AnswersPublished16 sources
ModelSphere samler AI-drift i én platform – men hvad er dokumenteret?
Phancy Group (4Paradigm) og RiseUnion lancerede ModelSphere den 16. oktober 2026 som en gratis open source platform til virksomheders AI drift.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Phancy Group (4Paradigm) og RiseUnion lancerede ModelSphere den 16. oktober 2026 som en gratis open source platform til virksomheders AI drift.
- Platformen samler styring af computerkraft, modeludrulning og optimering af modeller i drift.
- Virksomhederne hævder, at gennemløbet kan øges med op til 285 %, men materialet giver ikke grundlag for at vurdere eller uafhængigt bekræfte resultatet.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did 4Paradigm and RiseUnion announce in their October 16, 2026 open-source release of ModelSphere, including its production-oriented ro. Article summary: On October 16, 2026, 4Paradigm/Phancy and RiseUnion announced ModelSphere as a free, open-source, production-oriented AI deployment platform unifying compute management, model deployment and runtime optimization—not a fi. Topic tags: general, news, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Den 16. oktober 2026 lancerede Phancy Group (4Paradigm) og RiseUnion ModelSphere, en open source-platform, der skal samle styring af computerkraft, modeludrulning og optimering af AI-modeller i drift. Virksomhederne præsenterede den som infrastruktur til at få store modeller ud i produktion og drive dem – ikke som en finansierings- eller regnskabsnyhed. 1
2
Hvad skal ModelSphere gøre?
Platformens idé er at samle flere dele af arbejdet med AI-drift ét sted: fra håndtering af computerressourcer til udrulning og løbende optimering. Ifølge lanceringsmaterialet er ModelSphere gratis for virksomheder og tilgængelig som open source på GitHub. 1
2
Projektets udrulningsrepository hedder modelsphere/modelsphere. Her beskrives blandt andet en serveringsarkitektur med adskilt prefill og decode – to faser i behandlingen af en modelanmodning – samt en fælles L3-pulje til KV-cache, som gemmer information fra tidligere beregninger. 11 Repository’et indeholder en Apache 2.0-licens.
33
Lanceringsomtalen fremhæver også en grafisk brugerflade til udrulning, elastisk skalering, belastningsfordeling med høj tilgængelighed og automatisk genetablering af tjenester. Det er virksomhedernes beskrivelser af platformens funktioner; det fremlagte materiale indeholder ikke en uafhængig afprøvning af dem. 2
38
Understøttelse af forskellige chips og modeller
Ifølge annonceringen skal ModelSphere kunne samle forskellige acceleratorressourcer i én løsning. De nævnte platforme omfatter Huawei Ascend, Iluvatar, Moore Threads og Hygon DCU, og løsningen bygger på inferensmotoren EngineX. 2 Projektets GitHub-side beskriver desuden en fælles serveringsløsning på tværs af flere accelerator-typer.
11
Lanceringsmaterialet oplyser, at platformen er tilpasset DeepSeek-V4 og V4-Flash, Qwen, Kimi, MiniMax og GLM. Målet er ifølge materialet at gøre det hurtigt at tage nye modeller i brug. 26 Det er rapporterede oplysninger om understøttelse og tilpasning – ikke en uafhængig bekræftelse af, at alle kombinationer af modeller og chips er klar til stabil drift.
Hvad betyder løftet om 285 % højere gennemløb?
Virksomhederne hævder, at ModelSphere kan øge det maksimale gennemløb med op til 285 % sammenlignet med et udgangspunkt, svarende til næsten fire gange så meget. 1 En stigning på 285 % betyder 3,85 gange udgangspunktet, så formuleringen »næsten fire gange« er en rimelig afrunding af det samme tal.
De tilgængelige oplysninger giver ikke nok detaljer til at vurdere, hvor bredt resultatet kan gælde, eller om andre har kunnet gentage det. Derfor bør tallet læses som en virksomhedsoplyst præstationspåstand – ikke som en generel garanti. En brugbar sammenligning kræver blandt andet oplysninger om hardware, model, arbejdsbelastning, opsætning af sammenligningsgrundlaget og eventuelle krav til svartid.
Hvad kan man konkludere?
Det bedst underbyggede billede er, at ModelSphere er tænkt som et fælles lag til virksomheders udrulning og drift af AI-modeller, hvor styring af computerkraft, modelservering og optimering samles. 1
2 Materialet beskriver platformens open source-tilgængelighed og oplister konkrete funktioner til servering, skalering og understøttelse af hardware. Det dokumenterer ikke, at alle annoncerede egenskaber er blevet valideret uafhængigt. Det fastslår heller ikke en detaljeret arbejdsdeling mellem ModelSphere og inferensmotorer som vLLM eller SGLang.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "ModelSphere samler AI-drift i én platform – men hvad er dokumenteret?"?
Phancy Group (4Paradigm) og RiseUnion lancerede ModelSphere den 16. oktober 2026 som en gratis open source platform til virksomheders AI drift.
What are the key points to validate first?
Phancy Group (4Paradigm) og RiseUnion lancerede ModelSphere den 16. oktober 2026 som en gratis open source platform til virksomheders AI drift. Platformen samler styring af computerkraft, modeludrulning og optimering af modeller i drift.
What should I do next in practice?
Virksomhederne hævder, at gennemløbet kan øges med op til 285 %, men materialet giver ikke grundlag for at vurdere eller uafhængigt bekræfte resultatet.
Sources
apnews.comPhancy and RiseUnion Launch ModelSphere, an Open-Source, One-Stop Production-Grade AI Deployment Platform
money.udn.com範式智能聯同睿思智聯推出開源一站式生產級AI部署平台「模域」（ModelSphere） | 國際現場 | 商情 | 經濟日報
github.comGitHub - modelsphere/modelsphere: ModelSphere is an open-source LLM inference infrastructure designed to make production-grade model serving simple, efficient, and continuously optimized.