Un'ondata di modelli compatti e specializzati punta a dispositivi edge, compiti di dominio e subagenti leggeri: modelli visivo-linguistici su smartphone, generazione di asset 3D, subagenti di ricerca web e riduzione della verbosità. L'attenzione è sulla capacità specialistica per watt o parametro piuttosto che sulla scala pura.
Un LLM da 1,1 GB derivato da LFM3-1.7B esegue una sola ricerca e restituisce risposta, citazione e URL. Nei test il modello base non risponde nel 62% dei casi live, mentre Obsessive risponde sempre e riduce le invenzioni. AI-Radar analizza il trade-o...
Un fine-tuning di LFM3-1.7B trasforma il modello in un subagente di ricerca web che restituisce valore, citazione e URL, oppure "Not found". Addestrato con LoRA su un laptop con RTX 4060, azzera le risposte inventate nel benchmark fisso ma accetta un...
Cactus Compute ha rilasciato Mirage, un modello visivo-linguistico da 22 MB e 51,3 milioni di parametri pensato per smartphone, wearable e robot. Su Samsung Galaxy S26 gira in 74 ms sulla NPU e 107 ms sulla CPU, in un solo passaggio per descrizione d...
Un progetto leggero mostra come ridurre la verbosità di un LLM locale. Oc-e-Non-v1, derivato da Qwen3-4B-Instruct-2507, accorcia le risposte in media del 50% e rende il comportamento sintetico parte del modello, non solo del prompt. Una mossa che int...
L'autore di CCORE GLB-3D-Coder ha pubblicato il dataset usato per addestrare il modello da 4 miliardi di parametri: 3.918 esempi validati e renderizzati su 40 domini, con tracce di ragionamento, risposte HTML/JavaScript e licenza MIT. Una base per fi...
Il rilascio finale di CCORE GLB-3D-Coder 4B segnala una via concreta per generare asset 3D in locale: un LLM da 4B perfezionato per produrre codice Three.js, esportabile in GLB. I pesi in GGUF e il dataset atteso aprono scenari self-hosted, con vanta...
La versione finale di CCORE GLB-3D-Coder 4B, un fine-tuning completo di Qwen3.5-4B, è disponibile con pesi Safetensors e file GGUF. Genera scene Three.js esportabili in GLB per Godot, Blender e Unity. Un segnale concreto per la generazione di asset i...
Un agente costruito su Qwen3-8B impara a compattare il contesto con note auto-generate e raggiunge il 67,8% di accuratezza su benchmark di domande su libri fino a 2,5 milioni di token, senza mai superare 20K token. Supera GPT-5.5 agent e si avvicina ...
