Edge0-ը բաց կոդով է թողարկում 145B պարամետրով արհեստական բանականության մոդել նոութբուքի համար

Edge0-ը բաց կոդով է թողարկել Edge0-145B և Edge0-120B մոդելները՝ միասնական ինֆերենսի շրջանակով և տեղակայման գործիքներով։ Edge0-145B-ը նկարագրվում է որպես առաջին բաց կոդով տեղական արհեստական բանականության մոդել՝ 145 միլիարդ պարամետրով, որը բերում է ծրագրավորման, տրամաբանության և գործակալային հնարավորություններ՝ մրցելով առաջատար ամպային մոդելների հետ։ Ընկերությունն ասում է, որ այն կարող է աշխատել համատեղելի նոութբուքի վրա՝ 29GB գագաթնային հիշողությամբ և վայրկյանում 80-ից ավել թոքեն դեկոդով։

Տեղական կատարողականություն և նախագծում

Edge0-145B-ը, ըստ հաղորդման, օգտագործում է 29GB գագաթնային հիշողություն, մշակում է հուշումները 1,100+ թոքեն/վայրկյան արագությամբ, գեներացնում է 80+ թոքեն/վայրկյան, օգտագործում է մոտ 120W սովորական հզորություն և աջակցում է 128K-ից 256K համատեքստ։ Նրա նախագծումը մեծ մատրիցները կիսում է 64 նոսր փորձագետների խմբերում, ուստի յուրաքանչյուր ինֆերենսի քայլում մասնակցում է միայն մոտ 10B պարամետր 145B-ից։ Թեժ փորձագետները մնում են GPU հիշողությունում, մոտ 40GB փորձագետների գրադարանը գտնվում է համակարգային հիշողությունում, իսկ մոտ 48GB բառապաշարի տվյալները՝ SSD-ում։ CPU-ն և GPU-ն աշխատում են զուգահեռ, իսկ սպեկուլյատիվ դեկոդը միաժամանակ ստուգում է մի քանի թեկնածու թոքեններ։ Edge0-35B-ը, ավելի վաղ հեռախոսային մոդելը, հայտնել է 2.5GB-ից ցածր գագաթնային հիշողություն և 37+ թոքեն/վայրկյան iPhone 18 Pro Max-ի վրա։ Այդ չափումները վերաբերում են այլ մոդելի և սարքավորման։

Բենչմարքեր, հիշողություն և տեղական աշխատանքային հոսքեր

Edge0-145B-ը վաստակում է 64.6 DeepSWE 1.1-ում, 86.52 Terminal-Bench 2.1-ում, 35.4 HLE-ում, 90.4 GPQA-Diamond-ում, 80.6 IFBench-ում և 79.3 AA-LCR-ում։ Այն միջինում 72.8 է այդ վեց բենչմարքերում՝ 29GB չափված գագաթնային հիշողությամբ, համեմատած Qwen3.8-Flash-Next-ի 71.7-ի և ստանդարտ 4-բիթ տեղակայման մոտավոր 70GB հետքի հետ։ Qwen3.8-27B-ի նկատմամբ աճերը ներառում են 18.5% Terminal-Bench-ում և 53.1% DeepSWE-ում, ինչպես նաև 14.9% HLE-ում, 1.3% GPQA-ում և 1.4% IFBench-ում։ Մոդելը կարող է պլանավորել, գրել և գործարկել կոդ, վրիպակներ որոնել և արդյունքները տեսողականորեն ստուգել։ Ցուցադրությունները ներառում են Roadster բացատրող տեսանյութ մեկ ժամում, Manhattan 3D տեսարան Blender-ում մեկ ժամում, 20 վայրկյանանոց միջնադարյան քաղաքի թռիչք, դրոնի նավիգացիայի ծրագիր և PCB դիզայն՝ հավաքման անիմացիայով։ Ընկերությունն ասում է, որ Manhattan-ի մասշտաբի տեսարանը ձեռքով կարժենա մոտ $12,000-18,000 և կտևի առնվազն մեկ ամիս, իսկ առաջատար ամպային մոդելը կկրի ավելի քան $150 ամպային թոքեն վճար։ Տեղական ինֆերենսը չի ներառում համապատասխան ամպային մոդելի թոքեն կամ API վճարներ, թեև սարքավորումն ու էլեկտրաէներգիան դեռ գումար են արժենում։

Հարթակ, պորտֆոլիո և էկոհամակարգ

Edge0-145B-ը աջակցում է macOS, Windows և Linux համակարգերին առաջին օրվանից, ներառյալ Apple M-շարքի չիպերը և NVIDIA հարթակները, ինչպիսիք են RTX Spark, RTX 4090 և RTX 5090։ Edge0-ը թողարկել է 200 մոդել չորս ընտանիքում՝ Edge0՝ բարդ գործակալային խնդիրների և vibe coding-ի համար, Audio8՝ լսելու և խոսելու համար, Decision0՝ արագ որոշումների համար, և Embedding0՝ հիշողության համար։ Նրա պորտֆոլիոն ընդգրկում է հիմնական չիպային հարթակների 95%-ը, ընդգրկում է ավելի քան 5 միլիոն արտադրական սարք, երեք ամսում անցել է 15 միլիոն ներբեռնում և 2026 թվականի հոկտեմբերին հասել է ավելի քան 110,000 հաճախորդ կազմակերպության։ Սեպտեմբերի Edge0-35B թողարկման գրառումը առաջին օրը անցել է 1.2 միլիոն դիտում, իսկ Edge0-ը և Audio8-ը երկուսն էլ հասել են 1-ին տեղ Hugging Face-ի Trending աղյուսակում։ Տեղական ինֆերենսը կարող է կոդն ու տվյալները պահել համակարգչում, աջակցել օֆլայն հիմնական հնարավորություններին և խուսափել ամպային մոդելի թոքեն կամ API վճարներից՝ օգտագործման աճի հետ։

Աղբյուրներ՝ edge0.ai