Edge0 öppen källkod Edge0-145B den 12 november 2026, tillsammans med en mindre Edge0-120B, ett enhetligt ramverk för slutledning och distributionsverktyg. Uppstarten beskriver Edge0-145B som den första AI-modellen med öppen källkod på enheten med 145 miljarder parametrar, och säger att den ger kodning, resonemang och agentfunktioner som konkurrerar med frontier-molnmodeller till konsumenthårdvara.

Releasen landade samma dag som den klättrade till 219 poäng på Hacker News, där utsikterna att en 100B-plus parametermodell körs utan server drog till sig stor uppmärksamhet från utvecklare som följer lokala slutsatser. For more context on this story, see our ongoing AI trends.

Siffrorna bakom laptopanspråket

Enligt företagets tillkännagivande körs Edge0-145B på en kompatibel personlig bärbar dator som en MacBook Pro med följande rapporterade resultat:

  • 29 GB toppminne, tillräckligt lågt för att passa på avancerade konsumentmaskiner utan en dedikerad server
  • 1 100+ tokens per sekund förfyllning, vilket låter modellprocessen spänner över dussintals sidor med kod innan genereringen börjar
  • 80+ tokens per sekund avkodas, vilket företaget noterar är snabbare än en person läser
  • Ungefär 120W typisk effekt, bibehåller drift utan gaspådrag i den rapporterade inställningen
  • 128K till 256K kontext, med i huvudsak oförändrad generationshastighet på långa ingångar

Dessa siffror kommer från Edge0:s egna publicerade riktmärken snarare än oberoende tester, och företaget har släppt hela stacken – vikter, slutledningsramverk och distributionsverktyg – så att utvecklare kan reproducera mätningarna på sin egen hårdvara.

Varför enheter på enheter har förblivit små

Tillkännagivandet innehåller ett användbart sammanhang om varför stora modeller historiskt har varit frånvarande från bärbara datorer. Före september 2026 höll minnesgränserna de flesta modeller på enheten under 10 miljarder parametrar. Apple Intelligences grundmodell på enheten hade cirka 3 miljarder parametrar, medan Googles Gemini Nano levererades i versionerna 1,8B och 3,25B.

Begränsningen är fysisk: modellvikter måste läsas från minnet under varje generationssteg och konkurrera om bandbredd med operativsystemet och andra applikationer. Även en aggressivt komprimerad 35B-modell kan kräva cirka 20 GB minne, vilket är långt utöver vad telefoner kan tilldela.

Edge0s tidigare release visade vart företagets tillvägagångssätt var på väg. Edge0-35B-telefonmodellen rapporterade ett toppminne under 2,5 GB, och levererade 37+ tokens per sekund på en iPhone 18 Pro Max. Edge0-145B har ungefär fyra gånger parametrarna för den modellen medan dess bärbara konfiguration rapporterar ungefär dubbelt så hög avkodningshastighet vid 28 GB minne - företaget är noga med att notera att dessa mätningar gäller för olika modeller och hårdvara.

En assistent som avslutar arbetet

Utöver råhastigheten positionerar Edge0 modellen som en agent snarare än en chatbot. Tillkännagivandet beskriver ett system som planerar, skriver och kör kod, felsöker fel och kontrollerar resultat visuellt för projekt som 3D-scener, spel, hårdvaruprogram och PCB-designer.

Företaget rapporterar att resultat av kodning, resonemang och instruktionsföljande är konkurrenskraftiga med specifika frontier molnmodeller, även om dess publicerade jämförelser ännu inte har verifierats oberoende. Som med alla leverantörsrapporterade riktmärken, kommer utvecklare att vilja se utvärderingar från tredje part innan de drar slutsatser om paritet på gränsnivå.

Sekretess- och kostnadsargumentet

Pitchen vilar på tre fördelar jämfört med molnarbetsflöden. Lokal slutledning medför inga API-avgifter per token, känslig data kan finnas kvar på enheten och kärnfunktionerna fortsätter att fungera offline. För företag som hanterar reglerad data och för utvecklare i miljöer med begränsad bandbredd kan dessa egenskaper uppväga den råa kapaciteten hos en värdbaserad frontiermodell.

Hårdvara och el är naturligtvis inte gratis. Edge0 erkänner detta direkt och noterar att dess effektsiffror återspeglar ett ihållande ~120W-drag — jämförbart med en högpresterande bärbar dator som kör en krävande arbetsbelastning, vilket har verkliga konsekvenser för batterilivslängd och värme.

Vad det betyder för det lokala AI-ekosystemet

Tillkännagivandets medföljande analys spårar 67 öppna modeller med minst 1B parametrar från 14 labb avsedda för telefoner, bärbara datorer och AI-datorer, och banan är brant. Om de rapporterade siffrorna håller i sig under oberoende granskning skulle Edge0-145B representera en stegvis förändring i vad konsumenthårdvara kan vara värd för: en modellklass som hittills krävt att datacenter-GPU:er skulle bli tillgängliga på maskiner som människor redan äger.

Konkurrenterna går åt samma håll. Meta har skickat sin Muse Glimmer-öppna agentmodell byggd för att köras på konsument-GPU:er, och Apples Foundation Models-ramverk har förnyat utvecklarnas intresse för slutledning på enheter. Skillnaden är skala: ingenting i det nuvarande ekosystemet med öppna vikter kommer i närheten av 145B parametrar som är inriktade på minnesbudgetar av laptopklass.

Releasen landar också mitt i en intensifierad debatt om centralisering. Från integritetsfokuserade webbläsare som lägger till agentiska betalningsflöden till ramverk för lokal första slutsats, har branschens öppna viktläger ägnat 2026 åt att argumentera för att kapabel AI inte behöver bo i en hyperscalers datacenter. Edge0-145B är den mest aggressiva datapunkten hittills i det argumentet.

Utvecklare kan ladda ner modellvikterna, utforska inferensramverket eller prova Edge0-appen via företagets webbplats. Huruvida riktmärkena överlever granskning av samhället är den öppna frågan - men med hela stacken släppt för reproduktion, bör den granskningen inte ta lång tid.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →