随着大语言模型（LLM）的能力不断发展，模型规模也在持续膨胀，千亿参数级别已成常态。但更强的能力往往意味着更高的部署门槛：数十 GB 的显存占用和计算资源需求，让大多数开发者只能在云端望而却步。

Prism ML 团队推出了 Ternary-Bonsai-27B——一个以高效推理为核心的 27B 级大型语言模型，正是瞄准这个痛点。该模型基于 Qwen3.6-27B 架构，通过端到端三进制量化技术，将模型权重压缩为 {-1 、 0 、+1} 三种状态，并结合 FP16 批量缩放机制，在大幅降低模型体积的同时尽可能保留原始模型能力。

压缩效果相当直接：原本约 54GB 的 27B 模型被压缩至 7.2GB，体积缩小约 9.4 倍，同时保留约 95% 的 FP16 性能。过去需要高性能服务器才能跑的大模型，现在单 GPU 甚至笔记本就能部署。

除了模型压缩，Ternary-Bonsai-27B 还针对长上下文和推理效率进行了优化。模型采用混合注意力架构，将约 75% 的计算交给更高效的线性注意力完成，同时保留部分全注意力机制处理复杂语义，支持最长 262K tokens 上下文。处理 100K tokens 长文本时，峰值内存仅约 14.7GB 。配套的 DSpark 解码引擎将生成速度提升约 1.34 倍，兼容 CUDA 、 Metal 和 CPU 等多种运行环境。

Ternary-Bonsai-27B 已在 HyperAI（hyper.ai）上线，支持一键部署和快速调用，帮助开发者降低大模型使用门槛，快速上手 AI 应用开发。⬇️

在线运行：https://go.hyper.ai/V4fXi

更多在线教程：

https://hyper.ai/notebooks

Demo 运行

1 、进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「Ternary-Bonsai-27B：7.2GB 三值量化推理 27B」，点击「运行此教程」。

2. 页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。

注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。

3. 选择「NVIDIA RTX 5090」以及「PyTorch」镜像，点击「Continue job execution（继续执行）」。

4. 等待分配资源，当状态变为「Running（运行中）」后，点击「Open Workspace」进入 Jupyter Workspace 。

效果展示

1. 页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行）。

2. 待运行完毕后，点击右侧 API 地址即可打开 Demo 界面。