Ankündigung des Herstellerserreichbar
Apple, Introducing the Third Generation of Apple Foundation Models
machinelearning.apple.com (externe Seite)
Apple stellt am 08.06.2026 die dritte Fassung seiner Modellreihe vor. Das stärkere der beiden Modelle auf dem Gerät hat 20 Milliarden Parameter und rechnet je Anfrage mit 1 bis 4 davon. Der Absatz dazu grenzt sich ausdrücklich von den üblichen Mixture-of-Experts-Modellen ab: Dort liegen alle Gewichte im Arbeitsspeicher, hier liegt das vollständige Modell im Flash-Speicher, und die benötigten Experten wandern je Anfrage in den Arbeitsspeicher. Damit zerfällt die Parameterzahl in vier Größen, nämlich gespeichert, geladen, aktiv und gerechnet. Die Angaben sind Herstellerangaben, eine unabhängige Messung dazu gibt es nicht.
geprüft 24.09.2026
Worauf sich diese Seite beruft, wörtlich, abgerufen am 04.09.2026:
this 20-billion-parameter model uses a sparse architecture, activating just 1 to 4 billion parameters at a time depending on the request
bestätigt 24.09.2026these models run exclusively on-device and on Private Cloud Compute
bestätigt 24.09.2026AFM 3 Core Advanced is unlocked by and optimized for our most capable Apple silicon systems.
bestätigt 24.09.2026Instead of forcing the entire model into DRAM, the full model is stored in flash memory (NAND).
bestätigt 24.09.2026Because NAND-to-DRAM bandwidth is too slow to swap weights token by token, as standard MoE models require, AFM 3 Core Advanced makes routing decisions per prompt.
bestätigt 24.09.2026This allows weights to be loaded incrementally across requests of varying difficulty, scaling the model size far beyond traditional DRAM limits while minimizing latency.
bestätigt 24.09.2026To train our foundation models, we use a mixture of data that includes publicly available information, data licensed or purchased from third parties, open-sourced data, data obtained through dedicated studies, and synthetic data.
bestätigt 24.09.2026To ensure our models respect these boundaries across linguistic and cultural contexts, we conduct multilingual post-training alignment, use language-specific guardrail models, and conduct human red teaming refined by native speakers across our supported locales.
bestätigt 24.09.2026