1. Einführung in das Tutorial

„SpikingBrain-1.0“ ist ein in China entwickeltes und steuerbares, vom Gehirn inspiriertes Spiking-Modell, das im September 2025 vom Institut für Automatisierung der Chinesischen Akademie der Wissenschaften in Zusammenarbeit mit dem Nationalen Schlüssellabor für Gehirnkognition und Gehirninspirierte Intelligenz sowie Muxi Integrated Circuit Co., Ltd. veröffentlicht wurde. Inspiriert von Gehirnmechanismen integriert SpikingBrain einen effizienten hybriden Aufmerksamkeitsmechanismus, MoE-Module und Spiking-Codierung in seine Architektur. Unterstützt wird dies durch eine universelle Transformationspipeline, die mit dem Open-Source-Modell-Ökosystem kompatibel ist. Dadurch ist ein kontinuierliches Vortraining mit weniger als 21 TP3T Daten möglich, während gleichzeitig eine mit gängigen Open-Source-Modellen vergleichbare Leistung erzielt wird. SpikingBrain erreicht eine über 100-fache Beschleunigung bei TTFTs von 4-Millionen-Token-Sequenzen, während die Spiking-Codierung eine Sparsity von über 691 TP3T auf mikroskopischer Ebene ermöglicht. In Kombination mit der makroskopischen MoE-Sparsity liefern diese Fortschritte wertvolle Anhaltspunkte für die Entwicklung neuromorpher Chips der nächsten Generation. Verwandte Forschungsarbeiten sind verfügbar. Technischer Bericht zu SpikingBrain: Spiking Brain-inspirierte große Modelle .

Dieses Tutorial nutzt eine einzelne RTX 5090 GPU für die Rechenleistung, und das in diesem Tutorial eingesetzte Modell ist SpikingBrains V1-7B-sft-s3-reasoning.

2. Effektanzeige

3. Bedienungsschritte

1. Starten Sie den Container

2. Anwendungsschritte

Wenn „Modell“ nicht angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 2–3 Minuten und aktualisieren Sie die Seite.

4. Diskussion

🖌️ Wenn Sie ein gutes Projekt sehen, hinterlassen Sie bitte einen Kommentar im Hintergrund, um es weiterzuempfehlen! Darüber hinaus haben wir eine Tutorial-Austauschgruppe eingerichtet. Freunde sind herzlich eingeladen, den QR-Code zu scannen und [AI4S-Tutorial] zu notieren, um der Gruppe beizutreten, verschiedene technische Probleme zu diskutieren und Anwendungsergebnisse auszutauschen.

Zitationsinformationen

Dank an den Github-Benutzer SuperYang  Bereitstellung dieses Tutorials. Die Zitationsinformationen für dieses Projekt lauten wie folgt:

@article{pan2025spikingbrain,
  title={SpikingBrain Technical Report: Spiking Brain-inspired Large Models},
  author={Pan, Yuqi and Feng, Yupeng and Zhuang, Jinghao and Ding, Siyu and Liu, Zehao and Sun, Bohan and Chou, Yuhong and Xu, Han and Qiu, Xuerui and Deng, Anlin and others},
  journal={arXiv preprint arXiv:2509.05276},
  year={2025}
}