Sind die Gewichte offen und kann ich Trinity Large Thinking lokal betreiben?

Ja, die Gewichte sind offen und auf Hugging Face unter arcee-ai/Trinity-Large-Thinking verfügbar. Beachten Sie, dass das vollständige Modell 398B Parameter hat, daher erfordert die lokale Inferenz erhebliche Hardware.

Was kostet Trinity Large Thinking und wie groß ist das Kontextfenster?

Über die API kostet es $0,25 pro Million Eingabe-Tokens und $0,80 pro Million Ausgabe-Tokens, mit einem Kontextfenster von 262.144 Tokens.

Worin unterscheidet sich Trinity Large Thinking von Trinity Large Preview?

Trinity Large Preview ist ein leicht nachtrainiertes, chatbereites Instruct-Modell ohne Denktraces; Thinking ergänzt erweiterte Chain-of-Thought-Blöcke und agentisches RL-Posttraining, was es zur Variante macht, wenn Sie explizites Denken brauchen oder Agenten-Pipelines bauen.

Trinity Large Thinking

6246°

#llm #arcee-ai #logik #agenten #programmieren #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Arcee AI | 262.144 Token Kontext | 0,25 $/M Eingabe, 0,80 $/M Ausgabe. Trinity Large Thinking ist ein leistungsstarkes Open-Source-Denkmodell vom Team bei Arcee AI. Es zeigt starke Leistung bei PinchBench, agentenbasierten Workloads und Denkaufgaben. Einführungsvideo: https://youtu.be/Gc82AXLa0Rg?si=4RLn6WBz33qT--B7 Dieses Modell ist für agentenbasierte Workflows optimiert und erzielt die besten Ergebnisse, wenn das Denken erhalten bleibt (auch bekannt als verschachteltes Denken). Erfahren Sie in unserer Dokumentation, wie man das Denken bewahrt: https://openrouter.ai/docs/guides/best-practices/reasoning-tokens#preserving-reasoning

Anleitungen zu diesem Modell

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Wie viel VRAM brauche ich eigentlich für lokale KI?

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Trinity Large Thinking ist Arcee AIs auf logisches Denken optimiertes Modell aus der Trinity Large-Familie – ein 398B sparsames MoE mit etwa 13B aktiven Parametern pro Token, nachtrainiert mit erweitertem Chain-of-Thought und agentischem Reinforcement Learning. Die Gewichte sind offen, und es ist speziell für mehrstufige agentische Arbeitsabläufe gebaut, bei denen das Bewahren von Denktraces im Kontext Pflicht ist. Wenn Sie Agenten oder Tool-Calling-Pipelines bauen, ist dies die Variante der Wahl.

Bekannt für

Agentisch ausgerichtetes Design: gebaut für Tool-Calls, mehrstufige Planung und Agentenschleifen
Explizite Denktraces in Denkblöcken vor jeder finalen Antwort
Starke Ergebnisse bei τ²-Bench und PinchBench agentischen Benchmarks
Funktioniert sofort mit OpenClaw- und Hermes-Agent-Frameworks
262.144-Tokens-Kontextfenster mit offenen Gewichten auf Hugging Face

Achte auf

Denk-Tokens müssen über Turns im Kontext bleiben; werden sie entfernt, verschlechtert sich die Leistung deutlich.
398B Gesamtparameter bedeuten, dass Self-Hosting ernsthafte Hardware erfordert – kein Laptop-Modell.
Lizenzbedingungen sind in der Modellkarte nicht detailliert; vor kommerziellem Einsatz das Hugging Face-Repo prüfen.

Am besten für

Agenten und Werkzeugnutzung

Prompts zum Ausprobieren

Mehrstufiger Forschungsagent

Du hast Zugriff auf ein Web-Suchtool. Ein Nutzer möchte die Wettbewerbslage für Open-Weight-Reasoning-Modelle verstehen, die 2025 und 2026 veröffentlicht wurden. Plane deine Recherche, rufe die benötigten Tools nacheinander auf und erstelle eine strukturierte Zusammenfassung mit Quellen. Zeige dein Denken vor jedem Tool-Aufruf.

Schwieriges Logikrätsel

Fünf Entwickler – Ada, Bo, Cal, Dex und Eve – bevorzugen jeweils eine andere Programmiersprache: Python, Rust, Go, TypeScript und Haskell. Ada nutzt weder Rust noch Go. Bo verwendet die Sprache, die Cal vermeidet. Cal vermeidet Python. Dex nutzt Go. Eve nutzt kein Haskell. Finde heraus, wer welche Sprache nutzt, und zeige jeden Deduktionsschritt.

Agentische Code-Korrekturschleife

Hier ist eine Python-Funktion, die die top-k häufigsten Wörter in einem String zurückgeben soll, aber mindestens zwei Fehler hat. Überlege, was die Fehler sind, korrigiere den Code und schreibe eine Testsuite, die beide Fehler entdeckt hätte. 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]

Vergleichen mit

GPT-6 Luna
Nur API-Modell
1,050,000 Token Kontext · $0.10/M Eingabe, $0.50/M Ausgabe
Claude Opus 5.5
Nur API-Modell
1,000,000 Token Kontext · $4.00/M Eingabe, $20.00/M Ausgabe
Muse Spark 1.3 Contributor
Nur API-Modell
1,048,576 Token Kontext · $0.10/M Eingabe, $0.20/M Ausgabe
Gemini 3.8 Flash
Nur API-Modell
1,048,576 Token Kontext · $0.83/M Eingabe, $4.12/M Ausgabe

Mehr Textmodelle von arcee-ai

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich Trinity Large Thinking lokal betreiben?: Ja, die Gewichte sind offen und auf Hugging Face unter arcee-ai/Trinity-Large-Thinking verfügbar. Beachten Sie, dass das vollständige Modell 398B Parameter hat, daher erfordert die lokale Inferenz erhebliche Hardware.
Was kostet Trinity Large Thinking und wie groß ist das Kontextfenster?: Über die API kostet es $0,25 pro Million Eingabe-Tokens und $0,80 pro Million Ausgabe-Tokens, mit einem Kontextfenster von 262.144 Tokens.
Worin unterscheidet sich Trinity Large Thinking von Trinity Large Preview?: Trinity Large Preview ist ein leicht nachtrainiertes, chatbereites Instruct-Modell ohne Denktraces; Thinking ergänzt erweiterte Chain-of-Thought-Blöcke und agentisches RL-Posttraining, was es zur Variante macht, wenn Sie explizites Denken brauchen oder Agenten-Pipelines bauen.

Captain's Urteil
Ein ernsthafter, offener agentischer Denker zum niedrigen API-Preis – nur entfernen Sie nicht die Denktokens, sonst verschwenden Sie das Modell.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Llama 3.1 Nemotron 70B Instruct

TEXT / LLM

Nemotron 3.5 Super VL

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

Trinity Large Thinking ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm arcee-ai logik agenten programmieren langer kontext lokal

Nach Modellfamilie stöbern