/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
629 МБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Bonsai-4B-unpacked
Библиотека
mlx
Опубликована
11 сен 2026

Bonsai-4B-mlx-1bit

Генерация текстаТекст → текст3 профессии

Производная модели prism-ml/Bonsai-4B-mlx-1bit. Квантованная до 1 бита языковая модель на базе Qwen3 для локальной генерации текста и диалогов на устройствах Apple Silicon.

116скачиваний за 30 дней0лайковвеса обновлены11 сен 2026

Бенчмарки

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

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

Карточка модели Oscilla/Bonsai-4B-mlx-1bit на Hugging Face совпадает с карточкой prism-ml/Bonsai-4B-mlx-1bit, поэтому описание составлено по ней.

Bonsai-4B-mlx-1bit — языковая модель Prism ML для локальной генерации текста и диалогов на устройствах Apple. Она основана на плотной архитектуре Qwen3 с 36 блоками Transformer-декодера, GQA, SwiGLU, RoPE и RMSNorm; в метаданных указано 3,7 млрд параметров и контекст 32 768 токенов. Веса квантованы до 1 бита с группами по 128 значений и масштабами FP16, а формат MLX использует встроенные ядра деквантизации. По данным карточки, такой вариант занимает около 0,63 ГБ памяти под параметры и предназначен для Mac, iPhone и iPad на Apple Silicon.

Модель подходит для локального диалога и генерации текста без отправки запросов на удалённый сервер. README сообщает о высокой скорости на устройствах Apple, включая заявленные 60 токенов в секунду на iPhone 17 Pro Max; фактическая производительность зависит от устройства и программного обеспечения. Для запуска требуется форк MLX с поддержкой 1-битных ядер, а для Swift — соответствующий форк mlx-swift; поддержка в upstream указана как ожидающая. Квантизация до 1 бита существенно сокращает размер весов и может ограничивать качество относительно исходных весов. Лицензия — Apache-2.0.

Сценарии применения

  • локальные диалоги на Mac, iPhone и iPad
  • генерация текста на устройстве без облачного сервиса
  • создание прототипов чат-приложений для Apple Silicon
  • эксперименты с быстрым запуском компактной LLM

Ограничения

Для запуска требуются форки MLX или mlx-swift с поддержкой 1-битных ядер; стандартная upstream-поддержка, согласно README, ещё ожидает интеграции. Крайне низкая разрядность весов может снижать качество по сравнению с исходной моделью.

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-mlx-1bit

End-to-end 1-bit language model for Apple Silicon

12.8x smaller than FP16 | 4.8x faster on M4 Pro | 60 tok/s on iPhone | runs on Mac, iPhone, iPad

Highlights

  • Deployed footprint — runs comfortably on any Mac or iPhone
  • End-to-end 1-bit weights across embeddings, attention projections, MLP projections, and LM head
  • MLX-native format (1-bit g128) with inline dequantization kernels — no FP16 materialization
  • Cross-platform companion: also available as GGUF Q1_0_g128 for llama.cpp

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: MLX fork (Apple Silicon) · mlx-swift fork (iOS/macOS) · llama.cpp fork (CUDA + Metal)
  • 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 formatMLX 1-bit g128
Deployed size0.63 GB (12.8x smaller than FP16)
1-bit coverageEmbeddings, attention projections, MLP projections, LM head
LicenseApache 2.0

Quantization Format: 1-bit 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.

MLX's quantization formats generally store both a scale and a bias per group: w = mlx_scale * bit + mlx_bias. To pack our scale-only 1-bit weights into this format:

mlx_scale = 2 * original_scale
mlx_bias  = −original_scale

This reconstructs −scale when bit=0 and +scale when bit=1. Because MLX stores two FP16 values per group (scale + bias) instead of one, the effective bits per weight is slightly higher than the GGUF format:

  • MLX 1-bit g128: 1.25 bpw (1 sign bit + two 16-bit values amortized over 128 weights)
  • GGUF Q1_0_g128: 1.125 bpw (1 sign bit + one 16-bit scale amortized over 128 weights)

Memory Requirement

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

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

The model directory on disk is ~0.64 GB (~16 MB larger) because it also includes tokenizer, config, and other metadata files 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

MLX (Python)

Requires PrismML fork of MLX with 1-bit kernel support (upstream PR pending):

pip install mlx-lm
pip install mlx @ git+https://github.com/PrismML-Eng/mlx.git@prism
from mlx_lm import load, generate

model, tokenizer = load("prism-ml/Bonsai-4B-mlx-1bit")

response = generate(
    model,
    tokenizer,
    prompt="Explain quantum computing in simple terms.",
    max_tokens=256,
)
print(response)

MLX Swift (iOS / macOS)

1-bit Bonsai 4B runs natively on iPhone and iPad via MLX Swift. Requires our mlx-swift fork with 1-bit kernels (upstream PR pending).

Throughput (MLX / Apple Silicon)

PlatformBackendTG128 (tok/s)FP16 TG (tok/s)TG vs FP16PP512 (tok/s)FP16 PP512 (tok/s)
M4 Pro 48 GBMLX (Python)132284.8x806728
M4 Pro 48 GBllama.cpp Metal136294.7x915915
iPhone 17 Pro MaxMLX Swift60——651—

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

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
7ff6c25

0 моделей