Embla 1: Modelo de raciocínio para celulares opera localmente e offline com alta performance
Aprofundamento CEVIU
Aprofundamento
O Embla 1 é um modelo de raciocínio projetado para rodar de forma local, offline e gratuita em smartphones. O foco do projeto foi entregar alta velocidade e eficiência no consumo de tokens por resposta. A arquitetura do modelo inclui 32 camadas com largura de 2048, utilizando 8 de 96 especialistas roteados e um especialista compartilhado por token. Para otimizar o desempenho em dispositivos móveis, o Embla 1 incorpora técnicas como Sevren Sparse Attention, que torna 95% dos pesos de atenção zero, e uso de caches K/V compartilhados. O modelo foi pré-treinado com 1.4 trilhões de tokens, seguido por uma extensão de 20 bilhões de tokens para um contexto de 256K, e pós-treinado com SFT em 123 bilhões de tokens, incluindo Quantization-Aware Training (QAT) e on-policy distillation (OPD).
Em testes de benchmark com 4 bits em um iPhone 18 Pro, o Embla 1 alcançou uma média de 57,4 nos benchmarks BFCL, IFBench, AA-Omniscience, GPQA e MATH-500, com respostas em 1,77 segundos. Modelos com pontuações mais altas levaram o dobro do tempo para responder no mesmo aparelho. As principais otimizações visam a rapidez tanto no prefill quanto no decode, utilizando camadas de sliding-window, atenção esparsa e atenção completa com ReLU².
O que mudou
A busca por modelos de IA que rodam localmente em dispositivos móveis tem sido uma constante no noticiário. Em 25 de março de 2026, o CEVIU noticiou o Qwen3.5-397B-A17B rodando em um iPhone 17 Pro, porém a 0,6 tokens por segundo. A chegada do Embla 1, com respostas em 1,77 segundos de ponta a ponta em um iPhone 18 Pro, representa um avanço significativo em latência, especialmente considerando a eficiência e a capacidade de raciocínio. A reportagem de 5 de agosto de 2026, "A IA Autônoma que Chega ao Seu Bolso: O LFM2.5-2.6B, um novo modelo de 2.6 bilhões de parâmetros, promete revolucionar a interação com a IA ao operar diretamente em dispositivos", mostra que o LFM2.5-2.6B já entregava inferência gratuita, latência mínima e privacidade robusta, mas o Embla 1 agora oferece benchmarks de raciocínio e velocidade específicos, além de uma arquitetura otimizada para essa finalidade. Embora o Embla 1 ainda esteja atrás de modelos como LFM2.5-8B-A1B em matemática, a performance geral e a eficiência energética são o grande diferencial.
Por que isso importa
Para desenvolvedores e empresas que atuam com IA em dispositivos edge, o Embla 1 oferece um novo patamar de performance e eficiência. A capacidade de executar um modelo de raciocínio complexo diretamente no celular, de forma privada e offline, abre portas para aplicações que dependem de baixa latência e privacidade de dados, sem a necessidade de depender de infraestrutura em nuvem. Isso é particularmente relevante para setores como saúde, segurança e automação, onde a privacidade e o processamento em tempo real são críticos. A disponibilidade dos pesos de 4 bits do Embla 1 no Hugging Face também facilita a experimentação e a integração por parte da comunidade.
Linha do tempo
Clipe mostra iPhone 17 Pro rodando o Qwen3.5-397B-A17B a 0,6 tokens por segundo.
Artigo aborda execução de LLMs localmente em Mac M4 com 24GB de RAM, usando Qwen 3.5-9B.
PrismML apresenta o Bonsai Image 4B para geração de imagens com IA em hardware local.
PrismML lança Bonsai 27B, modelo de 27 bilhões de parâmetros para smartphones.
Apresentação do LFM2.5-2.6B, um modelo de 2.6 bilhões de parâmetros focado em inferência gratuita e latência mínima em dispositivos móveis.
Estudo investiga desempenho de inferência e capacidade de modelos de IA compactos em dispositivos móveis.
Lançamento do Embla 1, modelo de raciocínio para celulares com alta performance, rodando localmente e offline.
Perguntas frequentes
O que é o Embla 1?
O Embla 1 é um modelo de raciocínio de IA otimizado para rodar localmente em smartphones. Ele se destaca pela velocidade, eficiência no uso de tokens e a capacidade de operar de forma privada, offline e gratuita.
Quais são as principais características de desempenho do Embla 1?
Em testes com 4 bits em um iPhone 18 Pro, o Embla 1 obteve média de 57,4 em benchmarks de raciocínio como BFCL e MATH-500, entregando respostas em 1,77 segundos. Ele é projetado para ser rápido tanto no prefill quanto no decode.
Como a arquitetura do Embla 1 contribui para sua eficiência?
A arquitetura do Embla 1 utiliza 32 camadas, Sevren Sparse Attention para zerar 95% dos pesos, caches K/V compartilhados e um sistema Engram para segunda entrada de dados. Essas otimizações visam reduzir o consumo de recursos e acelerar o processamento em dispositivos móveis.
Onde posso acessar o Embla 1?
Os pesos de 4 bits do modelo Embla 1 estão disponíveis na plataforma Hugging Face, permitindo que desenvolvedores e pesquisadores baixem e utilizem o modelo em seus projetos.
Fontes
- sevren.aifonte original
- Categoria
- CEVIU IA
- Publicado
- 16 de novembro de 2026
- Editoria
- CEVIU IA

