Ternary Bonsai 2 4B — VRAM, szybkość i lokalna konfiguracja
Autor: Jakub Rusinowski · Ostatnia aktualizacja:
Model językowy 4,21B parametrów plus wieża wizyjna 0,33B, przebudowany z Qwen3.5-4B z wagami ternarnymi. Plik PTQ1_0 ma 0,95 GB. Kontekst 262 144 tokenów, wejście obrazowe, wywoływanie narzędzi oraz dwa opcjonalne modele do dekodowania spekulatywnego (MTP i DFlash2), które wymagają forka llama.cpp od PrismML. Standardowe llama.cpp uruchamia tylko plik Q2_0.
Ternary Bonsai 2 4B potrzebuje około 2 GB VRAM przy PTQ1_0 ternary — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV. Na Apple Silicon ta wartość pochodzi z pamięci zunifikowanej.
VRAM i szybkość według kwantyzacji
Liczone dla NVIDIA RTX 4090 (24 GB). Obejmuje pamięć podręczną KV przy kontekście 8K, więc wartości są wyższe niż główna liczba.
| Kwant. | Pamięć | VRAM | Szybkość (szac.) | Dopasowanie |
|---|---|---|---|---|
| PTQ1_0 ternary 1.78 bpw | 2 GB | ~273 tok/s | Mieści się | |
| PQ2_0 ternary 2.16 bpw | 2.2 GB | ~255 tok/s | Mieści się | |
| Q2_0 ternary 2.28 bpw | 2.3 GB | ~249 tok/s | Mieści się |
Czarny znacznik = dostępna pamięć na NVIDIA RTX 4090 (24 GB). Szacunki z modelu przepustowości pamięci opisanego na stronie metodologii. Kalkulator VRAM dla Ternary Bonsai 2 4B →
Uruchom Ternary Bonsai 2 4B
Najtańsze GPU z naszego katalogu, które uruchomi Ternary Bonsai 2 4B, to Intel Arc B570 (10 GB).
lub porównaj w Vast.ai od $0.35/godz. (typical low · varies)
Jako partner Amazon zarabiamy na kwalifikujących się zakupach. Linki do chmurowych GPU są linkami polecającymi — możemy otrzymać prowizję bez dodatkowych kosztów dla Ciebie.
Jak uruchomić Ternary Bonsai 2 4B
No Ollama library entry. The packed ternary formats need PrismML's llama.cpp fork (or upstream llama.cpp for the Q2_0 file only); on Apple devices use the MLX build with mlx-vlm 0.7.8 or newer.
Specyfikacja
Corroborated — Two or more independent sources agree on these figures, but the model card itself was not retrieved. Treat the numbers as good rather than confirmed. Jeszcze niepotwierdzone: parameter count (model card only; the GGUF metadata under-counts packed ternary weights).
- Parametry
- 4.21 Billion (+0.33B vision tower)
- Okno kontekstu
- 262,144
- Architektura
- Qwen3.5-4B hybrid attention (3 linear : 1 full), ternary weights
- Dostawca
- PrismML
- Licencja
- Apache 2.0
- Availability
- Weights downloadable
- Practical deployment
- Edge device (phone, SBC)
- Określono przy
- PTQ1_0 ternary
- Vision projector
- +0.4 GB when you send images (not included above)
- RAM systemowy
- 8 GB
- Rekord zaktualizowany
- 2026-10-15
Commercial use permitted. No usage restrictions beyond attribution.
Ograniczenia i zastrzeżenia
- Ships only in PrismML's ternary packings; there is no Q4_K_M, Q8_0 or FP16 GGUF to choose instead.
- Upstream llama.cpp loads only the Q2_0 file; PTQ1_0, PQ2_0 and both drafters need the PrismML fork.
Jakość i zastosowania
Wyniki opublikowane przez autorów modelu lub niezależnego oceniającego — jakość, nie przepustowość, i nie mierzone przez nas.
Czy uruchomię Ternary Bonsai 2 4B na moim GPU?
Inne rozmiary Ternary Bonsai 2
Ternary Bonsai 2 4B — najczęściej zadawane pytania
How much VRAM does Ternary Bonsai 2 4B need?
About 2 GB at PTQ1_0 ternary — quantized weights plus framework overhead, before any KV cache. The cache grows with context length and is added on top; the table above folds it in. Apple Silicon counts unified memory toward the same figure.
Does Ternary Bonsai 2 4B run on an RTX 4090 (24 GB)?
Yes. Ternary Bonsai 2 4B needs about 2 GB at PTQ1_0 ternary, inside a 24 GB card, at an estimated 273 tokens/sec.
How do I run Ternary Bonsai 2 4B locally?
No Ollama library entry. The packed ternary formats need PrismML's llama.cpp fork (or upstream llama.cpp for the Q2_0 file only); on Apple devices use the MLX build with mlx-vlm 0.7.8 or newer. Running the published tag would send your prompts to a hosted GPU rather than your own machine.
What other sizes does Ternary Bonsai 2 come in?
Ternary Bonsai 2 2B (1 GB), Ternary Bonsai 2 4B (2 GB), Ternary Bonsai 2 9B (3 GB), Ternary Bonsai 2 27B (7 GB). Every size shares the family's training and licence; the larger ones score higher and need proportionally more memory.