Leichter Edge-Chip
Forge
Ein vollständiges Sprachmodell in einem Handgerät der Watt-Klasse.

Leichter Edge-Chip
MaskROM-Compute-in-Memory: Die Gewichte werden in der Maskenstufe des Tape-outs physisch in das Via-Array gegossen. Zur Laufzeit gibt es keinen externen Gewichtstransport.
Spezifikationen
- Kernmodell
- Qwen 3.5 0.8B
- Dekodiergeschwindigkeit
- 17.000 Token/s (Entwicklungsziel)
- Leistungsaufnahme des Systems
- Watt-Klasse
- Pfad
- MaskROM-Compute-in-Memory
- Modell-Updates
- Beim Tape-out festgelegt
- 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
- Handübersetzer
- Diktier- und Sprachmemo-Geräte
- Offline-Sprachassistenten im Fahrzeug
Die Inferenz läuft lokal, die Daten werden im Gerät verarbeitet; alles funktioniert vollständig offline.
Qwen3.5 → 3.6 → 3.8
Neuere Qwen-Modelle, keine neue Architektur.
Qwen3.6 und Qwen3.8 behalten den hybriden Aufbau von Qwen3.5 bei, den die Fanshi-Inferenzkerne bereits abbilden. Ein neueres Modell derselben Familie ist ein neuer Chip, keine Neuentwicklung.
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.
MaskROM-Compute-in-Memory: Was es heißt, Gewichte ins Silizium zu gießenMaskROM-Compute-in-Memory schreibt die Modellgewichte in der Maskenstufe in ein Via-Array, zur Laufzeit bewegt sich nichts. Funktionsweise, Kostenvorteil und Grenzen.
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 Forge
Senden Sie uns Zielmodell, Leistungs- und Verbrauchsziele, Schnittstellen und Zeitplan. Wir antworten mit einer Eignungsbewertung und einem Evaluierungsplan.


