BitNet b1.58 — lokalny model AI od Microsoft

Autor: Jakub Rusinowski · Ostatnia aktualizacja:

Przełom paradygmatyczny od Microsoftu. BitNet b1.58 zastępuje 16-bitowe wagi trójwartościowymi {-1, 0, 1}, eliminując mnożenie macierzy (MatMul) na rzecz prostego dodawania — oferując ekstremalną szybkość i wydajność na CPU.

Research Paper GitHub

Warianty

Najmniejszy wariant BitNet b1.58 potrzebuje około 3 GB VRAM przy 1.58-bit — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV.

ModelVRAM
BitNet b1.58 3B →
3B
~2.8 GB

Pamięć to skwantyzowane wagi plus narzut przy Q4_K_M, liczone tym samym silnikiem co sprawdzarka GPU i VRAM.

Jak uruchomić BitNet b1.58 lokalnie

Zainstaluj Ollama, a potem pobierz tag.

ollama run hf.co/1bitLLM/bitnet_b1_58-3B

Wybierz rozmiar powyżej, aby zobaczyć jego VRAM, szacowaną szybkość i polecenie instalacji.

Licencja

MITUżycie komercyjne dozwolone

Commercial use permitted. No usage restrictions beyond attribution.

Dotyczy: BitNet b1.58 3B

Polecane GPU

Najtańsze GPU z naszego katalogu, które uruchomi BitNet b1.58 lokalnie (min. 3 GB VRAM), to Intel Arc B570 (10 GB).

Ujawnienie afiliacyjne: Niektóre odnośniki na tej stronie to linki afiliacyjne — jeśli dokonasz zakupu za ich pośrednictwem, LLM Configurator może otrzymać prowizję bez dodatkowych kosztów dla Ciebie. Jako uczestnik programu Amazon Associates, LLM Configurator zarabia na kwalifikujących się zakupach.
Intel Arc B570 10GB
10 GB VRAM · 150 W board power
Ceny w 2026 są niestabilne — sprawdź aktualną ofertę.

Czy uruchomię BitNet b1.58 na moim GPU?

BitNet b1.58 — najczęściej zadawane pytania

How much VRAM does BitNet b1.58 need?

BitNet b1.58 needs about 3 GB VRAM at 1.58-bit quantization for its smallest variant. Variants: BitNet b1.58 3B (3 GB, 1.58-bit). On Apple Silicon, unified memory counts toward this requirement.

Can I run BitNet b1.58 on an RTX 4090 (24 GB)?

Yes — BitNet b1.58 runs on an RTX 4090 (24 GB) and other 24 GB cards such as the RTX 3090. Smaller variants also fit comfortably on 8–16 GB GPUs at 1.58-bit.

What quantization should I use for BitNet b1.58?

Q4_K_M is the best balance of quality and VRAM for BitNet b1.58 in most cases. Choose Q8_0 for near-lossless quality if you have spare VRAM, or smaller quants (Q3/Q2) only when memory is tight.

How do I run BitNet b1.58 with Ollama?

Install Ollama, then run: ollama run hf.co/1bitLLM/bitnet_b1_58-3B. This downloads BitNet b1.58 and starts a local, OpenAI-compatible endpoint — no internet connection is needed after the initial download.