/ Модель

Характеристики

Размер весов
248 МБ
Лицензия
Apache 2.0
Библиотека
llama.cpp
Опубликована
5 апр 2026

Bonsai-1.7B-gguf

Генерация текстаТекст → текст3 профессии

Компактная однобитная GGUF-версия Bonsai на архитектуре Qwen3-1.7B для локальной генерации текста и диалогов.

111скачиваний за 30 дней0лайковвеса обновлены5 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-1.7B-GGUF — компактная версия языковой модели Bonsai от Prism ML для генерации текста и диалогов в llama.cpp. В основе лежит плотная архитектура Qwen3-1.7B: 28 блоков декодера Transformer, GQA, SwiGLU, RoPE и RMSNorm; заявленный размер — 1,7 млрд параметров, около 1,4 млрд без эмбеддингов.

Модель использует формат GGUF Q1_0_g128 с однобитным представлением весов и общей шкалой на группу из 128 значений. По данным карточки, это снижает объём памяти для параметров примерно до 0,24 ГБ и позволяет запускать модель на CPU, CUDA и Metal, включая устройства Apple и Android. Она предназначена для локальной генерации текста и работы в формате помощника; README также упоминает отдельную версию MLX для Apple Silicon.

Модель распространяется по лицензии Apache-2.0. Карточка приводит сравнительные показатели скорости на RTX 4090 и Mac M4 Pro, но не описывает качество ответов и не даёт оценок на языковых тестах; столь агрессивная квантизация может повлиять на качество по сравнению с исходной точностью.

Сценарии применения

  • локальный чат-помощник на компьютере или телефоне
  • генерация текста на устройстве с ограниченной памятью
  • запуск языковой модели через llama.cpp на CPU
  • генерация текста на видеокарте CUDA
  • локальный диалог на Mac через Metal

Ограничения

Карточка не приводит результатов оценки качества или перечня поддерживаемых языков. Однобитная квантизация может снижать качество относительно более точных вариантов модели.

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-1.7B-GGUF-1bit

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

13.9x smaller than FP16 | 3.0x faster on RTX 4090 | runs on any device

Highlights

  • Deployed footprint — runs on virtually any device
  • 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
Parameters1.7B (~1.4B non-embedding)
ArchitectureQwen3-1.7B dense: GQA (16 query / 8 KV heads), SwiGLU MLP, RoPE, RMSNorm
Layers28 Transformer decoder blocks
Context length32,768 tokens
Vocab size151,936
Weight formatGGUF Q1_0_g128
Deployed size0.24 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
FP163.44 GB—1.0x
GGUF Q1_0_g1280.24 GB93.0%14.2x
MLX 1-bit g1280.27 GB92.2%12.8x

The GGUF file on disk is 0.25 GB (~6.2 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-1.7B-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-1.7B-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-1.7B-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 CUDA6742243.0x31,89930,630
M4 Pro 48 GBllama.cpp Metal250653.8x2,3052,291

Citation

If you use 1-bit Bonsai 1.7B, 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
2af3b76

0 моделей