Är vikterna öppna och kan jag köra Trinity Large Thinking lokalt?

Ja, vikterna är öppna och finns på Hugging Face under arcee-ai/Trinity-Large-Thinking. Observera att hela modellen är 398B parametrar, så lokal inferens kräver rejäl hårdvara.

Vad kostar Trinity Large Thinking och hur stort är kontextfönstret?

Via API kostar det $0,25 per miljon input-tokens och $0,80 per miljon output-tokens, med ett kontextfönster på 262 144 token.

Hur skiljer sig Trinity Large Thinking från Trinity Large Preview?

Trinity Large Preview är en lätt eftertränad chattklar instruktionsmodell utan resonemangsspår; Thinking lägger till utökade kedjetänkande-block och agentbaserad RL efterträning, vilket gör den till varianten att använda när du behöver explicit resonemang eller bygger agentpipelines.

Trinity Large Thinking

6246°

#llm #arcee-ai #resonemang #agenter #kodning #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Arcee AI | 262 144 tokens kontext | $0.25/M input, $0.80/M output. Trinity Large Thinking är en kraftfull öppen källkodsresonemangsmodell från teamet på Arcee AI. Den visar stark prestanda i PinchBench, agentbaserade arbetsflöden och resonemangsuppgifter. Lanseringsvideo: https://youtu.be/Gc82AXLa0Rg?si=4RLn6WBz33qT--B7Öppnas i ny flik Denna modell är optimerad för agentbaserade arbetsflöden och presterar bäst när resonemang bevaras (även kallat växelvis tänkande). Lär dig hur du bevarar resonemang i vår dokumentation: https://openrouter.ai/docs/guides/best-practices/reasoning-tokens#preserving-reasoningÖppnas i ny flik

Guider för denna modell

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Hur mycket VRAM behöver jag egentligen för lokal AI?

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Trinity Large Thinking är Arcee AIs resonemangsoptimerade modell från Trinity Large-familjen — en 398B sparsam MoE med ungefär 13B aktiva parametrar per token, eftertränad med utökad kedjetänkande och agentbaserad förstärkningsinlärning. Vikterna är öppna och den är specialbyggd för flerstegs agentarbetsflöden där bevarande av resonemangsspår i kontexten är ett krav, inte ett val. Om du bygger agenter eller verktygsanropande pipelines är detta varianten att välja.

Känd för

Agentfokuserad design: byggd för verktygsanrop, flerstegsplanering och agentloopar
Explicit resonemangsspår i tänkande-block före varje slutligt svar
Starka resultat på τ²-Bench och PinchBench agentbenchmarks
Fungerar direkt med OpenClaw och Hermes Agent-ramverk
262 144 token kontextfönster med öppna vikter på Hugging Face

Se upp för

Tänketokens måste finnas kvar i kontexten över turer; tar du bort dem försämras prestandan märkbart.
398B totala parametrar innebär att självhosting kräver seriös hårdvara — ingen laptopmodell.
Licensvillkor är inte detaljerade i modellkortet; kontrollera Hugging Face-repot innan kommersiell användning.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Flerstegs forskningsagent

Du har tillgång till ett webbsökningsverktyg. En användare vill förstå konkurrenslandskapet för öppna vikts resonemangsmodeller släppta 2025 och 2026. Planera dina forskningssteg, anropa verktygen i följd och producera en strukturerad sammanfattning med dina källor. Visa ditt resonemang före varje verktygsanrop.

Svårt logikpussel

Fem ingenjörer — Ada, Bo, Cal, Dex och Eve — föredrar varsin programmeringsspråk: Python, Rust, Go, TypeScript och Haskell. Ada använder inte Rust eller Go. Bo använder språket Cal undviker. Cal undviker Python. Dex använder Go. Eve använder inte Haskell. Lista vem som använder vilket språk och visa varje deduktionssteg.

Agentbaserad kodfix-loop

Här är en Python-funktion som ska returnera de k vanligaste orden i en sträng, men den har minst två buggar. Resonera kring vad varje bugg är, fixa koden och skriv sedan en testsuite som skulle ha fångat båda buggarna. 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]

Jämför med

GPT-6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.10/M indata, $0.50/M utdata
Claude Opus 5.5
Endast API-modell
1,000,000 tokens kontext · $4.00/M indata, $20.00/M utdata
Muse Spark 1.3 Contributor
Endast API-modell
1,048,576 tokens kontext · $0.10/M indata, $0.20/M utdata
Gemini 3.8 Flash
Endast API-modell
1,048,576 tokens kontext · $0.83/M indata, $4.12/M utdata

Fler textmodeller från arcee-ai

Vanliga frågor

Är vikterna öppna och kan jag köra Trinity Large Thinking lokalt?: Ja, vikterna är öppna och finns på Hugging Face under arcee-ai/Trinity-Large-Thinking. Observera att hela modellen är 398B parametrar, så lokal inferens kräver rejäl hårdvara.
Vad kostar Trinity Large Thinking och hur stort är kontextfönstret?: Via API kostar det $0,25 per miljon input-tokens och $0,80 per miljon output-tokens, med ett kontextfönster på 262 144 token.
Hur skiljer sig Trinity Large Thinking från Trinity Large Preview?: Trinity Large Preview är en lätt eftertränad chattklar instruktionsmodell utan resonemangsspår; Thinking lägger till utökade kedjetänkande-block och agentbaserad RL efterträning, vilket gör den till varianten att använda när du behöver explicit resonemang eller bygger agentpipelines.

Kaptens omdöme
En seriös öppen vikts agentresonerare till ett lågt API-pris — ta bara inte bort tänketokens, annars slösar du bort modellen.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Trinity Large Thinking är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm arcee-ai resonemang agenter kodning lång kontext lokal

Bläddra efter modellfamilj