5.31GB模型玩转IMO级难题Maple-Preview推理能力深度测评与基准测试【免费下载链接】maple-preview项目地址: https://ai.gitcode.com/hf_mirrors/deepgrove/maple-previewMaple-Preview是一款开源的20B-A1B三元权重推理大语言模型在同量级模型中展现出SOTA级别的推理能力甚至能与更大规模的模型竞争。它不仅能解决IMO级别的难题还能在Mac mini M4上以200 tokens/sec的速度运行比Gemma 4、Qwen3.5和gpt-oss等高效模型快5-16倍。 核心特性一览20B-A1B模型架构专为高效设备端推理设计5.31 GB超轻量检查点平衡性能与存储需求218 tok/s极速推理在M4 Mac mini上实现卓越速度131,072超长上下文支持复杂推理场景图Maple-Preview在速度-性能前沿的突破性表现展示其在同类模型中的领先地位️ 独特架构解析Maple-Preview采用24层、256专家8激活配置结合3:1 SWA-512:GA注意力机制从设计之初就专注于高效的设备端推理。这种创新架构使其在保持推理能力的同时实现了惊人的运行速度。[!NOTE] 包含的Transformers实现依赖Triton和FlashAttention适用于兼容的CUDA环境。报告的Apple Silicon结果使用单独的设备端运行时。 基准测试表现在基准测试中Maple-Preview在内存-性能和速度-性能的帕累托前沿上树立了新的标杆充分证明了其强大的推理能力。该预览版主要专注于原始推理能力因此在智能体基准测试中可能表现欠佳。开发团队计划在Maple正式发布前通过扩展训练继续提升整体性能。图Maple-Preview在LCBv6、AIME 2026、HMMT 2026和GPQA-D等推理任务上的性能表现⚠️ 已知局限性此预览版仅针对智能体任务进行了 minimal 的训练后优化且只进行了小规模的通用强化学习。用户在实际应用中可能会遇到在复杂交互场景下的性能限制。 开源许可Maple-Preview采用MIT License开源协议允许商业和非商业用途为开发者提供了灵活的使用空间。 快速开始指南要开始使用Maple-Preview您可以通过以下命令克隆仓库git clone https://gitcode.com/hf_mirrors/deepgrove/maple-preview模型的核心实现代码可在modeling_maple.py中找到配置文件则位于configuration_maple.py。Maple-Preview以其小巧的体积和强大的推理能力为资源受限环境下的复杂问题解决提供了新的可能性。无论是学术研究还是实际应用这款模型都值得关注和尝试。【免费下载链接】maple-preview项目地址: https://ai.gitcode.com/hf_mirrors/deepgrove/maple-preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
5.31GB模型玩转IMO级难题Maple-Preview推理能力深度测评与基准测试【免费下载链接】maple-preview项目地址: https://ai.gitcode.com/hf_mirrors/deepgrove/maple-previewMaple-Preview是一款开源的20B-A1B三元权重推理大语言模型在同量级模型中展现出SOTA级别的推理能力甚至能与更大规模的模型竞争。它不仅能解决IMO级别的难题还能在Mac mini M4上以200 tokens/sec的速度运行比Gemma 4、Qwen3.5和gpt-oss等高效模型快5-16倍。 核心特性一览20B-A1B模型架构专为高效设备端推理设计5.31 GB超轻量检查点平衡性能与存储需求218 tok/s极速推理在M4 Mac mini上实现卓越速度131,072超长上下文支持复杂推理场景图Maple-Preview在速度-性能前沿的突破性表现展示其在同类模型中的领先地位️ 独特架构解析Maple-Preview采用24层、256专家8激活配置结合3:1 SWA-512:GA注意力机制从设计之初就专注于高效的设备端推理。这种创新架构使其在保持推理能力的同时实现了惊人的运行速度。[!NOTE] 包含的Transformers实现依赖Triton和FlashAttention适用于兼容的CUDA环境。报告的Apple Silicon结果使用单独的设备端运行时。 基准测试表现在基准测试中Maple-Preview在内存-性能和速度-性能的帕累托前沿上树立了新的标杆充分证明了其强大的推理能力。该预览版主要专注于原始推理能力因此在智能体基准测试中可能表现欠佳。开发团队计划在Maple正式发布前通过扩展训练继续提升整体性能。图Maple-Preview在LCBv6、AIME 2026、HMMT 2026和GPQA-D等推理任务上的性能表现⚠️ 已知局限性此预览版仅针对智能体任务进行了 minimal 的训练后优化且只进行了小规模的通用强化学习。用户在实际应用中可能会遇到在复杂交互场景下的性能限制。 开源许可Maple-Preview采用MIT License开源协议允许商业和非商业用途为开发者提供了灵活的使用空间。 快速开始指南要开始使用Maple-Preview您可以通过以下命令克隆仓库git clone https://gitcode.com/hf_mirrors/deepgrove/maple-preview模型的核心实现代码可在modeling_maple.py中找到配置文件则位于configuration_maple.py。Maple-Preview以其小巧的体积和强大的推理能力为资源受限环境下的复杂问题解决提供了新的可能性。无论是学术研究还是实际应用这款模型都值得关注和尝试。【免费下载链接】maple-preview项目地址: https://ai.gitcode.com/hf_mirrors/deepgrove/maple-preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
