OpenAI与Cerebras合作推出GPT-5.3-Codex-Spark模型，专为实时编程优化，解决AI编程中的“等待焦虑”。该模型利用Cerebras晶圆级引擎实现超高速推理，速度突破1000tokens/s，实现代码生成与思绪同步的即时反馈。
OpenAI加速推进“去英伟达化”战略，于2026年2月12日发布首款基于Cerebras芯片的AI模型GPT-5.3-Codex-Spark。该模型专为软件工程师设计，提供更灵活的交互体验，支持即时中断与切换，使开发者能随时暂停冗长计算，快速处理其他紧急编码任务。
加州芯片公司Cerebras Systems完成10亿美元融资，估值达230亿美元，一年内增长近三倍。其独创的晶圆级引擎技术突破传统芯片架构，获得硅谷风投Benchmark Capital领投，显示市场对非GPU算力路线的看好。
Cerebras完成10亿美元H轮融资，估值飙升至230亿美元。本轮由Tiger Global领投，AMD战略参与。距离上轮81亿美元估值仅四个月，增长迅猛。
AI即时推理解决方案，速度领先世界。
bartowski
这是通过REAP方法对MiniMax-M2均匀裁剪25%的专家得到的172B参数大语言模型，专门针对llama.cpp进行了优化量化处理，支持多种量化级别，可在LM Studio或基于llama.cpp的项目中运行。
这是一个基于REAP方法对MiniMax-M2中40%专家进行均匀剪枝得到的139B参数大语言模型，采用GLM架构和专家混合(MoE)技术，通过llama.cpp进行多种量化处理，适用于文本生成任务。
DevQuasar
本项目提供了cerebras/MiniMax-M2-REAP-172B-A10B模型的量化版本，致力于让知识为大众所用。这是一个1720亿参数的大型语言模型，经过优化和量化处理，旨在降低部署成本和提高推理效率。
cerebras
MiniMax-M2-REAP-162B-A10B是MiniMax-M2的高效压缩版本，采用REAP（路由加权专家激活剪枝）方法，在保持性能几乎不变的情况下将模型大小减少30%，从230B参数压缩到162B参数，显著降低了内存需求。
MiniMax-M2-REAP-172B-A10B是MiniMax-M2的内存高效压缩变体，采用REAP专家剪枝方法，在保持性能几乎不变的情况下，模型大小减轻了25%，从230B参数压缩至172B参数。
noctrex
这是GLM-4.5-Air-REAP-82B-A12B模型的MXFP4_MOE量化版本，专门针对文本生成任务进行了优化。该模型基于cerebras的GLM-4.5-Air-REAP-82B-A12B基础模型，通过MXFP4混合专家量化技术实现，在保持性能的同时显著减小模型体积和推理成本。
danielus
该模型是cerebras/Qwen3-Coder-REAP-25B-A3B的GGUF格式转换版本，使用llama.cpp工具进行格式转换和量化处理。原始模型是一个25B参数的大语言模型，专门针对代码生成任务进行优化。
这是Cerebras公司Qwen3-Coder-REAP-25B-A3B模型的量化版本，使用llama.cpp的imatrix技术进行量化处理，能够在减少模型存储空间和计算资源需求的同时保持模型性能。
GLM-4.5-Air-REAP-82B-A12B 是 GLM-4.5-Air 的高效压缩版本，通过 REAP 剪枝技术将参数规模从 106B 压缩到 82B，减少 25% 内存需求，同时保持近乎无损的性能表现。
RedHatAI
基于Meta的Llama-2-7B模型，使用UltraChat 200k数据集进行聊天任务微调的语言模型。该模型由Neural Magic和Cerebras联合开发，支持高效的稀疏迁移和推理加速。
preemware
基于Cerebras-GPT-6.7B微调的网络安全专用模型，具备基础对话能力
BTLM-3B-8k-chat是基于BTLM-3B-8K-base开发的对话版本，采用DPO方法优化，专为符合人类偏好的对话场景设计。
BTLM-3B-8k-base是一个具有8k上下文长度的30亿参数语言模型，基于6270亿token的SlimPajama数据集训练而成，性能可媲美开源70亿参数模型。
Cerebras-GPT 13B 是一个基于开放架构和数据集训练的大语言模型，属于Cerebras-GPT系列，旨在研究大语言模型的缩放定律并展示在Cerebras软硬件栈上的训练简易性和可扩展性。
Cerebras-GPT 2.7B 是基于 Transformer 架构的语言模型，旨在助力大语言模型的研究，可作为自然语言处理等领域的基础模型。
Cerebras-GPT 590M是基于Transformer架构的语言模型，属于Cerebras-GPT模型家族，旨在研究大语言模型扩展规律并展示在Cerebras软硬件栈上训练大语言模型的简便性和可扩展性。
Cerebras-GPT系列中的111M参数模型，采用GPT-3风格架构，使用The Pile数据集训练，遵循Chinchilla扩展定律实现计算最优。
Gguf%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)
