/ Модель

Характеристики

Размер весов
549 ГБ
Лицензия
Apache 2.0
Архитектура
inkling_mm_model · dense
Базовая модель
Inkling
Библиотека
mlx
Опубликована
16 июл 2026

Inkling-mlx-4bit

Изображение и текст → текст3 профессии

4-битная мультимодальная сборка Inkling для диалогов и анализа изображений на компьютерах Apple Silicon с MLX.

285скачиваний за 30 дней7лайковвеса обновлены24 июл 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

Inkling-mlx-4bit — 4-битная сборка мультимодальной модели Inkling от Thinking Machines, подготовленная mlx-community для запуска на компьютерах Apple Silicon через MLX. Это MoE-модель с 975 млрд параметров всего и 41 млрд активных параметров; сборка сохраняет текстовый декодер и компоненты для обработки изображений и аудио. Вес репозитория составляет около 548 ГБ. Основная задача по карточке — диалог с текстовым и визуальным вводом и текстовым ответом.

Квантизация affine с группой 64 применяется к маршрутизируемым экспертам и матричным слоям зрения и аудио; внимание, эмбеддинги, нормализации, маршрутизатор и некоторые другие компоненты оставлены в bf16. README описывает запуск с MLX, mlx-lm и Transformers, а также выгрузку экспертов на SSD для работы на одном Mac. Скорость генерации зависит от попаданий в кэш маршрутизации и пропускной способности SSD; в примере указано около 0,33 токена в секунду. Лицензия модели — Apache-2.0.

Сценарии применения

  • диалоги с мультимодальной моделью на Mac с Apple Silicon
  • ответы на вопросы по изображениям
  • генерация продолжения текста локально
  • эксперименты с MoE-моделями на Apple Silicon

Ограничения

Для запуска требуется Apple Silicon и MLX; объём сборки около 548 ГБ требует выгрузки экспертов на SSD, а скорость зависит от попаданий в кэш и пропускной способности накопителя. В README приведён пример скорости около 0,33 токена в секунду.

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

Inkling-mlx-4bit (4-bit, omni / multimodal, self-contained MLX)

An MLX 4-bit build of Thinking Machines' Inkling (975B-total / 41B-active MoE), quantized from the BF16 checkpoint for Apple Silicon. Omni: keeps the text decoder plus the vision (HMLP) and audio (dMel) towers. Self-contained. This bundles the loader package (inkling_mlx/), so it runs with just mlx + mlx-lm + transformers.

The higher-fidelity sibling of mlx-community/Inkling-mlx-2bit: ~548 GB (vs ~315 GB at 2-bit), trading size for sharper text and multimodal quality.

Quantization (recipe: experts_only)

  • 4-bit affine group quantization (group size 64) on the routed experts and the vision / audio matmuls this is the bulk of the weights.
  • Kept in bf16 (protected): attention, token / output embeddings, RMSNorms, the router gate, the per-layer short-convolutions, and the relative-position bias.

Usage

# pip install mlx mlx-lm transformers
# download this repo (it already includes the inkling_mlx/ loader)
from inkling_mlx.load import load
from inkling_mlx.generate import greedy_generate
from transformers import AutoTokenizer

model, config = load("./Inkling-mlx-4bit")
tok = AutoTokenizer.from_pretrained("./Inkling-mlx-4bit", trust_remote_code=True)
ids = tok("The capital of France is")["input_ids"]
print(tok.decode(greedy_generate(model, config, ids, max_new_tokens=64)))

Running on a single Mac with SSD expert-offload

At ~548 GB this doesn't fit resident on one Mac but an MoE only fires 6 of 256 experts per token. So keep the always-needed weights in RAM (attention, shared experts, embeddings, norms, router, vision / audio towers) and page the routed experts from SSD on demand, letting the OS page cache hold the hot ones. This runs the omni build on a single Mac Studio.

Sample text decoding (4-bit, greedy)

PromptGenerated continuationNotes
The capital of France is Paris. The capital of Italy is Rome. The capital of Spain is Madrid. The capital of Russia is Moscow.~0.33 tok/s, SSD expert-offload

Tool: github.com/huckiyang/mlx-moe-offload (MIT) — a drop-in over mlx-lm's SwitchGLU.

pip install mlx mlx-lm scipy pillow
git clone https://github.com/huckiyang/mlx-moe-offload && cd mlx-moe-offload && pip install -e .

# 1) one-time: repack the stacked experts into a per-expert SSD store
python -m mlx_moe_offload.repack --build /path/Inkling-mlx-4bit --out /path/Inkling-mlx-4bit-offload
OFF=/path/Inkling-mlx-4bit-offload

# 2) generate — text, image, or audio (omni)
python examples/inkling_omni.py --offload-dir $OFF --prompt "The capital of France is"
python examples/inkling_omni.py --offload-dir $OFF --image cat.png --prompt "What is in this image?"
python examples/inkling_omni.py --offload-dir $OFF --audio q.wav   --prompt "Transcribe in English:"

Decode speed is gated by the routing cache hit-rate and SSD bandwidth, please check store.stats().

Attribution

LICENSE + THIRD_PARTY_NOTICES.md are included in this repo.

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
InklingForConditionalGeneration
Ревизия весов
1f2ad6f

0 моделей