Les poids sont-ils ouverts et puis-je exécuter Trinity Large Thinking localement ?

Oui, les poids sont ouverts et disponibles sur Hugging Face à arcee-ai/Trinity-Large-Thinking. Notez que le modèle complet fait 398 milliards de paramètres, donc l'inférence locale demande un matériel conséquent.

Quel est le coût et la taille du contexte de Trinity Large Thinking ?

Via API, le tarif est de 0,25 $ par million de tokens d'entrée et 0,80 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.

En quoi Trinity Large Thinking diffère-t-il de Trinity Large Preview ?

Trinity Large Preview est un modèle chat prêt à l'emploi avec un post-entraînement léger, sans traces de raisonnement ; Thinking ajoute des blocs étendus de chaîne de pensée et un apprentissage par renforcement agentique, ce qui en fait la variante à utiliser quand vous avez besoin d'un raisonnement explicite ou construisez des pipelines agents.

Trinity Large Thinking

6246°

#llm #arcee-ai #raisonnement #agents #programmation #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Arcee AI | contexte de 262 144 tokens | 0,25 $/M entrée, 0,80 $/M sortie. Trinity Large Thinking est un puissant modèle de raisonnement open source de l'équipe Arcee AI. Il montre de solides performances sur PinchBench, les charges de travail agentiques et les tâches de raisonnement. Vidéo de lancement : https://youtu.be/Gc82AXLa0Rg?si=4RLn6WBz33qT--B7 Ce modèle est optimisé pour les workflows agentiques et fonctionne mieux lorsque le raisonnement est préservé (aussi appelé pensée entrelacée). Apprenez comment préserver le raisonnement dans notre documentation : https://openrouter.ai/docs/guides/best-practices/reasoning-tokens#preserving-reasoning

Guides pour ce modèle

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Trinity Large Thinking est le modèle optimisé pour le raisonnement d'Arcee AI issu de la famille Trinity Large — un MoE sparse de 398 milliards de paramètres avec environ 13 milliards de paramètres actifs par token, post-entraîné avec une chaîne de pensée étendue et un apprentissage par renforcement agentique. Ses poids sont ouverts, et il est conçu pour les workflows agents multi-étapes où conserver les traces de raisonnement dans le contexte est obligatoire. Si vous construisez des agents ou des pipelines d'appel d'outils, c'est la variante à privilégier.

Connu pour

Conception agentique prioritaire : conçu pour l'appel d'outils, la planification multi-étapes et les boucles agents
Traces explicites de raisonnement dans des blocs de pensée avant chaque réponse finale
Bonnes performances sur les benchmarks agentiques τ²-Bench et PinchBench
Fonctionne nativement avec les frameworks OpenClaw et Hermes Agent
Fenêtre de contexte de 262 144 tokens avec poids ouverts sur Hugging Face

Attention à

Les tokens de pensée doivent rester dans le contexte entre les tours ; les retirer dégrade nettement la performance.
398 milliards de paramètres au total signifie que l'auto-hébergement nécessite un matériel sérieux — ce n'est pas un modèle pour laptop.
Les termes de licence ne sont pas détaillés dans la fiche modèle ; vérifiez le dépôt Hugging Face avant tout déploiement commercial.

Idéal pour

Agents et utilisation d'outils

Raisonnement

Programmation

Contexte long

Fonctionne localement

Prompts à essayer

Agent de recherche multi-étapes

Vous avez accès à un outil de recherche web. Un utilisateur veut comprendre le paysage concurrentiel des modèles de raisonnement à poids ouverts publiés en 2025 et 2026. Planifiez vos étapes de recherche, appelez les outils nécessaires en séquence, et produisez un résumé structuré avec vos sources. Montrez votre raisonnement avant chaque appel d'outil.

Casse-tête logique difficile

Cinq ingénieurs — Ada, Bo, Cal, Dex et Eve — préfèrent chacun un langage de programmation différent : Python, Rust, Go, TypeScript et Haskell. Ada n'utilise ni Rust ni Go. Bo utilise le langage que Cal évite. Cal évite Python. Dex utilise Go. Eve n'utilise pas Haskell. Déterminez qui utilise quel langage, en montrant chaque étape de déduction.

Boucle de correction de code agentique

Voici une fonction Python censée retourner les k mots les plus fréquents dans une chaîne, mais elle contient au moins deux bugs. Analysez chaque bug, corrigez le code, puis écrivez une suite de tests qui aurait détecté les deux bugs. def top_k_words(text, k): words = text.split(); counts = {}; [counts.update({w: counts[w]+1}) for w in words]; return sorted(counts, key=counts.get)[:k]

Comparer avec

GPT-6 Luna
Modèle uniquement API
Contexte de 1,050,000 tokens · entrée $0.10/M, sortie $0.50/M
Claude Opus 5.5
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $4.00/M, sortie $20.00/M
Muse Spark 1.3 Contributor
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.10/M, sortie $0.20/M
Gemini 3.8 Flash
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.83/M, sortie $4.12/M

Plus de modèles de texte de arcee-ai

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter Trinity Large Thinking localement ?: Oui, les poids sont ouverts et disponibles sur Hugging Face à arcee-ai/Trinity-Large-Thinking. Notez que le modèle complet fait 398 milliards de paramètres, donc l'inférence locale demande un matériel conséquent.
Quel est le coût et la taille du contexte de Trinity Large Thinking ?: Via API, le tarif est de 0,25 $ par million de tokens d'entrée et 0,80 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.
En quoi Trinity Large Thinking diffère-t-il de Trinity Large Preview ?: Trinity Large Preview est un modèle chat prêt à l'emploi avec un post-entraînement léger, sans traces de raisonnement ; Thinking ajoute des blocs étendus de chaîne de pensée et un apprentissage par renforcement agentique, ce qui en fait la variante à utiliser quand vous avez besoin d'un raisonnement explicite ou construisez des pipelines agents.

Verdict du capitaine
Un raisonneur agentique sérieux à poids ouverts à un prix API bas — ne retirez juste pas les tokens de pensée ou vous gâchez le modèle.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #98 Hottest Text / LLM text model

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image)

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Trinity Large Thinking est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm arcee-ai raisonnement agents programmation contexte long local

Parcourir par famille de modèles