AI Aulis

AI-NYHETER PÅ SVENSKA · 16 november 2026

De viktigaste AI-nyheterna varje morgon. AI skriver och granskar artiklarna mot originalkällorna – kontrollera viktiga uppgifter i källorna.

24 artiklar · nästa nummer i morgon bitti · Så görs tidningen →

← Numret 16 november 2026Tidningen

Danska Sevren har släppt Embla 1, en resonemangsmodell för telefoner

AI-genererat innehållSkriven av AI

github.com, sevren.ai · 2 källor · Källornas publiceringsdatum: 13 november 2026 · Publiceringstidpunkten är okänd för vissa källor

Embla 1 fungerar i telefonen utan nätuppkoppling, uppger Sevren. I företagets egen jämförelse fick fem andra modeller fler poäng, men de svarade långsammare på iPhone 18 Pro.

Det köpenhamnska AI-företaget Sevren presenterade Embla 1 på sin blogg den 13 november. Embla 1 är en resonemangsmodell, alltså en språkmodell som skriver mellansteg innan den svarar. Sevrens mål var en snabb modell som använder få token per svar.

Större Qwen-modeller fungerade som lärare

Embla 1 är en MoE-modell: varje token bearbetas av 8 av 96 expertdelar och av en del som är gemensam för alla token. En del av lagren beräknar uppmärksamhetsvikterna med ReLU²-funktionen i stället för softmax. Enligt Sevren blir då omkring 95 procent av uppmärksamhetsvikterna exakt noll, och modellen hoppar över dem när den genererar text. Cachen för modellens senare halva byggs av separata bryggdelar, så modellen hoppar över lager 16–31 när den bearbetar prompten.

Sevren tränade modellen på 16 beräkningsnoder med åtta H100-GPU:er vardera. I alla steg före förstärkningsinlärningen med GRPO tränade Sevren Embla att efterlikna en större modells förutsägelser. Förträningen omfattade 1,4 biljoner token, och läraren var Qwen3.5-35B-A3B-Base. Under de sista 2 000 stegen av finjusteringen tränades modellen redan i det 4-bitarsformat som används i telefonen (kvantiseringsmedveten träning).

Under förstärkningsinlärningen poängsatte automatiska kontrollprogram bland annat svar i matematik och kod. Vid faktafrågor gav ett felaktigt svar minus en poäng och ett uteblivet svar noll. I slutskedet straffades modellen för upprepade sekvenser. Andelen svar som nådde gränsen på 16K token sjönk från 20,7 procent till 1,8 procent, uppger Sevren.

Modellerna med högre poäng var långsammare

Sevren jämförde Embla med 12 små modeller som alla kördes i 4-bitarsformat. Poängen är medelvärdet av fem tester: BFCL, IFBench, AA-Omniscience, GPQA och MATH-500. Fördröjningen är svarstiden på iPhone 18 Pro när prompten innehåller 1 024 token och modellen genererar 256 token.

Tabellen visar Embla och sju andra resonemangsmodeller. Emblas hastighet kan inte jämföras direkt med de övrigas, eftersom Embla kördes med Sevrens egen Metal-implementering och de andra med llama.cpp. Med llama.cpp var Emblas fördröjning 2,18 sekunder.

Modell Poäng Fördröjning (s) Token/svar
Embla 1 57,4 1,77 888
LFM2.5-8B-A1B 58,8 3,59 3 129
LFM2.5-2.6B 62,7 5,33 3 557
Granite 4.2 3B 61,0 6,80 5 633
Gemma 4 E4B 60,4 9,53 1 577
Qwen3.5-4B 60,0 9,69 6 619
Gemma 4 E2B 52,8 4,95 1 611
MiniCPM5-1B 43,1 1,95 6 461

Källa: Sevrens egna mätningar, 4-bitarsmodeller, högst 16K token per svar.

Sevren påpekar att siffrorna är uppmätta på en enda telefon, med ett enda utvärderingsprogram och fem tester. Osäkerheten i medelvärdena är omkring ±1 poäng, och under andra förhållanden kan modellernas inbördes ordning ändras. LFM2.5-8B-A1B leder till exempel med 1,4 poäng. I matematik ligger Embla klart efter, uppger företaget: på MATH-500 fick den 76,1 poäng, LFM2.5-8B-A1B 89,6 och LFM2.5-2.6B 90,5.

Emblas 4-bitarsvikter finns att ladda ner från Hugging Face, och enligt Sevren kostar en förfrågan i telefonen ingenting. Körprogrammet embla-metal, som använder Apples Metal-gränssnitt, har publicerats på företagets GitHub-sida.

Vad detta bygger på

  1. github.com

    Utgivare: github.com · källans publiceringstid är okänd · hämtad 16 november 2026 kl. 05.37 (UTC+2) · upptäcktskanal: GitHub

  2. Embla 1: A reasoning model built for phones

    Utgivare: sevren.ai · publicerad 13 november 2026 · hämtad 16 november 2026 kl. 05.37 (UTC+2) · upptäcktskanal: webben

Anmäl ett fel i artikeln