolumen-Automatisierung, kostenbewusste Agenten-Schleifen | System mit viel Speicher (\~160 GB+) | | **Distill** | 9B | 9B (dicht) | 1M | Lokale Experimente, Bildung, Single-GPU-Arbeit | Einzelne 24-GB-GPU | Alle 3 Varianten sind MIT-lizenziert, akzeptieren Text-, Bild-, Video- und Audioeingabe, erzeugen Textausgabe und unterstützen bis zu 128K Ausgabe-Token. ## Welches MiMo sollten Sie ausführen? Ihre Hardware entscheidet: * **Einzelne 24-GB-GPU** (RTX 3090, 4090 oder ähnlich) — führen Sie das **Distill** aus. Es ist ein 9B-dichtes Modell, das aus der Qwen-Architektur destilliert wurde, und es ist die einzige MiMo-Variante, die auf Consumer-Hardware ohne Offloading passt. Starten Sie hier für Experimente, Lernen und leichte Agenten-Arbeit. * **System mit viel Speicher** (192 GB+ Unified Memory oder 2+ Rechenzentrum-GPUs) — führen Sie **Flash** aus. Bei 309B insgesamt mit 15B aktiven Parametern pro Token ist es die kosteneffektive Wahl für Produktions-Agenten-Schleifen, in denen Sie multimodale Eingabe und langen Kontext ohne Pros Hardware-Anforderung brauchen. * **Multi-GPU-Server** (4× H100-Klasse oder gleichwertig) — führen Sie **Pro** aus. Das 1.02T-Flaggschiff ist für die schwierigsten Aufgaben gebaut: schwieriges Coding, Cybersicherheitsanalyse und Multi-Tool-Orchestrierung über lange Horizonte. Die transparente Dimensionierungsberechnung für MoE-Modelle — der Speicher skaliert mit den **Gesamt**-Parametern, nicht den aktiven, weil alle Expertengewichte resident bleiben, obwohl das Routing nur einen Bruchteil pro Token aktiviert (siehe [wie Inferenz funktioniert](/de/concepts/how-inference-works.md)): * Pro: 1.02T × \~0.5 Bytes bei 4-Bit ≈ **\~510 GB** an Gewichten, \~520 GB+ mit Overhead * Flash: 309B × \~0.5 Bytes bei 4-Bit ≈ **\~155 GB** an Gewichten, \~160 GB+ mit Overhead * Distill: 9B × \~0.5 Bytes bei 4-Bit ≈ **\~4.5 GB** an Gewichten, \~6 GB wie ausgeliefert Addieren Sie [KV-Cache](/de/concepts/kv-cache-and-context.md) für Ihre Kontextlänge und Parallelität oben auf die Gewichte. ## Lokal ausführen **vLLM — Pro (Multi-GPU-Server)** ```bash theme={"theme":{"light":"github-light","dark":"css-variables"}} vllm serve XiaomiMiMo/MiMo-V2.6-Pro-RL \ --tensor-parallel-size 8 \ --trust-remote-code ``` Tensor-Parallel über alle GPUs im System. Rechnen Sie mit \~520 GB+ kombiniertem VRAM für die 4-Bit-Gewichte plus KV-Cache. vLLM bietet eine OpenAI-kompatible API unter `http://127.0.0.1:8000/v1` — darauf zeigt der Tokios-Connector. Bestätigen Sie die Flags für Ihre vLLM-Version anhand der [Modellkarte](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL) bevor Sie standardisieren. Siehe [vLLM Fernzugriff](/de/guides/vllm-remote-access.md). **vLLM — Flash (Server mit viel Speicher)** ```bash theme={"theme":{"light":"github-light","dark":"css-variables"}} vllm serve XiaomiMiMo/MiMo-V2.6-Flash-MOPD \ --tensor-parallel-size 4 \ --trust-remote-code ``` Rechnen Sie mit \~160 GB+ kombiniertem VRAM. Ein Community-NVFP4-Build ([`ProCreations/MiMo-V2.6-Flash-RL-NVFP4`](https://huggingface.co/ProCreations/MiMo-V2.6-Flash-RL-NVFP4)) ist für Blackwell-GPUs verfügbar und könnte den Speicherbedarf weiter reduzieren. Bestätigen Sie dies anhand der Modellkarte vor dem Bereitstellen. Siehe [vLLM Fernzugriff](/de/guides/vllm-remote-access.md). **SGLang — Pro oder Flash** ```bash Pro theme={"theme":{"light":"github-light","dark":"css-variables"}} sglang serve XiaomiMiMo/MiMo-V2.6-Pro-RL \ --tp 8 \ --trust-remote-code ``` ```bash Flash theme={"theme":{"light":"github-light","dark":"css-variables"}} sglang serve XiaomiMiMo/MiMo-V2.6-Flash-MOPD \ --tp 4 \ --trust-remote-code ``` SGLang ist eine Alternative zu vLLM mit vergleichbaren Leistungsmerkmalen. Passen Sie `--tp` an Ihre GPU-Anzahl an. Siehe [SGLang Fernzugriff](/de/guides/sglang-remote-access.md). **llama.cpp — Distill (einzelne GPU)** ```bash theme={"theme":{"light":"github-light","dark":"css-variables"}} llama serve -hf XiaomiMiMo/MiMo-V2.6-Distill-9B ``` Das 9B Distill passt auf eine einzelne 24-GB-GPU bei 4-Bit. Bestätigen Sie den genauen HuggingFace-Repository-Namen auf [XiaomiMiMos HuggingFace-Seite](https://huggingface.co/XiaomiMiMo) — Community-GGUF-Builds könnten ebenfalls erscheinen, sobald das Modell veröffentlicht ist. Siehe [llama.cpp Fernzugriff](/de/guides/llama-cpp-remote-access.md). > [!WARNING] > > Erfinden Sie keine Repository-Namen oder CLI-Flags für MiMo-Varianten. Die oben genannten Pro- und Flash-Repos sind bestätigt. Der Distill-Repository-Name ist eine begründete Schätzung basierend auf Xiaomis Namensmuster — überprüfen Sie ihn auf [XiaomiMiMos HuggingFace-Seite](https://huggingface.co/XiaomiMiMo) bevor Sie ihn ausführen. ## Varianten und Spezifikationen Jeder Wert unten stammt aus Xiaomis Modellkarten auf Hugging Face. Bestätigen Sie dies anhand der Modellkarte, bevor Sie sich auf eine standardisieren. | Eigenschaft | Pro | Flash | Distill | | - | - | - | - | | Hugging Face | [`XiaomiMiMo/MiMo-V2.6-Pro-RL`](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL) | [`XiaomiMiMo/MiMo-V2.6-Flash-MOPD`](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Flash-MOPD) | Prüfen Sie [XiaomiMiMo](https://huggingface.co/XiaomiMiMo) | | Parameter | 1.02T gesamt / **42B aktiv** | 309B gesamt / **15B aktiv** | 9B (dicht) | | Architektur | Sparse MoE | Sparse MoE | Dicht (Qwen-basiertes Destillat) | | Kontextfenster | 1M (1,048,576) | 1M (1,048,576) | 1M (1,048,576) | | Max. Ausgabe-Token | 128K | 128K | 128K | | Eingabe-Modalitäten | Text, Bild, Video, Audio | Text, Bild, Video, Audio | Text, Bild, Video, Audio | | Ausgabe | Text | Text | Text | | Lizenz | MIT | MIT | MIT | | Community-Quantisierungen | — | [`ProCreations/MiMo-V2.6-Flash-RL-NVFP4`](https://huggingface.com/ProCreations/MiMo-V2.6-Flash-RL-NVFP4) | — | | Am besten für | Schwieriges Coding, langfristige Planung, Cybersicherheit, Multi-Tool-Orchestrierung | Hochvolumen-Automatisierung, kostenbewusste Agenten-Schleifen | Lokale Experimente, Bildung, Single-GPU-Arbeit | Quellen: [`XiaomiMiMo/MiMo-V2.6-Pro-RL`](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL), [`XiaomiMiMo/MiMo-V2.6-Flash-MOPD`](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Flash-MOPD). > [!NOTE] > > MiMo V2.6 wird unter der **MIT-Lizenz** veröffentlicht, die permissiv ist und keine Acceptable-Use-Policy oder Benutzerzahl-Schwelle hat. Lesen Sie die `LICENSE`-Datei auf der Modellkarte, bevor Sie ein kommerzielles Produkt darauf aufbauen. ## Fähigkeiten * **Native multimodale Eingabe.** Text, Bild, Video und Audio gehen hinein; Text kommt heraus. Dies ist kein aufgesetztes Vision-Modul — es ist Teil der Basisarchitektur über alle 3 Varianten. * **128K Ausgabe-Token.** Lang genug für erweitertes Reasoning, repositoryweite Codegenerierung und detaillierte Analyse ohne Kürzung. * **1M Kontextfenster.** Groß genug für repositoryweite Coding-Sitzungen, lange Dokumente oder Stunden an Audio. Budgetieren Sie [KV-Cache-Speicher](/de/concepts/kv-cache-and-context.md) zusätzlich zu den Gewichten, wenn Sie ein Long-Context-Deployment dimensionieren. * **Tool-Aufrufe und Agenten-Workflows.** Alle Varianten unterstützen Tool-Nutzung und mehrstufige Agenten-Schleifen. Wenn Sie mit vLLM oder SGLang bereitstellen, aktivieren Sie den Tool-Call-Parser, den die Modellkarte empfiehlt, damit `tools`-Anfragen durch Ihren Endpunkt funktionieren. * **MIT-Lizenz.** Permissiv über alle 3 Varianten — keine Acceptable-Use-Policy, keine Benutzerzahl-Schwelle. ### Benchmarks Von Xiaomi berichtet, für ein kürzlich veröffentlichtes Modell. Es gibt noch keine unabhängige Reproduktion — betrachten Sie dies als die Aussagen des Herstellers, bis unabhängige Auswertungen erscheinen. | Benchmark | Pro | Flash | | - | - | - | | Coding (HumanEval-Stil) | Vom Hersteller berichtet | Vom Hersteller berichtet | | Agenten-Aufgaben | Vom Hersteller berichtet | Vom Hersteller berichtet | | Multimodales Verständnis | Vom Hersteller berichtet | Vom Hersteller berichtet | Spezifische Ergebnisse werden hinzugefügt, sobald unabhängige Auswertungen veröffentlicht werden. Vergleichen Sie vorerst Pro und Flash mit [Kimi K2.6](/de/models/kimi.md) und [Qwen3.8-27B](/de/models/qwen3.8.md) auf Ihrem eigenen Workload. ## Hardware-Eignung Urteile setzen 4-Bit-Quantisierung bei moderater Kontextlänge voraus. | Ziel | Pro (\~520 GB+) | Flash (\~160 GB+) | Distill (\~6 GB) | | - | - | - | - | | RTX 4070 Ti Super / 4080 (16 GB) | Passt nicht | Passt nicht | Komfortabel | | RTX 3090 / 4090 (24 GB) | Passt nicht | Passt nicht | Komfortabel | | RTX 5090 (32 GB, Blackwell) | Passt nicht | Passt nicht | Komfortabel, langer Kontext | | 2× RTX 4090 (48 GB gepoolt) | Passt nicht | Knapp, kurzer Kontext | Komfortabel | | 4× RTX 4090 (96 GB gepoolt) | Passt nicht | Machbar | Komfortabel | | Apple Silicon (64 GB unified) | Passt nicht | Passt nicht | Komfortabel | | Apple Silicon (192 GB+ unified) | Passt nicht | Machbar | Komfortabel | | DGX Spark (128 GB unified) | Passt nicht | Knapp | Komfortabel | | 2× DGX Spark (256 GB gepoolt) | Passt nicht | Komfortabel | Komfortabel | | Multi-GPU-Server (8× H100, 640 GB) | Komfortabel | Komfortabel | Komfortabel | Das Pro-Modell braucht \~520 GB+ kombinierten VRAM — das ist ein 4×-H100- oder 8×-A100-System oder ein großer Pool von Consumer-GPUs mit aggressiver Quantisierung. Flash mit \~160 GB passt in einen Mac Studio mit viel Speicher, 2 DGX Sparks oder einen 4-GPU-Server. Das Distill mit \~6 GB passt in jede moderne GPU mit 24 GB VRAM und lässt noch Spielraum für Kontext. Auf gemeinsamer Hardware konkurrieren die Varianten Flash und Distill um denselben Speicherpool wie der KV-Cache bei langen Kontextlängen. Starten Sie mit einem moderaten Kontext, messen Sie, und erhöhen Sie dann. Für die Dimensionierungsmethode siehe [Welche Modellgröße passt auf Ihre GPU?](/de/guides/model-fit.md). > **[Modell ausgewählt? Verbinden Sie es](/de/quickstart.md)** > > Ein authentifizierter Endpunkt unter `https://api.tokios.com` — keine eingehenden Ports, etwa 5 Minuten. ## Verbinden Sie es mit Tokios Ein immer aktives lokales Modell ist eines, das Sie erreichen möchten, wenn Sie nicht am betreibenden Rechner sind. Tokios sitzt nach Ihrer Laufzeitumgebung: Es lädt das Modell nicht herunter und ersetzt nicht vLLM. **1. Lassen Sie Ihre lokale Laufzeitumgebung laufen** Starten Sie MiMo V2.6 in vLLM, SGLang oder llama.cpp und lassen Sie es an Loopback gebunden. **2. Paaren Sie den Tokios-Connector** Melden Sie sich bei [tokios.com/console](https://tokios.com/console) an, öffnen Sie den Tab **Setup** und klicken Sie auf **Start pairing**, um einen einmaligen Pairing-Code (`TKS-XXXX-XXXX`) zu erhalten. Führen Sie den Installer auf dem Rechner aus, auf dem das Modell läuft: ```powershell Windows theme={"theme":{"light":"github-light","dark":"css-variables"}} irm https://tokios.com/downloads/install/windows | iex; tokios-install -Code 'TKS-XXXX-XXXX' ``` ```bash macOS theme={"theme":{"light":"github-light","dark":"css-variables"}} curl -fsSL https://tokios.com/downloads/install/macos | sh -s -- --code TKS-XXXX-XXXX ``` ```bash Linux theme={"theme":{"light":"github-light","dark":"css-variables"}} curl -fsSL https://tokios.com/downloads/install/linux | sh -s -- --code TKS-XXXX-XXXX ``` Dann **approve** Sie das Gerät im Tab **Setup** oder **Connectors**. **3. Registrieren Sie ein Deployment** Im Tab [Models](https://tokios.com/console/models) registrieren Sie die Upstream-Modell-ID (zum Beispiel `XiaomiMiMo/MiMo-V2.6-Flash-MOPD`) unter einem öffentlichen Deployment-Namen wie `mimo-flash`. Clients senden den Deployment-Namen im `model`-Feld, niemals die lokale ID — eine spätere Neuquantisierung ändert also auf Client-Seite nichts. **4. Erstellen Sie einen API-Schlüssel** Im Tab [Keys](https://tokios.com/console/keys) klicken Sie auf **Create key**. Kopieren Sie den `sk-tok-…`-Schlüssel jetzt — er wird nur einmal angezeigt. ### Von überall aus aufrufen ```bash curl (OpenAI-compatible) theme={"theme":{"light":"github-light","dark":"css-variables"}} curl https://api.tokios.com/v1/chat/completions \ -H "Authorization: Bearer sk-tok-YOUR_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "mimo-flash", "stream": true, "messages": [ {"role": "user", "content": "Analyze this codebase and propose a refactoring plan."} ] }' ``` ```bash Claude Code (Anthropic-compatible) theme={"theme":{"light":"github-light","dark":"css-variables"}} export ANTHROPIC_BASE_URL=https://api.tokios.com export ANTHROPIC_API_KEY=sk-tok-YOUR_KEY claude --model mimo-flash ``` ## Einschränkungen * **Pro und Flash sind MoE-Modelle.** Alle 1.02T (Pro) oder 309B (Flash) Parameter müssen in den Speicher passen, obwohl nur 42B oder 15B pro Token aktiv sind — siehe [wie Inferenz funktioniert](/de/concepts/how-inference-works.md). * **1M Kontext ist eine Obergrenze, kein Ziel.** Lange Kontexte fügen KV-Cache-Speicher zu den Modellgewichten hinzu. Auf gemeinsamer Hardware ist dieser Spielraum das, was das Modell auch für Inferenz nutzt. * **Benchmarks sind vom Hersteller berichtet.** Xiaomi hat sie am Veröffentlichungstag publiziert. Warten Sie auf unabhängige Auswertungen, bevor Sie die Ergebnisse als abgeschlossen betrachten. * **Flash ist die praktische Wahl für die meisten Produktions-Setups.** Pro braucht \~520 GB+ kombinierten VRAM — ein ernsthafter Multi-GPU-Server. Flash mit \~160 GB passt in eine Workstation mit viel Speicher oder einen kleineren Server und deckt die meisten Agenten-Schleifen-Workloads ab. * **Das Distill ist eine Destillation, nicht die vollständige Architektur.** Es tauscht MoE-Skalierung gegen Single-GPU-Eignung. Erwarten Sie, dass es bei den schwierigsten Aufgaben schwächer als Pro und Flash ist, aber es ist die einzige Variante, die auf Consumer-Hardware läuft. * **Multimodale Eingabe hängt von Ihrer Laufzeitumgebung ab.** Tokios leitet Bild-, Video- und Audioinhalte an den Upstream-Endpunkt weiter — es fügt keine Fähigkeiten hinzu, die Ihrer Laufzeitumgebung oder Quantisierung fehlen. Prüfen Sie [unterstützte Backends](/de/setup/supported-backends.md). ## FAQ > **Wie viel VRAM braucht MiMo V2.6 Pro?** > > \~520 GB+ kombinierter VRAM bei 4-Bit. Die transparente Berechnung: 1.02T Parameter × \~0.5 Bytes bei 4-Bit ≈ \~510 GB an Gewichten, zuzüglich Overhead für Embeddings und Metadaten. Das bedeutet einen Multi-GPU-Server — 4× H100 (320 GB) sind nicht genug; planen Sie 8× A100 (640 GB) oder gleichwertig. > **Kann ich MiMo V2.6 auf einer einzelnen GPU ausführen?** > > Ja — die **Distill**-Variante ist ein 9B-dichtes Modell, das auf eine einzelne 24-GB-GPU bei 4-Bit passt (\~6 GB). Es ist aus der Qwen-Architektur destilliert und ist die einzige MiMo-Variante, die auf Consumer-Hardware läuft. Pro und Flash brauchen Multi-GPU-Systeme. > **Ist MiMo V2.6 Open Source?** > > Alle 3 Varianten werden unter der **MIT-Lizenz** veröffentlicht, die permissiv ist und keine Acceptable-Use-Policy oder Benutzerzahl-Schwelle hat. Beachten Sie, dass offene Gewichte und Open Source nicht dasselbe sind — die Trainingsdaten und Pipeline werden nicht veröffentlicht. > **Was ist der Unterschied zwischen Pro, Flash und Distill?** > > **Pro** (1.02T gesamt, 42B aktiv) ist das Flaggschiff für schwieriges Coding, Cybersicherheit und langfristige Planung. **Flash** (309B gesamt, 15B aktiv) ist das Produktions-Arbeitstier für Hochvolumen-Agenten-Schleifen. **Distill** (9B, dicht) passt auf eine einzelne GPU für Experimente und Bildung. Alle 3 teilen die gleichen multimodalen Eingabefähigkeiten und die MIT-Lizenz. > **Wie vergleicht sich MiMo V2.6 mit Kimi oder Qwen?** > > MiMo V2.6 Pro und Flash sind MoE-Modelle in derselben Skalierungsklasse wie [Kimi K2.6](/de/models/kimi.md) (1T gesamt, 32B aktiv), aber mit nativer Audioeingabe und einem größeren Kontextfenster. Das Distill mit 9B konkurriert mit [Qwen3.8-27B](/de/models/qwen3.8.md) und [Muse Glimmer](/de/models/muse-glimmer.md) für Single-GPU-Arbeit, obwohl es kleiner ist. Vergleichen Sie sie auf Ihrem eigenen Workload — die MIT-Lizenz macht alle einfach testbar. > **Kann ich MiMo V2.6 mit einem Coding-Agenten verwenden?** > > Ja — alle Varianten unterstützen Tool-Aufrufe und Agenten-Workflows. Ob ein bestimmter Agent funktioniert, hängt davon ab, wie Ihre Laufzeitumgebung Tool-Aufrufe bereitstellt. Siehe [Coding-Agenten-Kompatibilität](/de/guides/coding-agent-compatibility.md) für die Matrix und [Coding-Agenten mit lokalen Modellen](/de/guides/coding-agents-local-models.md) für die Einrichtung. > **Welche Audioformate akzeptiert MiMo V2.6?** > > Prüfen Sie die Modellkarte für die spezifischen Audioformate und Abtastraten, die unterstützt werden. Tokios leitet Audioinhalte unverändert an den Upstream-Endpunkt weiter — es transcodiert oder resampelt nicht. > **[Was passt auf Ihre GPU?](/de/guides/model-fit.md)** > > Dimensionieren Sie Modell und Kontext nach Ihrem VRAM oder Unified Memory. > **[Coding-Agenten mit lokalen Modellen](/de/guides/coding-agents-local-models.md)** > > Richten Sie Claude Code, Cline oder Aider auf ein Modell, das Sie hosten. > **[Kimi](/de/models/kimi.md)** > > Moonshot AIs 1T-MoE-Familie — vergleichbare Skalierung, andere Lizenz. > **[Qwen3.8](/de/models/qwen3.8.md)** > > Alibabas dichtes 27B-Vision-Language-Modell, ebenfalls Apache-2.0. > **[Erreichen Sie es von Ihrem Telefon](/de/use-cases/local-model-on-your-phone.md)** > > Nutzen Sie ein immer aktives lokales Modell, wenn Sie nicht am Rechner sind. > **[Schnellstart](/de/quickstart.md)** > > Paaren Sie einen Connector und registrieren Sie Ihr erstes Modell von Anfang bis Ende. This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.