알리바바 Qwen 팀이 Qwen4 아키텍처의 초기 프리뷰인 Qwen3.8-Flash-Next를 오픈웨이트로 공개했다. 125B 파라미터(활성 6B)와 51B N-gram 임베딩을 갖추고, Qwen3.7-Plus 대비 훈련 비용 9분의 1로 코딩·에이전트 성능에서 앞서는 결과를 보였다.

2026년 8월 26일 2분 소요 5

#qwen #alibaba #llm

LLM 해커뉴스

GLM-5.2를 느린 PC에서 돌리는 Colibri, Local AI의 병목은 GPU만이 아닌 이유

744B MoE 모델을 소비자용 PC에서 돌리겠다는 실험에 관심이 모였다. Colibri는 GLM-5.2의 활성 파라미터와 전문가 라우팅 구조를 이용해, 거대한 모델을 전부 RAM이나 GPU에 올리지 않는 쪽으로 설계를 잡았다.

2026년 7월 10일 1분 소요 27

#glm-5.2 #local-ai #inference

LLM 해커뉴스

LongCat-2.0, 1.6T MoE보다 국산 칩 훈련이 더 큰 신호

1.6T total, 48B active라는 숫자보다 인프라가 논점이다. HN 댓글은 모델 구조보다 국산 AI ASIC cluster 훈련을 더 큰 신호로 봤다.

2026년 7월 2일 1분 소요 26

#llm #moe #china-ai

LLM 레딧

OpenPangu-2.0-Flash 공개, 92B total·6B active MoE에 쏠린 관심

LocalLLaMA의 관심은 “큰 모델”보다 6B active MoE가 실제로 얼마나 local에 가까운가에 모였다.

2026년 6월 30일 1분 소요 28

#openpangu #huawei #moe

LLM 레딧

Cohere 미공개 coding model, LocalLLaMA가 먼저 만진 30B/3B MoE

LocalLLaMA의 관심은 “또 하나의 coding model”보다, Cohere 직원이 release 전 weights를 직접 커뮤니티에 맡긴 방식에 쏠렸다.

2026년 6월 6일 1분 소요 34

#cohere #localllama #coding-model

LLM 해커뉴스

Liquid AI, 38조 토큰 학습 MoE 모델 공개

Liquid AI가 38조 토큰으로 학습한 8B-A1B MoE 모델 LFM2.5를 공개했다. M5 Max에서 초당 253토큰, 모바일에서 30토큰, H100에서 초당 1만 8500토큰의 추론 성능을 자랑하며 동급 밀집 모델을 상회한다.

2026년 5월 30일 1분 소요 36

#liquid-ai #llm #moe

LLM 레딧

MiMo-V2.5-Pro, LocalLLaMA가 본 집에서 돌리는 Opus 후보

LocalLLaMA가 MiMo-V2.5-Pro에 크게 반응한 이유는 오픈소스와 스펙이 동시에 세게 들어왔기 때문이다. MIT 라이선스, 1.02T total, 42B active, 1M context라는 숫자는 매력적이었지만, 댓글은 곧바로 “이걸 누가 어떤 장비로 돌리나”로 넘어갔다.

2026년 4월 30일 2분 소요 42

#xiaomi #mimo #moe

LLM 레딧

DeepSeek V4 등장, LocalLLaMA가 먼저 계산한 건 메모리

LocalLLaMA는 DeepSeek V4 공개 자체보다, 1M context와 activated parameter 수가 실제 하드웨어에서 어떤 의미인지부터 계산하기 시작했다. 스레드는 곧 “RAM을 더 질렀어야 했다”는 반응과 MIT license 호평으로 채워졌다.

2026년 4월 26일 2분 소요 49

#deepseek-v4 #open-weights #moe

LLM 해커뉴스

DeepSeek V4에 HN 폭주, 문서 링크보다 더 크게 번진 건 곧바로 뜬 가중치

HN은 이번 스레드를 단순한 모델 공개로 보지 않았다. API 문서보다 먼저 Hugging Face 가중치와 base 모델이 모습을 드러내자, 커뮤니티의 관심은 홍보보다 실물 검증으로 곧장 옮겨갔다.

2026년 4월 24일 2분 소요 48

#deepseek #llm #moe