这件事之所以重要，在于苹果一直面临一个重大瓶颈：其自研的端侧基础模型使用的是稀疏架构，即每次只有一部分参数被激活。在WWDC 2026上，苹果宣布了一款约200亿参数的端侧模型，但每次推理仅激活10亿到40亿参数。PrismML的方法则让全部270亿参数在同一硬件上完全激活，无需调用服务器。这将极大解锁端侧Siri、写作工具和智能应用体验的能力，同时不牺牲隐私，也无需依赖云端连接。有报道称，苹果此前一直在努力压缩自研AI模型以适应iPhone，但遭遇了严重的性能下降，这使得像PrismML这样的外部解决方案极具战略价值。

PrismML压缩方案的独特之处

PrismML的技术突破核心在于原生1-bit（三元）权重表示，并且应用于整个神经网络，而非仅限特定层：

• 全网络三元权重。模型中的每个权重都被严格限制为三个数值{-1, 0, +1}，每个参数编码约1.58比特的信息。这与标准的16位浮点（FP16）甚至8位量化有本质区别——后者仍然使用浮点数或整数的数值范围。

• 从头原生1-bit训练。与常见的压缩方式（先训练全精度模型再量化，往往造成精度损失）不同，PrismML的模型从零开始就以1-bit精度训练。该公司表示，这种"三元逻辑是通过网络架构本身构建的"，而非事后改造。

• 显著的密度提升。PrismML的1-bit Bonsai 8B模型将82亿参数压缩至仅1.15GB内存——约为传统16位模型的1/14——同时在标准基准测试中声称拥有与全精度模型相媲美的准确性。其对阿里Qwen 3.6 270亿模型的压缩同样将完整的密集模型完整放入了iPhone内存。

• 能效优势。1-bit表示相比全精度模型实现了约5倍的能效提升，8B模型在iPhone 17 Pro上运行速度超过40 tokens/秒，超过了实时使用的一般需求。

需要说明的是： PrismML的这些说法尚未得到更广泛AI研究社区的独立大规模验证。该公司于2026年3月31日走出隐身模式，获得了Khosla Ventures和Cerberus Ventures的1625万美元投资，其模型以Apache 2.0协议开源发布，这为外部验证提供了条件。

这件事之所以重要，在于苹果一直面临一个重大瓶颈：其自研的端侧基础模型使用的是稀疏架构，即每次只有一部分参数被激活。在WWDC 2026上，苹果宣布了一款约200亿参数的端侧模型，但每次推理仅激活10亿到40亿参数。PrismML的方法则让全部270亿参数在同一硬件上完全激活，无需调用服务器。这将极大解锁端侧Siri、写作工具和智能应用体验的能力，同时不牺牲隐私，也无需依赖云端连接。有报道称，苹果此前一直在努力压缩自研AI模型以适应iPhone，但遭遇了严重的性能下降，这使得像PrismML这样的外部解决方案极具战略价值。

PrismML压缩方案的独特之处

PrismML的技术突破核心在于原生1-bit（三元）权重表示，并且应用于整个神经网络，而非仅限特定层：

• 全网络三元权重。模型中的每个权重都被严格限制为三个数值{-1, 0, +1}，每个参数编码约1.58比特的信息。这与标准的16位浮点（FP16）甚至8位量化有本质区别——后者仍然使用浮点数或整数的数值范围。

• 从头原生1-bit训练。与常见的压缩方式（先训练全精度模型再量化，往往造成精度损失）不同，PrismML的模型从零开始就以1-bit精度训练。该公司表示，这种"三元逻辑是通过网络架构本身构建的"，而非事后改造。

• 显著的密度提升。PrismML的1-bit Bonsai 8B模型将82亿参数压缩至仅1.15GB内存——约为传统16位模型的1/14——同时在标准基准测试中声称拥有与全精度模型相媲美的准确性。其对阿里Qwen 3.6 270亿模型的压缩同样将完整的密集模型完整放入了iPhone内存。

• 能效优势。1-bit表示相比全精度模型实现了约5倍的能效提升，8B模型在iPhone 17 Pro上运行速度超过40 tokens/秒，超过了实时使用的一般需求。

需要说明的是： PrismML的这些说法尚未得到更广泛AI研究社区的独立大规模验证。该公司于2026年3月31日走出隐身模式，获得了Khosla Ventures和Cerberus Ventures的1625万美元投资，其模型以Apache 2.0协议开源发布，这为外部验证提供了条件。