यह इसलिए महत्वपूर्ण है क्योंकि Apple के सामने एक बड़ी सीमा रही है: उसके अपने ऑन-डिवाइस फाउंडेशन मॉडल Sparse आर्किटेक्चर का उपयोग करते हैं, जहां एक समय में पैरामीटर का केवल एक छोटा सा हिस्सा ही Active होता है. WWDC 2026 में, Apple ने लगभग 20 बिलियन पैरामीटर वाले ऑन-डिवाइस मॉडल की घोषणा की, लेकिन प्रति Inference केवल 1–4 बिलियन पैरामीटर ही Active होते हैं . PrismML का तरीका सभी 27 बिलियन पैरामीटर को एक साथ पूरी तरह से Active रखता है — इसके लिए किसी सर्वर कॉल की आवश्यकता नहीं होती — जो प्राइवेसी से समझौता किए बिना या क्लाउड कनेक्शन की आवश्यकता के बिना, ऑन-डिवाइस Siri, राइटिंग टूल्स और इंटेलिजेंट ऐप अनुभवों को नाटकीय रूप से अधिक सक्षम बना सकता है . रिपोर्टों के अनुसार, Apple अपने स्वयं के आंतरिक AI मॉडल को iPhone के लिए बिना गंभीर प्रदर्शन गिरावट के Compress करने में संघर्ष कर रहा था, जिससे PrismML जैसा बाहरी समाधान रणनीतिक रूप से बेहद महत्वपूर्ण हो जाता है .

PrismML की कंप्रेशन तकनीक को क्या अनोखा बनाता है

PrismML की सफलता की कुंजी नेटिव 1-बिट टर्नरी वेट रिप्रेजेंटेशन है, जो पूरे न्यूरल नेटवर्क पर लागू होती है — न कि केवल चुनिंदा लेयर्स पर:

• पूरे नेटवर्क में टर्नरी वज़न. मॉडल में हर वज़न को केवल तीन मानों {-1, 0, +1} तक सीमित कर दिया जाता है, जो प्रति पैरामीटर लगभग 1.58 बिट एन्कोड करता है . यह मानक 16-बिट (FP16) या यहां तक कि 8-बिट क्वांटाइजेशन से मौलिक रूप से अलग है, जो अभी भी फ्लोटिंग-पॉइंट या इंटीजर मानों की श्रेणियों का उपयोग करते हैं.

• शुरू से 1-बिट में ट्रेनिंग. सामान्य कंप्रेशन के विपरीत, जो एक फुल-प्रिसिजन मॉडल से शुरू होता है और बाद में उसे क्वांटाइज़ करता है (अक्सर सटीकता में कमी के साथ), PrismML अपने मॉडल को शुरू से ही 1-बिट प्रिसिजन में ट्रेन करता है . कंपनी का कहना है कि यह "टर्नरी लॉजिक नेटवर्क आर्किटेक्चर के माध्यम से ही बनाया गया है," न कि बाद में जोड़ा गया .

• नाटकीय डेंसिटी लाभ. PrismML का 1-बिट Bonsai 8B मॉडल 8.2 बिलियन पैरामीटर को सिर्फ 1.15 GB मेमोरी में कंप्रेस करता है — जो पारंपरिक 16-बिट मॉडल से लगभग 14 गुना छोटा है — जबकि मानक बेंचमार्क पर फुल-प्रिसिजन विकल्पों के मुकाबले प्रतिस्पर्धी सटीकता का दावा करता है . कंपनी का Qwen 3.6 के लिए 27B कंप्रेशन इसी तरह Alibaba के डेंस मॉडल को पूरी तरह से iPhone मेमोरी में फिट कर देता है .

• ऊर्जा दक्षता. 1-बिट रिप्रेजेंटेशन फुल-प्रिसिजन मॉडल की तुलना में लगभग 5 गुना बेहतर ऊर्जा दक्षता प्रदान करता है, और 8B मॉडल iPhone 17 Pro पर 40 टोकन प्रति सेकंड से अधिक की गति से चलता है — जो सामान्य रीयल-टाइम उपयोग की आवश्यकता से तेज है .

सावधानी: PrismML के दावों की अभी तक व्यापक AI अनुसंधान समुदाय द्वारा बड़े पैमाने पर स्वतंत्र रूप से पुष्टि नहीं की गई है. यह कंपनी 31 मार्च, 2026 को Khosla Ventures और Cerberus Ventures से $16.25M के फंडिंग के साथ स्टील्थ मोड से बाहर आई थी, और इसके मॉडल Apache 2.0 लाइसेंस के तहत ओपन-सोर्स जारी किए गए हैं, जो समय के साथ बाहरी सत्यापन की अनुमति देगा .

यह इसलिए महत्वपूर्ण है क्योंकि Apple के सामने एक बड़ी सीमा रही है: उसके अपने ऑन-डिवाइस फाउंडेशन मॉडल Sparse आर्किटेक्चर का उपयोग करते हैं, जहां एक समय में पैरामीटर का केवल एक छोटा सा हिस्सा ही Active होता है. WWDC 2026 में, Apple ने लगभग 20 बिलियन पैरामीटर वाले ऑन-डिवाइस मॉडल की घोषणा की, लेकिन प्रति Inference केवल 1–4 बिलियन पैरामीटर ही Active होते हैं . PrismML का तरीका सभी 27 बिलियन पैरामीटर को एक साथ पूरी तरह से Active रखता है — इसके लिए किसी सर्वर कॉल की आवश्यकता नहीं होती — जो प्राइवेसी से समझौता किए बिना या क्लाउड कनेक्शन की आवश्यकता के बिना, ऑन-डिवाइस Siri, राइटिंग टूल्स और इंटेलिजेंट ऐप अनुभवों को नाटकीय रूप से अधिक सक्षम बना सकता है . रिपोर्टों के अनुसार, Apple अपने स्वयं के आंतरिक AI मॉडल को iPhone के लिए बिना गंभीर प्रदर्शन गिरावट के Compress करने में संघर्ष कर रहा था, जिससे PrismML जैसा बाहरी समाधान रणनीतिक रूप से बेहद महत्वपूर्ण हो जाता है .

PrismML की कंप्रेशन तकनीक को क्या अनोखा बनाता है

PrismML की सफलता की कुंजी नेटिव 1-बिट टर्नरी वेट रिप्रेजेंटेशन है, जो पूरे न्यूरल नेटवर्क पर लागू होती है — न कि केवल चुनिंदा लेयर्स पर:

• पूरे नेटवर्क में टर्नरी वज़न. मॉडल में हर वज़न को केवल तीन मानों {-1, 0, +1} तक सीमित कर दिया जाता है, जो प्रति पैरामीटर लगभग 1.58 बिट एन्कोड करता है . यह मानक 16-बिट (FP16) या यहां तक कि 8-बिट क्वांटाइजेशन से मौलिक रूप से अलग है, जो अभी भी फ्लोटिंग-पॉइंट या इंटीजर मानों की श्रेणियों का उपयोग करते हैं.

• शुरू से 1-बिट में ट्रेनिंग. सामान्य कंप्रेशन के विपरीत, जो एक फुल-प्रिसिजन मॉडल से शुरू होता है और बाद में उसे क्वांटाइज़ करता है (अक्सर सटीकता में कमी के साथ), PrismML अपने मॉडल को शुरू से ही 1-बिट प्रिसिजन में ट्रेन करता है . कंपनी का कहना है कि यह "टर्नरी लॉजिक नेटवर्क आर्किटेक्चर के माध्यम से ही बनाया गया है," न कि बाद में जोड़ा गया .

• नाटकीय डेंसिटी लाभ. PrismML का 1-बिट Bonsai 8B मॉडल 8.2 बिलियन पैरामीटर को सिर्फ 1.15 GB मेमोरी में कंप्रेस करता है — जो पारंपरिक 16-बिट मॉडल से लगभग 14 गुना छोटा है — जबकि मानक बेंचमार्क पर फुल-प्रिसिजन विकल्पों के मुकाबले प्रतिस्पर्धी सटीकता का दावा करता है . कंपनी का Qwen 3.6 के लिए 27B कंप्रेशन इसी तरह Alibaba के डेंस मॉडल को पूरी तरह से iPhone मेमोरी में फिट कर देता है .

• ऊर्जा दक्षता. 1-बिट रिप्रेजेंटेशन फुल-प्रिसिजन मॉडल की तुलना में लगभग 5 गुना बेहतर ऊर्जा दक्षता प्रदान करता है, और 8B मॉडल iPhone 17 Pro पर 40 टोकन प्रति सेकंड से अधिक की गति से चलता है — जो सामान्य रीयल-टाइम उपयोग की आवश्यकता से तेज है .

सावधानी: PrismML के दावों की अभी तक व्यापक AI अनुसंधान समुदाय द्वारा बड़े पैमाने पर स्वतंत्र रूप से पुष्टि नहीं की गई है. यह कंपनी 31 मार्च, 2026 को Khosla Ventures और Cerberus Ventures से $16.25M के फंडिंग के साथ स्टील्थ मोड से बाहर आई थी, और इसके मॉडल Apache 2.0 लाइसेंस के तहत ओपन-सोर्स जारी किए गए हैं, जो समय के साथ बाहरी सत्यापन की अनुमति देगा .