Ternary Bonsai 2 27B
3357°
Lancer ce modèle
Offres / Pub
PrismML | contexte de 262 144 tokens | 0,07 $/M en entrée, 0,50 $/M en sortie. Bonsai 2 27B est un modèle de raisonnement de 27 milliards de paramètres de PrismML dérivé de Qwen3.8-27B. Il prend en charge la programmation, les mathématiques, l'appel d'outils et la compréhension d'images avec une fenêtre de contexte de 262K tokens. La compression ternaire réduit les poids du modèle linguistique à environ 8,5 Go tout en conservant 98,2 % du score moyen du modèle de base sur les 14 benchmarks de modes de pensée de PrismML, permettant une inférence efficace sur du matériel grand public. Le modèle pense par défaut et utilise par défaut un effort de raisonnement xhigh.
Guides pour ce modèle
Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner
Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)
De combien de VRAM ai-je vraiment besoin pour l'IA locale ?
Notes du capitaine
Notes du 2026-10-13
Ternary Bonsai 2 27B est un modèle de raisonnement de 27 milliards de paramètres de PrismML, construit sur un backbone Qwen3.8-27B et compressé en poids ternaires pour que le modèle de langage tienne dans environ 6 Go. Il conserve 98,2 % de la moyenne des benchmarks du modèle de base sur 14 tests de modes de pensée, couvrant le codage, les mathématiques, l'appel d'outils et la vision. Si vous voulez un modèle de raisonnement complet fonctionnant localement sur un laptop ou un GPU grand public unique, c'est la compression la plus agressive qui conserve encore ses performances.
Connu pour
- Empreinte d'environ 6 Go pour un modèle de raisonnement de classe 27B, grâce à de vrais poids ternaires
- 98,2 % de la moyenne FP16 sur 14 évaluations de modes de pensée
- Fonctionne à environ 47 tok/s sur un laptop Apple M5 Max via llama.cpp ou MLX
- Fenêtre de contexte de 262K tokens rendue pratique sur appareil grâce à un backbone à attention hybride
- Raisonne par défaut à un effort très élevé ; mathématiques, codage et appel d'outils tous évalués
Attention à
- Nécessite un fork personnalisé de llama.cpp avec des noyaux ternaires ; les builds standards ne fonctionneront pas correctement.
- La tour vision est livrée séparément en pack Q8_0 mmproj, non incluse dans le GGUF principal.
- La compression ternaire est une nouveauté ; consultez la page des problèmes connus de PrismML avant un déploiement en production.
Prompts à essayer
Traquer un bug subtil
Voici une fonction Python censée retourner les k mots les plus fréquents dans une liste de chaînes, mais elle retourne parfois moins de k résultats. Parcourez la logique étape par étape, identifiez le bug, et donnez-moi une version corrigée avec une brève explication de ce qui n'allait pas.
```python
from collections import Counter
def top_k_words(texts, k):
words = ' '.join(texts).split()
counts = Counter(words)
return [w for w, _ in counts.most_common() if counts[w] >= k]
```
Résoudre une énigme logique
Cinq maisons alignées sont chacune peintes d'une couleur différente. Les propriétaires boivent une boisson différente, fument une marque différente et ont un animal de compagnie différent. Utilisez ces indices pour déterminer qui possède le poisson : le Britannique vit dans la maison rouge ; le Suédois garde des chiens ; le Danois boit du thé ; la maison verte est immédiatement à gauche de la maison blanche ; le propriétaire de la maison verte boit du café ; celui qui fume Pall Mall garde des oiseaux ; le propriétaire de la maison jaune fume Dunhill ; l'homme de la maison du centre boit du lait ; le Norvégien vit dans la première maison ; celui qui fume Blends vit à côté du propriétaire du chat ; celui qui garde des chevaux vit à côté du fumeur de Dunhill ; le propriétaire qui fume BlueMaster boit de la bière ; l'Allemand fume Prince ; le Norvégien vit à côté de la maison bleue ; celui qui fume Blends ha
Planifier un agent appelant des outils
Vous avez trois outils : search(query) retourne des extraits web, calculator(expr) évalue une expression mathématique, et file_write(name, content) sauvegarde un fichier. Un utilisateur demande : trouvez la population actuelle de Tokyo, divisez-la par la superficie de Tokyo en km², arrondissez à deux décimales, et sauvegardez le résultat sous tokyo_density.txt. Écrivez la séquence exacte d'appels d'outils que vous feriez, avec les arguments, et expliquez votre raisonnement à chaque étape.
Comparer avec
- Claude Opus 5.5Modèle uniquement APIContexte de 1,000,000 tokens · entrée $4.00/M, sortie $20.00/M
- Gemini 3.8 FlashModèle uniquement APIContexte de 1,048,576 tokens · entrée $0.83/M, sortie $4.12/M
- Claude Sonnet 5.5Modèle uniquement APIContexte de 1,000,000 tokens · entrée $2.00/M, sortie $10.00/M
- GPT-5.6 SolModèle uniquement APIContexte de 1,050,000 tokens · entrée $4.00/M, sortie $20.00/M
Plus de modèles de texte de prism-ml
Questions fréquentes
- Puis-je exécuter Ternary Bonsai 2 27B localement, et les poids sont-ils ouverts ?
- Oui, les poids sont ouverts et disponibles en fichiers GGUF sur Hugging Face sous prism-ml/Ternary-Bonsai-2-27B-gguf. Vous avez besoin du fork personnalisé de llama.cpp de PrismML pour les noyaux ternaires ; les builds standards ne sont pas supportés.
- Quel est le coût et quelle est la taille de la fenêtre de contexte ?
- Via l'API de PrismML, c'est 0,07 $ par million de tokens en entrée et 0,50 $ par million de tokens en sortie, avec une fenêtre de contexte de 262 144 tokens.
- Comment la compression ternaire se compare-t-elle à une quantification Q4 standard ?
- PrismML rapporte une moyenne de 84,78 sur 14 benchmarks de modes de pensée, bien au-dessus de la build conventionnelle IQ2_XXS à 72,59, et à 0,4 point près d'une build Q4_K_XL environ trois fois plus volumineuse sur disque.
Verdict du capitaineLe cas le plus crédible à ce jour qu'on peut exécuter un modèle de raisonnement sérieux sur un laptop sans perte significative de capacité.
Fiche modèle sur Hugging Face
Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.
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.
Comment ce score se calcule
Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.
Glossaire : les termes utilisés ici
- Score de chaleur
- Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
- Plancher
- Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
- Équivalents de téléchargement
- Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
- Échelle logarithmique
- On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
- Likes
- Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
- Taux d’adoption
- Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
- Mesuré et estimé
- Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
- Seeder
- Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
- AI Horde
- Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
- Sites de génération
- Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
- Tokens OpenRouter
- Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modèle complet (checkpoint)
- Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
- LoRA et embedding
- Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
- Famille et poids
- La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
- Âge
- Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
- Boost de la famille
- Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
- Score de remplacement
- Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
- Nouveau ! (période de grâce)
- Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
- Tendance
- Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
- Modèle typique
- Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.
Ternary Bonsai 2 27B est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.
Plus de modèles Text / LLMPlus de Texte / LLM Text / LLMllmprism-mlvisionraisonnementprogrammationmathématiqueslocal
Parcourir par famille de modèles
Modèles Text / LLM
434
Modèles Anima
528
Modèles Chroma
19
Modèles Fibo
2
Modèles Flux
1,496
Modèles Flux 2 / Klein
1,239
Modèles Flux 3
3
Modèles Moss
3
Modèles Iris
1
Modèles MiniMax H3
364
Modèles Hunyuan
204
Modèles Ideogram
20
Modèles Krea2
717
Modèles Qwen
20
Modèles Qwen2
47
Modèles Ltx2
153