/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,4 млрд
Размер весов
6,8 ГБ
Лицензия
Apache 2.0
Архитектура
granite · dense
Базовая модель
granite-4.1-3b
Библиотека
mlx
Опубликована
22 сен 2026

granite-4.1-3b-chat-mlx-16bit

Генерация текстаТекст → текст12 профессий

16-битная конверсия диалоговой IBM Granite 4.1 3B в MLX для локальной генерации текста и чата на Apple Silicon.

788скачиваний за 30 дней0лайковвеса обновлены22 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

SirSahOl подготовил конверсию диалоговой языковой модели IBM Granite 4.1 3B в формат MLX для локального запуска на Apple Silicon. Это плотная авторегрессионная модель GraniteForCausalLM с 3,4 млрд параметров, весами в 16-битном формате и контекстом до 131 072 токенов. Репозиторий содержит веса safetensors и предназначен для инференса через MLX.

Модель подходит для многоходового чата, генерации текста и локальных ассистентов, включая сценарии с кодом и вызовом инструментов, поддерживаемые базовой моделью. Главные преимущества этой версии — запуск на GPU Apple Silicon и сохранение 16-битной точности; для весов требуется около 7 ГБ объединённой памяти, а для комфортной работы рекомендуется не менее 16 ГБ. Скорость зависит от устройства и длины запроса, а длинный контекст требует дополнительной памяти.

Это конверсия базовой модели ibm-granite/granite-4.1-3b с помощью MLX, а не самостоятельное дообучение. Лицензия — Apache-2.0. Версия рассчитана на Apple Silicon и не является универсальным форматом для GPU других производителей.

Сценарии применения

  • локальный диалоговый ассистент на Mac
  • генерация и продолжение текста
  • многоходовые беседы с языковой моделью
  • помощь с кодом на Apple Silicon
  • локальные сценарии с вызовом инструментов

Ограничения

Для запуска требуется Apple Silicon; веса занимают около 7 ГБ объединённой памяти, а длинные запросы требуют дополнительного запаса памяти. Скорость генерации зависит от устройства и длины контекста.

Для каких профессий подходит12

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

granite-4.1-3b-mlx-16bit

16-bit MLX conversion of ibm-granite/granite-4.1-3b optimized for Apple Silicon native GPU inference.

Converted by: SirSahOl
Source Model: ibm-granite/granite-4.1-3b
Framework: MLX by Apple
Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
Format: safetensors
License: apache-2.0


Model Details

  • Architecture: GraniteForCausalLM
  • Parameters: 3.0B
  • Context Length: 131,072 tokens
  • Format: MLX (Apple Silicon native GPU format)
  • Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
  • Active VRAM Footprint: ~7.1 GB (Minimum recommended: 16 GB Unified Memory)

Quick Start

Installation

pip install mlx-lm

Usage

CLI

# Chat interactively
mlx_lm.chat --model SirSahOl/granite-4.1-3b-chat-mlx-16bit

# Generate text
mlx_lm.generate --model SirSahOl/granite-4.1-3b-chat-mlx-16bit --prompt "Write a short poem about artificial intelligence."

Python API (with Chat Template)

from mlx_lm import load, generate

model, tokenizer = load("SirSahOl/granite-4.1-3b-chat-mlx-16bit")

messages = [
    {"role": "user", "content": "Explain quantum superposition in simple terms."}
]
prompt = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

response = generate(model, tokenizer, prompt=prompt, verbose=True)
print(response)

Performance Benchmarks

Apple Silicon Hardware Sizing Matrix

Estimated decoding throughput, time-to-first-token (TTFT), and active unified memory footprint across Apple Silicon tiers:

Apple Silicon TierUnified MemoryActive VRAMEstimated SpeedEst. TTFTRecommended Use Case
M1 / M2 / M3 / M4 (Base)16 GB Unified Memory~7.1 GB~31 tokens/sec~94 msEveryday interactive assistant & fast local completions
M1 / M2 / M3 / M4 Pro18 GB – 36 GB~7.1 GB~46 tokens/sec~64 msBalanced daily driver for coding, tool invocation, and multi-turn chat
M1 / M2 / M3 / M4 Max36 GB – 128 GB~7.1 GB~67 tokens/sec~39 msHigh-throughput generation, low latency, agent orchestration
M1 / M2 / M3 Ultra64 GB – 192 GB~7.1 GB~93 tokens/sec~26 msPeak concurrency, batch document extraction, production serving

Projections based on Apple Silicon memory bandwidth saturation for 16-bit weights. Real-world speeds vary by prompt length.


Multi-Quantization Comparison

Evaluate your hardware budget and choose the optimal precision:

VariantDisk SizeVRAM FootprintTarget Apple Silicon HardwareKey Advantage
4-bit MLX~2.0 GB~2.0 GBM1 / M2 / M3 / M4 (8GB+)Maximum generation speed and lowest RAM overhead.
8-bit MLX~3.6 GB~3.6 GBM1 / M2 / M3 / M4 Pro/Max (16GB+)Balanced accuracy and generation speed; near-lossless reasoning.
16-bit MLX (This Repository)~6.8 GB~6.8 GBM2 / M3 / M4 Max/Ultra (32GB+)Full unquantized precision; reference evaluation quality.

Who Should Use This?

Your HardwareRecommended Quantization
M1/M2/M3/M4 (8GB – 16GB)4-bit — Best balance of speed, low memory, and multitasking capability
M1/M2/M3/M4 Pro/Max (18GB – 36GB)8-bit — Higher quality reasoning with comfortable memory headroom
M1/M2/M3/M4 Max/Ultra (36GB – 192GB)16-bit — Unquantized full precision, zero quality degradation

General guidance:

  • Use 4-bit if you want to run this model alongside IDEs, browsers, and background development tools.
  • Use 8-bit if you have 16GB+ unified memory and require superior reasoning and code accuracy.
  • Use 16-bit for research, benchmarking, evaluation, or high-end workstation deployments.

Other Quantization Variants

VariantLink
4-bitSirSahOl/granite-4.1-3b-chat-mlx-4bit
8-bitSirSahOl/granite-4.1-3b-chat-mlx-8bit
16-bitSirSahOl/granite-4.1-3b-chat-mlx-16bit

LM Studio & Local Inference Setup Guide

To prevent runaway loops and ensure correct conversational turn-taking, configure custom stop tokens in your local inference runtime:

  1. <|im_start|>
  2. <|im_end|>
  3. <|endoftext|>

Prompt Template Formatting

  • System Prefix: <|im_start|>system\n
  • System Suffix: <|im_end|>\n
  • User Prefix: <|im_start|>user\n
  • Assistant Suffix: <|im_end|>\n<|im_start|>assistant\n

Ollama Quickstart

FROM SirSahOl/granite-4.1-3b-chat-mlx-16bit
PARAMETER stop "<|im_start|>"
PARAMETER stop "<|im_end|>"
PARAMETER stop "<|endoftext|>"
PARAMETER temperature 0.7
ollama create granite-4.1-3b-chat-mlx-16bit -f Modelfile
ollama run granite-4.1-3b-chat-mlx-16bit

Conversion Details

PropertyValue
Source Modelibm-granite/granite-4.1-3b
Quantization16-bit
mlx-lm Version0.31.3
Conversion Time10.52s
Output Size6.3 GB
Date2026-09-22T02:34:13.768295+00:00

Reproduction

To reproduce this conversion:

pip install mlx-lm==0.31.3
python3 -m mlx_lm.convert --hf-path /root/.cache/huggingface/hub/models--ibm-granite--granite-4.1-3b/snapshots/c0650403e44e78ec0262dab1c90914c65b196c4e --mlx-path output/granite-4.1-3b-mlx-16bit

Limitations & Known Issues

  • 4-bit group-wise quantization introduces minor precision loss compared to unquantized weights; for deep mathematical derivations or precision-critical reasoning, test the 8-bit or 16-bit variants.
  • High context sequences (>32K tokens) require sufficient unified memory headroom; ensure unified memory is not overcommitted.
  • This is a weight-only MLX conversion designed specifically for Apple Silicon GPUs (M1/M2/M3/M4 series).

License

This model conversion inherits the license of the source model: apache-2.0.

See the original model card for full license details.


Changelog

VersionDateChanges
v1.02026-09-22Initial conversion

Converted with MLX Foundry — a professional pipeline for converting models to Apple MLX format.

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
GraniteForCausalLM
Ревизия весов
117f8ea

0 моделей