Лаборатория искусственного интеллекта PrismML разработала специальную версию одной из своих компактных языковых моделей, предназначенную для локальной работы на умных очках, оснащённых чипами Qualcomm Snapdragon.

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Сравнительный тест камер флагманских смартфонов (2026): итоги

Источник изображения: PrismML

На мероприятии Snapdragon Summit компания Qualcomm продемонстрировала 1-битную модель PrismML Bonsai, способную работать локально на умных очках с ИИ, созданных на базе платформы Snapdragon AR1 Gen 1. Компания PrismML занимается сжатием крупных моделей с сохранением качества ответов — в данном случае это было сжатие в четыре раза. Версия для умных очков представляет собой модель размером 2 млрд параметров, оптимизированную для обработки текстовой и визуальной информации. На практике владельцы таких очков смогут в реальном времени получать ответы на вопросы о том, что видят перед собой.

PrismML выпускает ИИ-модели с открытыми весами, предназначенные для работы непосредственно на устройствах, максимально задействуя их имеющиеся вычислительные мощности. Стартап позиционирует это решение как альтернативу зависимости от обещаний конфиденциальности со стороны разработчиков проприетарного ИИ. ИИ-лаборатория совместно с Qualcomm оптимизировала веса и архитектуру модели специально для нейропроцессора Hexagon.

По качеству работы модель сопоставима с системами с 4-битной точностью, но при этом она потребляет вчетверо меньше памяти и генерирует токены более чем вдвое быстрее. В результате взаимодействие с ней становится более естественным, а контекст данных сохраняется на самом устройстве. PrismML и Qualcomm Technologies намерены и далее продолжать сотрудничество, оптимизируя всё более совершенные модели Bonsai для работы на платформах Snapdragon. Технологии ИИ внедряются в умные очки, прочие носимые устройства и окружающую нас технику, поэтому очередной качественный скачок не получится обеспечить одним лишь наращиванием вычислительной мощности.

Лаборатория искусственного интеллекта PrismML представила новую языковую модель, которая имеет достаточно компактные размеры, чтобы работать на обычных ПК и мощных смартфонах. Компания делает ставку на то, что подобные системы не обязательно должны иметь колоссальные размеры.

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Сравнительный тест камер флагманских смартфонов (2026): итоги

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Источник изображения: BoliviaInteligente / unsplash.com

Новая в линейке языковая модель PrismML Bonsai 2 27B представляет собой версию популярной открытой системы Alibaba Qwen3.8 27B, но в достаточно компактном размере — всего 5,9 Гбайт. Таким образом она легко поместится на ПК или может запускаться даже на флагманском смартфоне. Объём модели сокращён в 9–10 раз по сравнению с оригиналом.

Технология сжатия, которую применяет PrismML, уникальна, утверждает разработчик: созданные компанией модели практически не теряют в показателях производительности в сравнении с оригиналами. Новая Bonsai 2 демонстрирует 98 % от совокупных результатов бенчмарков, которые показала Qwen. Этот показатель выше, чем у выпущенной в марте первой Qwen, которая обеспечивала 95 % оригинала. И если оригинальную скачали 11 млн раз, то компактные модели PrismML — 2,6 млн раз. Таким образом, демонстрируемые стартапом результаты сжатия улучшаются от версии к версии.

Удастся ли когда-нибудь достичь соответствия на все 100 %, вопрос открытый, да он и не имеет особого практического значения. Оригинальные модели не настолько точны, и бенчмарки не настолько идеально отражают реальные задачи, чтобы снижение эффективности на 2 % оказало существенное влияние на работу в реальных условиях. Важным фактором остаётся и программная обвязка.

Внушительных результатов, поясняют в PrismML, удаётся достичь за счёт уменьшения размера весов, составляющих модель. Обычно на каждый требуются 16 бит — стартап же использует тернарные веса, то есть сокращает этот объём до трёх значений: «+1», «0» и «-1». Из-за того, что для каждого веса требуется хранить гораздо меньше данных, то и модель занимает значительно меньше места. Стартап планирует применить этот метод сжатия к ещё более крупным моделям — с сотнями миллиардов параметров; разработчики уверены, что в них будет проще сохранить «интеллект», потому что по мере роста размера модели расширяются возможности для сжатия без потери способностей. Возможно, с ними будет проще добиться соответствия на 100 %.