Multimodaler Vision-Chip
Argus
Pixelgenaue Bildinferenz in Echtzeit mit 120 FPS.

Multimodaler Vision-Chip
SRAM-Compute-in-Memory: Multiplizieren und Akkumulieren geschieht im SRAM-Array, die Gewichte verlassen die Speicherzellen nie.
Spezifikationen
- Kernmodelle
- SmolVLM, SegFormer u. a.
- Bildinferenz
- 120 FPS pixelgenau (Entwicklungsziel)
- Eingang
- Bildströme in Echtzeit
- Pfad
- SRAM-Compute-in-Memory
- Modell-Updates
- Beim Start geladen, aktualisierbar
- Prozess
- SMIC 28 nm
- Gehäuse / Schnittstellen
- Projektabhängig
- Entwicklungskit
- Evaluierungsboard, SDK und Werkzeuge zum Modell-Mapping
Die Angaben auf dieser Seite sind aktuelle Produktdefinitionen und Entwicklungsziele. Endgültige Spezifikationen, Testbedingungen, Verfügbarkeit und Lieferversionen werden in den von beiden Seiten abgestimmten Projektunterlagen festgelegt.

Typische Anwendungen
- Industrieinspektion per Drohne
- Fehlersegmentierung in Echtzeit an der Linie
- Multisensor-Fusion im Endgerät
Die Inferenz läuft lokal, die Daten werden im Gerät verarbeitet; alles funktioniert vollständig offline.
Von einer E-Mail zum Chip
01
Pfad wählen
Zielmodell, Leistungs- und Verbrauchsziele, Update-Rhythmus, Schnittstellen. Die erste Frage lautet immer: Wie oft ändert sich das Modell?
02
Evaluieren
Das Modell auf dem Evaluierungsboard ausführen, Genauigkeit und Durchsatz messen und ein funktionierendes Engineering-Muster erhalten, bevor Silizium beauftragt wird.
03
Integrieren
Schnittstellen, Systemsoftware und Feldvalidierung auf Basis der Evaluierungsergebnisse: Aus dem Muster wird ein Produktprototyp.
04
ASIC liefern
Sobald das Modell eingefroren ist: ein Serienchip oder die IP, integriert in Ihr eigenes Silizium.
Weiterlesen
Einen Edge-LLM-Inferenzchip auswählen: 7 FragenDie Wahl eines Edge-LLM-Inferenzchips hängt von der Modelleignung, dem Leistungsbudget und der Update-Strategie ab, nicht von Spitzen-TOPS. Sieben Fragen und eine Checkliste.
Die Memory Wall: Warum Edge-LLMs stocken und wie man sie umgehtLLM-Dekodierung ist durch die Bandbreite begrenzt: Jedes Token liest alle Gewichte, und Endgeräte verkraften diesen Datenverkehr nicht. Wie hoch die Mauer ist und wie man vorbeikommt.
LLM-Inferenzkosten: API, Cloud-GPU oder Edge-Chip über 3 JahreLLM-Inferenzkosten über drei Jahre gerechnet: eine API pro Token, eine Cloud-GPU pro Stunde oder ein einmal gekaufter Edge-Chip. Methode, Rechenbeispiel und Amortisation.
Anfrage zu Argus
Senden Sie uns Zielmodell, Leistungs- und Verbrauchsziele, Schnittstellen und Zeitplan. Wir antworten mit einer Eignungsbewertung und einem Evaluierungsplan.


