Kullanıcı cihazlarında (on-device) veya uç donanımlarda çalışan kompakt dil modelleri, gizlilik, çevrimdışı kullanım ve sıfır API maliyeti sağlamaları nedeniyle yapay zeka dünyasının en dinamik rekabet alanlarından birine dönüştü. Özellikle 1 milyar ile 2 milyar parametre arasındaki modeller, telefonlardan dizüstü bilgisayarlara kadar hemen her tüketici donanımında akıcı çalışabiliyor.
Bu alanda son dönemde öne çıkan üç iddialı model dikkat çekiyor: Spark LLM tarafından duyurulan Spark-X2.6-1.7B, Liquid AI’ın yeni tri-hibrit mimarili LFM3-1.7B modeli ve OpenBMB’nin çok modlu uç cihaz modeli MiniCPM-V 4.7 (1B).
Modellerin Karakteristiği ve Mimarileri
- Spark-X2.6-1.7B: Ajan yetenekleri, karmaşık matematiksel akıl yürütme (AIME 2026: 70.1) ve yazılım mühendisliği (SWE-bench Verified: 59.8) odaklı optimize edilmiş 1.7 milyar parametreli bir model.
- Liquid AI LFM3-1.7B: Gated short convolution, sliding-window attention ve global attention katmanlarını bir araya getiren yeni “tri-hybrid” mimariye sahip. 256K token bağlam penceresi sunuyor ve 4-bit kuantizasyonda yalnızca ~1 GB bellek kaplayarak yerel ajan döngülerine odaklanıyor.
- MiniCPM-V 4.7 (1B): OpenBMB’nin en yeni multimodal (görsel-dil) modeli. Erken görsel token sıkıştırması (intra-ViT early compression) ile çok düşük çıkarım gecikmesi sunarken iOS, Android ve uç çiplerde (Rockchip, Arm, Intel) sıfırıncı gün desteğiyle çalışıyor.
Benchmark Karşılaştırması ve Temel Metrikler
Modellerin kamuya açık ve bağımsız test metrikleri incelendiğinde farklı alanlarda belirgin üstünlükler ortaya çıkıyor:
| Benchmark / Görev Alanı | Spark-X2.6 (1.7B) | LFM3 (1.7B) | Öne Çıkan Özellik / Lider |
|---|---|---|---|
| BFCL V4 (Araç Çağırma / Function Calling) | 55.2 | 71.39 | LFM3 belirgin şekilde önde (+16.19) |
| ClawEval-EN (Ajan Görevleri) | 66.9 | 68.64 | LFM3 hafif üstünlük sağlıyor |
| MCP-Atlas (Model Context Protocol Ajan Testi) | 41.8 | 32.57 | Spark-X2.6 protokole dayalı ajanlarda önde |
| BrowseComp (Web Tarayıcı Otomasyonu) | 41.7 | 37.0 | Spark-X2.6 tarayıcı görevlerinde avantajlı |
| SWE-bench Verified (Yazılım Mühendisliği) | 59.8 | 43.40 | Spark-X2.6 kodlamada açık ara lider (+16.4) |
| SWE-bench Multilingual | 57.3 | 23.00 | Spark-X2.6 çok dilli kodlamada iki katından fazla puan alıyor |
MiniCPM-V 4.7 (1B) Nerede Konumlanıyor?
LFM3 ve Spark-X2.6 saf metin, kodlama ve mantık yürütme yarışında kozlarını paylaşırken, MiniCPM-V 4.7 (1B) uç cihazlara çok modlu (multimodal) görme ve video anlama yeteneğini getiriyor. iPhone ve Android cihazlarda tek bir kareyi veya video akışını doğrudan işleyebilen model, Qwen3.5 0.8B gibi rakiplerini geride bırakırken kompakt ajanların fiziksel dünyayı veya ekran arayüzlerini anlamasında önemli bir tamamlayıcı rol üstleniyor.
Sonuç ve Değerlendirme
1B – 2B parametre aralığı artık yalnızca basit birer oyuncak olmaktan çıkıp özelleşmiş görevleri başarıyla sırtlanan yetkin ajanlara dönüştü:
- Hızlı araç çağırma ve dar bellek: Liquid AI LFM3-1.7B, 1 GB’lık RAM ayak izi ve üstün BFCL V4 başarısıyla mobil donanımlardaki yerel asistanlar için mükemmel bir seçenek sunuyor.
- Ajan tabanlı yazılım geliştirme ve matematik: Spark-X2.6-1.7B, SWE-bench Verified’daki 59.8 puanı ve karmaşık mantık muhakemesiyle kodlama odaklı küçük modeller arasında liderliğe oynuyor.
- Ekran ve görsel anlama: MiniCPM-V 4.7 1B, uç cihazda multimodal girdi ihtiyacı olan iş akışları için en güçlü ve verimli alternatiflerden biri konumunda.
Bir yanıt yazın