/ Модель

Характеристики

Размер весов
572 МБ
Лицензия
Apache 2.0
Библиотека
llama.cpp
Опубликована
3 апр 2026

Bonsai-4B-gguf

Генерация текстаТекст → текст3 профессии

Компактная 1-битная GGUF-квантизация языковой модели семейства Qwen3 для локальной генерации текста и диалогов через llama.cpp.

159скачиваний за 30 дней0лайковвеса обновлены3 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Bonsai-4B-GGUF-1bit — компактная 4-миллиардная языковая модель семейства Qwen3, представленная Prism ML в формате GGUF для запуска через llama.cpp. Это плотный трансформер-декодер с 36 блоками, GQA, SwiGLU, RoPE и RMSNorm; веса квантизированы до 1 бита с групповыми масштабами Q1_0_g128. По данным карточки, память для весов и масштабов составляет около 0,57 ГБ, что делает модель пригодной для локального запуска на GPU и устройствах Apple и Android при наличии совместимого бэкенда.

Модель предназначена для генерации текста и диалогового использования. Квантизация охватывает эмбеддинги, проекции внимания и MLP, а также выходную голову. Карточка приводит результаты скорости для RTX 4090 и M4 Pro, но не сообщает о качестве на тестах или языках обучения, поэтому качество ответов и пригодность для конкретного языка следует оценивать отдельно.

Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуется llama.cpp с поддержкой соответствующих 1-битных ядер либо совместимая реализация; поддержка заявлена для CUDA, Metal и CPU, а также упомянуты мобильные варианты.

Сценарии применения

  • локальный чат-ассистент на компьютере или мобильном устройстве
  • генерация и продолжение текста при ограниченной памяти
  • встраивание диалоговой модели в приложение через llama.cpp
  • эксперименты с быстрым локальным инференсом квантизированной LLM

Ограничения

В README не приведены языки поддержки и результаты оценки качества; 1-битная квантизация может влиять на точность ответов. Для работы нужны llama.cpp или совместимый бэкенд с поддержкой используемого формата.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bonsai-4B-GGUF-1bit

End-to-end 1-bit language model for llama.cpp (CUDA, Metal, CPU)

14.1x smaller than FP16 | 4.2x faster on RTX 4090 | runs on any device

Highlights

  • Deployed footprint fits on virtually any device with a GPU
  • End-to-end 1-bit weights across embeddings, attention projections, MLP projections, and LM head
  • GGUF Q1_0_g128 format for 1-bit packing of weights with shared scales for each group (group size 128).
  • Cross-platform: CUDA (RTX/datacenter), Metal (Mac), Swift (iPhone/iPad), Android
  • MLX companion: also available as MLX 1-bit g128 for native Apple Silicon inference

Resources

  • Google Colab — try Bonsai in your browser, no setup required
  • Whitepaper — for more details on Bonsai, check out our whitepaper
  • Demo repo — comprehensive examples for serving, benchmarking, and integrating Bonsai
  • Discord — join the community for support, discussion, and updates
  • 1-bit kernels: llama.cpp fork (CUDA + Metal) · MLX fork (Apple Silicon) · mlx-swift fork (iOS/macOS)
  • Locally AI — we have partnered with Locally AI for iPhone support

Model Overview

ItemSpecification
Parameters4.0B (~3.6B non-embedding)
ArchitectureQwen3-4B dense: GQA (32 query / 8 KV heads), SwiGLU MLP, RoPE, RMSNorm
Layers36 Transformer decoder blocks
Context length32,768 tokens
Vocab size151,936
Weight formatGGUF Q1_0_g128
Deployed size0.57 GB (14.2x smaller than FP16)
1-bit coverageEmbeddings, attention projections, MLP projections, LM head
LicenseApache 2.0

Quantization Format: Q1_0_g128

Each weight is a single bit: 0 maps to −scale, 1 maps to +scale. Every group of 128 weights shares one FP16 scale factor.

Effective bits per weight: 1.125 (1 sign bit + 16-bit scale amortized over 128 weights).

Memory Requirement

Parameter memory only (weights and scales loaded into memory):

FormatSizeReductionRatio
FP168.04 GB—1.0x
GGUF Q1_0_g1280.57 GB93.0%14.2x
MLX 1-bit g1280.63 GB92.2%12.8x

The GGUF file on disk is 0.57 GB (~6.4 MB larger) because the format embeds the tokenizer, chat template, and model metadata alongside the weights.

Best Practices

Generation Parameters

ParameterDefaultSuggested range
Temperature0.50.5 -- 0.7
Top-k2020 -- 40
Top-p0.90.85 -- 0.95
Repetition penalty1.0
Presence penalty0.0

System Prompt

You can use a simple system prompt such as:

You are a helpful assistant

Quickstart

llama.cpp (CUDA)

# Clone the PrismML fork of llama.cpp (includes Q1_0_g128 kernels)
git clone https://github.com/PrismML-Eng/llama.cpp
cd llama.cpp

# Build with CUDA support
cmake -B build -DGGML_CUDA=ON && cmake --build build -j

# Run inference
./build/bin/llama-cli \
    -m Bonsai-4B-Q1_0_g128.gguf \
    -p "Explain quantum computing in simple terms." \
    -n 256 \
    --temp 0.5 \
    --top-p 0.85 \
    --top-k 20 \
    -ngl 99

llama.cpp (Metal / macOS)

# Clone the PrismML fork of llama.cpp (includes Q1_0_g128 kernels)
git clone https://github.com/PrismML-Eng/llama.cpp
cd llama.cpp

# Build with Metal support (default on macOS)
cmake -B build && cmake --build build -j

# Run inference
./build/bin/llama-cli \
    -m Bonsai-4B-Q1_0_g128.gguf \
    -p "Explain quantum computing in simple terms." \
    -n 256 \
    --temp 0.5 \
    --top-p 0.85 \
    --top-k 20 \
    -ngl 99

llama.cpp Server

./build/bin/llama-server \
    -m Bonsai-4B-Q1_0_g128.gguf \
    --host 0.0.0.0 \
    --port 8080 \
    -ngl 99

Open the web UI at http://127.0.0.1:8080, or see our llama.cpp fork for more examples.

Cross-Platform Throughput

PlatformBackendTG128 (tok/s)FP16 TG (tok/s)TG vs FP16PP512 (tok/s)FP16 PP512 (tok/s)
RTX 4090llama.cpp CUDA4401054.2x18,13516,310
M4 Pro 48 GBllama.cpp Metal136294.7x915915

Citation

If you use 1-bit Bonsai 4B, please cite:

@techreport{bonsai,
    title   = {Bonsai: End-to-End 1-bit Language Model Deployment
               Across Apple, GPU, and Mobile Runtimes},
    author  = {Prism ML},
    year    = {2026},
    month   = {March},
    url     = {https://prismml.com}
}

Contact

For questions, feedback, or collaboration inquiries: contact@prismml.com

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
4aef055

0 моделей