AntwortenVeröffentlicht22 Quellen
Spark X2.5 bringt 1 Mio. Token Kontext auf Edge-Geräte – zumindest dem Anspruch nach
Die iFLYTEK Tochter Ciyuan Xinghuo veröffentlichte Spark X2.5 4B und X2.5 1.7B am 1. Die Modelle kombinieren globale Attention mit Sliding Window Attention und richten sich an lokale Agenten, Code Aufgaben, lange Dokumente, Smart Home und Robotik.
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Die iFLYTEK Tochter Ciyuan Xinghuo veröffentlichte Spark X2.5 4B und X2.5 1.7B am 1.
- Die Modelle kombinieren globale Attention mit Sliding Window Attention und richten sich an lokale Agenten, Code Aufgaben, lange Dokumente, Smart Home und Robotik.
- Im von iFLYTEK gemeldeten Domux Smart Home Test erreichte das 1.7B Modell 90,3 % End to End Genauigkeit bei durchschnittlich 0,85 Sekunden Latenz – kein plattformübergreifender Vergleich.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What are iFLYTEK’s open-sourced Spark X2.5-4B and X2.5-1.7B edge models, when and by which subsidiary were they launched, why does iFLYTEK d. Article summary: iFLYTEK’s Spark X2.5-4B and X2.5-1.7B are compact, open-source general language models intended for local/edge deployment on phones, PCs, robots, and other devices. iFLYTEK’s wholly owned subsidiary Ciyuan Xinghuo (XHTok. Topic tags: general, general web, user generated. 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, watermarks, charts with fa
Zwei kleine Modelle für lokale KI
Spark X2.5-4B und Spark X2.5-1.7B sind kompakte Universal-Sprachmodelle für die lokale Ausführung auf Edge-Hardware, also etwa PCs, Smartphones, Smart Devices, Robotern oder Fahrzeugsystemen. Die hundertprozentige iFLYTEK-Tochter Ciyuan Xinghuo, die auch mit XHToken und SparkLLM verbunden ist, hat beide Modelle am 1. September 2026 veröffentlicht und als Open Source bereitgestellt. 2
4
Laut Projektbeschreibung deckt die Modellfamilie Konversation, Schreiben, Übersetzung, Schlussfolgern, Programmierung, Tool-Nutzung und agentische Workflows ab. 22
Was hinter dem Anspruch „1 Million Token“ steckt
iFLYTEK bezeichnet die beiden Modelle als erste quelloffene On-Device-Modelle mit nativem Kontext von bis zu 1 Million Token. Das ist ein Unternehmensanspruch, kein unabhängig bestätigter Branchenrekord. 1
2
5
„Nativ“ bedeutet hier: Das Modell ist darauf ausgelegt, eine sehr lange Eingabe als zusammenhängenden Kontext zu verarbeiten. Dadurch könnte bei manchen Aufgaben weniger stark auf klassische Retrieval-Pipelines angewiesen werden, bei denen Dokumente in Abschnitte zerlegt, relevante Textteile gesucht und anschließend wieder zusammengesetzt werden.
Bei einem umfangreichen Service- oder After-Sales-Handbuch kann das praktisch relevant sein: Eine Ausnahme steht womöglich in einem Kapitel, der Ablauf in einem anderen und die Definition eines Fehlercodes in einer Tabelle. Wenn mehr Material gleichzeitig im Kontext bleibt, können diese Bezüge eher erhalten bleiben als bei isoliert abgerufenen Textfragmenten. Dasselbe Prinzip gilt für große technische Dokumentensammlungen oder Codebasen.
Entscheidend ist allerdings der Unterschied zwischen der maximal unterstützten Kontextlänge und dem, was auf konkreter Hardware sinnvoll nutzbar ist. Einer externen Einschätzung zufolge zeigen die öffentlichen Veröffentlichungen weder den Arbeitsspeicherbedarf noch die Latenz für einen vollständigen Millionen-Token-Kontext auf Smartphone oder Einplatinencomputer. Wer die Modelle einsetzen will, sollte daher Hardware, Quantisierung, aktive Kontextlänge und Latenzziel selbst testen. 1
Hybrid-Attention soll die Rechenlast begrenzen
Spark X2.5 nutzt eine hybride Attention-Architektur: Auf eine Full-Attention-Schicht folgen drei Schichten mit Sliding-Window-Attention – dieses Muster wiederholt sich. 6
18
Full Attention kann Beziehungen über den gesamten Eingabetext hinweg modellieren. Sliding-Window-Attention beschränkt die meisten Schichten dagegen auf nahe Token. Das soll den Rechenaufwand reduzieren, der bei extrem langen Eingaben durchgehend mit Full Attention entstehen würde. 6
Eine On-Device-Konvertierung beschreibt die 4B-Variante als dichten Decoder mit 4,11 Milliarden Parametern. Das unterstreicht die vergleichsweise kompakte Größenordnung, auf der die Edge-Positionierung beruht. 18
Vorgesehene Einsatzfelder: von Dokumenten bis Robotik
Die Veröffentlichung positioniert Spark X2.5 nicht nur als Modell zum Verstehen von Befehlen. Es soll lokale Systeme auch bei mehrstufigen Aufgaben unterstützen. 3
4
Büroarbeit, lange Unterlagen und Code
Für Office-Szenarien stellt iFLYTEK das 4B-Modell als Werkzeug dar, das Rohdaten bis zu einem zweisprachigen Bericht verarbeiten kann. Für Entwickler sind die Modelle auf Programmierung, Tool-Nutzung, Schlussfolgern und agentische Abläufe zugeschnitten. 10
16
22
SparkLLM erklärt, das 4B-Modell könne beim Coding mit Cloud-Modellen konkurrieren, die zwei- bis dreimal so groß seien. Das ist eine Herstellerangabe mit Bezug auf die Modellgröße; die vorliegenden Quellen belegen keinen generellen Vorsprung in unabhängigen Benchmarks, Aufgaben oder Hardware-Konfigurationen. 16
Smart-Home-Steuerung
Das kleinere 1.7B-Modell ist insbesondere für Gerätesteuerung vorgesehen. Im Domux-Smart-Home-Test meldete iFLYTEK 90,3 % End-to-End-Genauigkeit bei Steuerbefehlen und eine durchschnittliche Latenz von 0,85 Sekunden. 4
10
16
Diese Werte dokumentieren ein vom Anbieter berichtetes Testergebnis. Sie sind kein direkter Vergleich mit allen konkurrierenden Modellen oder realen Installationen.
Roboter und Edge-Hardware
Auch Robotik nennt iFLYTEK als Zielbereich: Sprachgesteuerte lokale Abläufe können für Roboterbedienung und Edge-Aufgaben rund um Steuerung, Objektverfolgung und Navigationsentscheidungen eingesetzt werden. 10
20
Separate Benchmarkdaten für Manipulation, Tracking oder Navigation liefern die vorliegenden Quellen jedoch nicht. Es handelt sich um vorgesehene Anwendungsszenarien, nicht um unabhängig nachgewiesene Leistungsgarantien.
Warum lokal ausführen – und was das nicht automatisch löst
Die lokale Ausführung kann die Abhängigkeit von Netzwerkverbindungen und Cloud-Rundreisen verringern. Prompts und Dokumente können auf dem Gerät bleiben, was etwa bei sensiblen Handbüchern, Smart-Home-Befehlen oder Robotik-Workflows hilfreich sein kann. 3
4
Das bedeutet aber nicht automatisch, dass jede Aufgabe schnell läuft oder vollständig privat bleibt. Die Praxis hängt von Hardware, Inferenz-Runtime, Quantisierung, verfügbarem Speicher und der Länge des aktiven Kontexts ab. Gerade ein Kontext von einer Million Token stellt hohe Anforderungen – auch bei einem vergleichsweise kleinen Basismodell. 1
Training, Tools und Verfügbarkeit
iFLYTEK zufolge wurde Spark X2.5 auf chinesischen Compute-Plattformen mit rund 20 Billionen Token vielfältiger Vortrainingsdaten trainiert. Das Post-Training fokussierte sich auf Agenten, Code, Mathematik und Befolgung von Anweisungen. 10
16
Unterstützt werden NVIDIA-, Huawei-, Hygon- und HOUMO-Hardware sowie Tools und Inferenz-Frameworks wie vLLM, SGLang, llama.cpp, Ollama und LM Studio. Für Fine-Tuning ist LLaMA-Factory aufgeführt. 4
10
16
Gewichte, Quellmaterialien und Deployment-Dokumentation sind über das Projekt XHToken/Spark-X2.5 sowie zugehörige Modellveröffentlichungen unter anderem auf Hugging Face und GitHub verfügbar. 2
22 FP8- und INT8-quantisierte Varianten wurden laut der XHToken-Seite auf Hugging Face am 4. September 2026 angekündigt.
28
SparkLLM kündigte außerdem APIs über iFLYTEK Xingchen beziehungsweise Spark MaaS mit zeitlich begrenztem Gratiszugang an. Dauer, Teilnahmebedingungen, Kontingente und aktueller Status dieses Angebots gehen aus den vorliegenden Informationen nicht hervor; Entwickler sollten die Konditionen vor dem Einsatz direkt prüfen. 10
16
Fazit
Spark X2.5-4B und X2.5-1.7B fallen auf, weil sie eine kompakte, für Edge-Geräte gedachte Modellgröße mit einem beanspruchten nativen Kontextfenster von 1 Million Token und einem Fokus auf lokale Agenten verbinden. Daraus folgt weder, dass jedes Smartphone Million-Token-Aufgaben komfortabel bewältigt, noch dass die Modelle marktweit führend belegt sind. iFLYTEK hat aber offene Modelle veröffentlicht, die genau diese Kombination aus langem Kontext, lokaler Ausführung und Aufgabenerledigung erproben sollen – weshalb Tests auf der jeweiligen Zielhardware unverzichtbar sind. 1
2
22
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Spark X2.5 bringt 1 Mio. Token Kontext auf Edge-Geräte – zumindest dem Anspruch nach“?
Die iFLYTEK Tochter Ciyuan Xinghuo veröffentlichte Spark X2.5 4B und X2.5 1.7B am 1.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Die iFLYTEK Tochter Ciyuan Xinghuo veröffentlichte Spark X2.5 4B und X2.5 1.7B am 1. Die Modelle kombinieren globale Attention mit Sliding Window Attention und richten sich an lokale Agenten, Code Aufgaben, lange Dokumente, Smart Home und Robotik.
Was soll ich als nächstes in der Praxis tun?
Im von iFLYTEK gemeldeten Domux Smart Home Test erreichte das 1.7B Modell 90,3 % End to End Genauigkeit bei durchschnittlich 0,85 Sekunden Latenz – kein plattformübergreifender Vergleich.