prism-ml
PrismML: Ternary Bonsai 2 27B
prism-ml/ternary-bonsai-2-27b
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Ternary Bonsai 2 27B de PrismML es un modelo de razonamiento de 27 000 millones de parámetros derivado de Qwen3.8-27B, distribuido en formato GGUF para llama.cpp y listado en OpenRouter con entrada de texto e imagen y salida de texto. La documentación del proveedor describe pesos ternarios de unos 1,7 bits por peso, que reducen el modelo de lenguaje a unos 6 GB manteniendo un contexto de 262K tokens. El razonamiento viene activado por defecto con esfuerzo alto y admite llamadas a herramientas. Las cifras de calidad y velocidad son mediciones del proveedor, por lo que se recomienda validación independiente.[1][2]
Puntos fuertes
- La documentación del proveedor reporta un modelo de lenguaje de unos 6 GB con pesos ternarios de aproximadamente 1,7 bits por peso, lo que permite inferencia de clase 27B en un portátil o una sola GPU.[2]
- Contexto amplio de 262K tokens y entrada de imagen opcional mediante un paquete de visión separado que acompaña a los pesos de texto.[1][2]
- El razonamiento está activado por defecto con esfuerzo ajustable, y el catálogo lista llamadas a herramientas, salidas estructuradas y logprobs entre los parámetros admitidos.[1][2]
Limitaciones
- La evidencia procede solo del catálogo de OpenRouter y de la documentación del propio proveedor; las cifras de calidad y rendimiento son reportadas por el proveedor y no fueron verificadas de forma independiente, así que valide con su propia carga de trabajo.[1][2]
- Los empaquetados más densos requieren el fork de llama.cpp de PrismML; el archivo compatible con la versión estándar necesita llama.cpp b11556 o posterior, y compilaciones anteriores supuestamente lo cargan sin aviso produciendo salidas incorrectas.[2]
- El nivel de esfuerzo de razonamiento bajo no está soportado y se comporta de forma cercana al esfuerzo alto por defecto; el corte de conocimiento no se indica en la evidencia suministrada.[1][2]
Dónde utilizarlo
- Puede ser adecuado para asistentes locales o de una sola GPU donde un modelo de razonamiento de clase 27B debe caber en memoria limitada.[2]
- Podría encajar en aplicaciones de documentos extensos o multimodales que requieran una ventana de contexto grande con entrada ocasional de imágenes.[1][2]
- Candidato para flujos de trabajo agénticos que combinen llamadas a herramientas, salidas estructuradas y esfuerzo de razonamiento ajustable, sujeto a evaluación.[1][2]
Fuentes
- [1] OpenRouter catalog · PrismML: Ternary Bonsai 2 27BFuentes consultadas: 13 nov 2026
- [2] Model documentation · PrismML: Ternary Bonsai 2 27BFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Bonsai 2 27B is a 27B-parameter reasoning model from PrismML derived from Qwen3.8-27B. It supports coding, mathematics, tool calling, and image understanding with a 262K-token context window. Ternary compression shrinks...
Especificaciones
- ID del modelo
- prism-ml/ternary-bonsai-2-27b
- ID canónico
- prism-ml/ternary-bonsai-2-27b-20260918
- Creador
- prism-ml
- Añadido a OpenRouter
- 18.09.2026
- Longitud de contexto
- 262,144
- Modalidad
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.075 / salida $0.500
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | razonamiento: opcional · predeterminado xhigh · esfuerzos: xhigh, medium, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado xhigh · esfuerzos: xhigh, medium, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
No hay evaluaciones aportadas para este modelo.
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Darkbloomint4 | 262,144 | $0.075 | $0.500 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.