Zijn de gewichten open en kan ik Trinity Large Thinking lokaal draaien?

Ja, de gewichten zijn open en beschikbaar op Hugging Face onder arcee-ai/Trinity-Large-Thinking. Wees je ervan bewust dat het volledige model 398B parameters heeft, dus lokale inferentie vraagt om aanzienlijke hardware.

Wat kost Trinity Large Thinking en hoe groot is het contextvenster?

Via API kost het $0,25 per miljoen inputtokens en $0,80 per miljoen outputtokens, met een contextvenster van 262.144 tokens.

Hoe verschilt Trinity Large Thinking van Trinity Large Preview?

Trinity Large Preview is een licht nageschoold chat-ready instructiemodel zonder redeneersporen; Thinking voegt uitgebreide chain-of-thought blokken en agentachtige RL natraining toe, waardoor het de variant is voor expliciet redeneren of agent pipelines.

Trinity Large Thinking

6246°

#llm #arcee-ai #redeneren #agenten #coderen #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Arcee AI | 262.144 token context | $0.25/M input, $0.80/M output. Trinity Large Thinking is een krachtig open source redeneermodel van het team bij Arcee AI. Het toont sterke prestaties in PinchBench, agent-gebaseerde workloads en redeneertaken. Lancering video: https://youtu.be/Gc82AXLa0Rg?si=4RLn6WBz33qT--B7 Dit model is geoptimaliseerd voor agent-gebaseerde workflows en presteert het beste wanneer redeneren behouden blijft (ook wel interleaved thinking genoemd). Leer hoe je redeneren behoudt in onze documentatie: https://openrouter.ai/docs/guides/best-practices/reasoning-tokens#preserving-reasoning

Gidsen voor dit model

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Trinity Large Thinking is Arcee AI's redeneer-geoptimaliseerde model uit de Trinity Large familie — een 398B sparse MoE met ongeveer 13B actieve parameters per token, nageschoold met uitgebreide chain-of-thought en agentachtige reinforcement learning. De gewichten zijn open en het is speciaal gebouwd voor meerstaps agent-workflows waarbij het bewaren van redeneersporen in context niet optioneel maar verplicht is. Als je agents of tool-calling pipelines bouwt, is dit de variant om te gebruiken.

Bekend om

Agentgerichte ontwerpfilosofie: gebouwd voor tool-calling, meerstaps planning en agent loops
Expliciete redeneersporen in denkblokken voor elke eindreactie
Sterke scores op τ²-Bench en PinchBench agent benchmarks
Werkt direct met OpenClaw en Hermes Agent frameworks
Contextvenster van 262.144 tokens met open gewichten op Hugging Face

Let op

Denk-tokens moeten in context blijven over beurten heen; haal je ze weg, dan degradeert de prestatie merkbaar.
398B totale parameters betekent dat zelf hosten serieuze hardware vereist — geen laptopmodel.
Licentievoorwaarden zijn niet gedetailleerd in de modelkaart; check de Hugging Face repo voor commerciële inzet.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Meerstaps onderzoeksagent

Je hebt toegang tot een webzoektool. Een gebruiker wil het concurrentielandschap begrijpen voor open-gewicht redeneermodellen uitgebracht in 2025 en 2026. Plan je onderzoeksstappen, roep de benodigde tools achtereenvolgens aan, en produceer een gestructureerde samenvatting met je bronnen. Toon je redenering voor elke tool-aanroep.

Lastige logische puzzel

Vijf engineers — Ada, Bo, Cal, Dex en Eve — gebruiken elk een andere programmeertaal: Python, Rust, Go, TypeScript en Haskell. Ada gebruikt geen Rust of Go. Bo gebruikt de taal die Cal vermijdt. Cal vermijdt Python. Dex gebruikt Go. Eve gebruikt geen Haskell. Bepaal wie welke taal gebruikt, met elke deductiestap.

Agentachtige code-fix loop

Hier is een Python-functie die de top-k meest voorkomende woorden in een string moet teruggeven, maar er zitten minstens twee bugs in. Redeneer wat elke bug is, corrigeer de code, en schrijf een test suite die beide bugs had kunnen ontdekken. def top_k_words(text, k): words = text.split(); counts = {}; [counts.update({w: counts[w]+1}) for w in words]; return sorted(counts, key=counts.get)[:k]

Vergelijk met

GPT-6 Luna
Alleen API-model
1,050,000 token context · $0.10/M invoer, $0.50/M uitvoer
Claude Opus 5.5
Alleen API-model
1,000,000 token context · $4.00/M invoer, $20.00/M uitvoer
Muse Spark 1.3 Contributor
Alleen API-model
1,048,576 token context · $0.10/M invoer, $0.20/M uitvoer
Gemini 3.8 Flash
Alleen API-model
1,048,576 token context · $0.83/M invoer, $4.12/M uitvoer

Meer tekstmodellen van arcee-ai

Veelgestelde vragen

Zijn de gewichten open en kan ik Trinity Large Thinking lokaal draaien?: Ja, de gewichten zijn open en beschikbaar op Hugging Face onder arcee-ai/Trinity-Large-Thinking. Wees je ervan bewust dat het volledige model 398B parameters heeft, dus lokale inferentie vraagt om aanzienlijke hardware.
Wat kost Trinity Large Thinking en hoe groot is het contextvenster?: Via API kost het $0,25 per miljoen inputtokens en $0,80 per miljoen outputtokens, met een contextvenster van 262.144 tokens.
Hoe verschilt Trinity Large Thinking van Trinity Large Preview?: Trinity Large Preview is een licht nageschoold chat-ready instructiemodel zonder redeneersporen; Thinking voegt uitgebreide chain-of-thought blokken en agentachtige RL natraining toe, waardoor het de variant is voor expliciet redeneren of agent pipelines.

Oordeel van de kapitein
Een serieuze open-gewicht agentachtige redeneerder tegen een lage API-prijs — maar haal de denk-tokens er niet uit, anders verspil je het model.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #98 Hottest Text / LLM text model

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

Auto Router (Beta)

TEXT / LLM

DeepSeek V4 Flash 0423

AI-modellen voor het genereren van afbeeldingen, video en tekst

Trinity Large Thinking is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm arcee-ai redeneren agenten coderen lange context lokaal

Bladeren op modelfamilie