Cerebras Systems於2026年成功上市，IPO籌集55億美元，市值飆升至約600億美元，創始人成爲億萬富翁。該公司成立於2016年，專注AI芯片製造，但2019年曾瀕臨破產，月支出800萬美元，幾乎耗盡資金。
AI芯片公司Cerebras與OpenAI達成一項爲期三年、金額超億美元的重磅交易，規模是年初協議的兩倍，顯示OpenAI對其技術的高度信任。OpenAI承諾提供約10億美元支持Cerebras開發數據中心繫統，並獲得最高10%的少數股權認股憑證，深化戰略合作。
OpenAI與芯片公司Cerebras達成新協議，未來三年將支付超200億美元購買其服務器算力，並可能獲得股權。此前雙方已有合作，今年1月OpenAI計劃三年內採購價值超100億美元的計算能力。新協議規模更大，OpenAI還將提供約10億美元資助Cerebras開發數據中心，未來三年總支出或達300億美元。
OpenAI與Cerebras達成長期合作，計劃三年內投入超200億美元使用其芯片服務器，以降低計算成本並減少對英偉達的依賴，展現算力自主化決心。
AI即時推理解決方案，速度領先世界。
bartowski
這是通過REAP方法對MiniMax-M2均勻裁剪25%的專家得到的172B參數大語言模型，專門針對llama.cpp進行了優化量化處理，支持多種量化級別，可在LM Studio或基於llama.cpp的項目中運行。
這是一個基於REAP方法對MiniMax-M2中40%專家進行均勻剪枝得到的139B參數大語言模型，採用GLM架構和專家混合(MoE)技術，通過llama.cpp進行多種量化處理，適用於文本生成任務。
DevQuasar
本項目提供了cerebras/MiniMax-M2-REAP-172B-A10B模型的量化版本，致力於讓知識為大眾所用。這是一個1720億參數的大型語言模型，經過優化和量化處理，旨在降低部署成本和提高推理效率。
cerebras
MiniMax-M2-REAP-162B-A10B是MiniMax-M2的高效壓縮版本，採用REAP（路由加權專家激活剪枝）方法，在保持性能幾乎不變的情況下將模型大小減少30%，從230B參數壓縮到162B參數，顯著降低了內存需求。
MiniMax-M2-REAP-172B-A10B是MiniMax-M2的內存高效壓縮變體，採用REAP專家剪枝方法，在保持性能幾乎不變的情況下，模型大小減輕了25%，從230B參數壓縮至172B參數。
noctrex
這是GLM-4.5-Air-REAP-82B-A12B模型的MXFP4_MOE量化版本，專門針對文本生成任務進行了優化。該模型基於cerebras的GLM-4.5-Air-REAP-82B-A12B基礎模型，通過MXFP4混合專家量化技術實現，在保持性能的同時顯著減小模型體積和推理成本。
danielus
該模型是cerebras/Qwen3-Coder-REAP-25B-A3B的GGUF格式轉換版本，使用llama.cpp工具進行格式轉換和量化處理。原始模型是一個25B參數的大語言模型，專門針對代碼生成任務進行優化。
這是Cerebras公司Qwen3-Coder-REAP-25B-A3B模型的量化版本，使用llama.cpp的imatrix技術進行量化處理，能夠在減少模型存儲空間和計算資源需求的同時保持模型性能。
GLM-4.5-Air-REAP-82B-A12B 是 GLM-4.5-Air 的高效壓縮版本，通過 REAP 剪枝技術將參數規模從 106B 壓縮到 82B，減少 25% 內存需求，同時保持近乎無損的性能表現。
RedHatAI
基於Meta的Llama-2-7B模型，使用UltraChat 200k數據集進行聊天任務微調的語言模型。該模型由Neural Magic和Cerebras聯合開發，支持高效的稀疏遷移和推理加速。
preemware
基於Cerebras-GPT-6.7B微調的網絡安全專用模型，具備基礎對話能力
BTLM-3B-8k-chat是基於BTLM-3B-8K-base開發的對話版本，採用DPO方法優化，專為符合人類偏好的對話場景設計。
BTLM-3B-8k-base是一個具有8k上下文長度的30億參數語言模型，基於6270億token的SlimPajama數據集訓練而成，性能可媲美開源70億參數模型。
Cerebras-GPT 13B 是一個基於開放架構和數據集訓練的大語言模型，屬於Cerebras-GPT系列，旨在研究大語言模型的縮放定律並展示在Cerebras軟硬件棧上的訓練簡易性和可擴展性。
Cerebras-GPT 2.7B 是基於 Transformer 架構的語言模型，旨在助力大語言模型的研究，可作為自然語言處理等領域的基礎模型。
Cerebras-GPT 590M是基於Transformer架構的語言模型，屬於Cerebras-GPT模型家族，旨在研究大語言模型擴展規律並展示在Cerebras軟硬件棧上訓練大語言模型的簡便性和可擴展性。
Cerebras-GPT系列中的111M參數模型，採用GPT-3風格架構，使用The Pile數據集訓練，遵循Chinchilla擴展定律實現計算最優。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
