Edge0 README

The project's README from github.com/Edge0-AI/Edge0. As one markdown file: README.md.

edge0

edge0

An open-source streaming MoE inference framework — SSD expert offload + Recover-LoRA + prerouter routing prediction.

Hugging Face Hugging Face GitHub License

English | 中文

edge0 is an open-source streaming MoE inference framework. It generalizes the production-proven recipe — SSD expert offload + Recover-LoRA + prerouter routing prediction — into an extensible framework. The backend is isolated by design: the current MLX backend runs on Apple Silicon, and additional platforms (CUDA, …) plug into the same core abstractions.

Two model tiers ship with the framework. Each tier is an end-to-end release: the released checkpoint, the trained LoRA adapters, and the trained prerouter heads work together as one unit.

Tier Released checkpoint Inference profile
edge0-35b Edge0/Edge0-35B-A3B-preview 4-bit, 40 layers, 256 experts, prerouter K=4
edge0-8b Edge0/Edge0-8B-A1B-preview 4-bit, 24 layers, 128 experts, prerouter K=8

Both checkpoints are built on open sparse-MoE base models (Qwen3.5-MoE 35B-A3B and the Ling 3.0 bailing hybrid respectively) and ship with the LoRA and prerouter training done for this framework — the adapter files are co-located with each checkpoint and load automatically, so edge0 serve <tier> runs the trained pipeline out of the box.

Requirements

Design

Core mechanisms

Quick start

1) Install

# Python >= 3.10; the MLX backend requires macOS with Apple Silicon
python3.12 -m venv .venv && .venv/bin/pip install -e '.[dev,fetch]'

2) Download a model

The two tiers are published on Hugging Face — each repo bundles the base checkpoint and the trained LoRA + prerouter adapters in one directory, so a single download is a ready-to-run model:

# with the repo's helper (defaults to the two repos above):
.venv/bin/python scripts/fetch_models.py --tier edge0-35b --target-dir models
.venv/bin/python scripts/fetch_models.py --tier edge0-8b --target-dir models

# or directly with the CLI:
.venv/bin/huggingface-cli download Edge0/Edge0-35B-A3B-preview     --local-dir models/edge0-35b
.venv/bin/huggingface-cli download Edge0/Edge0-8B-A1B-preview     --local-dir models/edge0-8b

Either way you end up with a directory like:

models/edge0-35b/
├── config.json, model-*.safetensors, tokenizer files   # base checkpoint
├── lora_edge0_35b.safetensors          # trained LoRA adapters
└── prerouter_edge0_35b.safetensors     # trained prerouter heads

3) Point edge0 at it

Tier names resolve to local directories via environment variables (where you put the download is up to you):

export EDGE0_35B_MODEL=$PWD/models/edge0-35b
export EDGE0_8B_MODEL=$PWD/models/edge0-8b

Or skip the env vars entirely and pass the directory directly — the tier is auto-detected from the checkpoint's config.json:

edge0 demo models/edge0-35b
edge0 serve models/edge0-8b

4) Run

# quick demo
edge0 demo edge0-35b

# serve (OpenAI-compatible /v1/chat/completions)
edge0 serve edge0-35b

curl http://127.0.0.1:8000/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":32}'

# 5) One-shot chat (pass --max-new to cap length; add --show-thinking to
#    print the model's reasoning block too)
edge0 chat edge0-35b --prompt "Explain streaming inference in one sentence."

python -m edge0 ... is equivalent to edge0 ....

Python API

from edge0 import AutoEngine
from edge0.server.chat import ChatMessage, ChatRequest, ChatSession

engine = AutoEngine.from_pretrained("/path/to/model")  # tier auto-detected
req = ChatRequest(
    model=engine.name,
    messages=[ChatMessage(role="user", content="Hello!")],
    max_tokens=64,
)
tokens, meta = ChatSession(engine, req).run()
print(engine._tok.decode(tokens))
engine.close()   # release mmaps / expert cache

examples/demo.py is the same minimal walkthrough (edge0 demo runs this exact path).

Models and adapters

Quality

All benchmarks were run by us with OpenCompass under identical settings and parameters for both the edge0 models (int4 + trained adapters + prerouter routing) and the original fp16 base models. The loss of the edge0 pipeline is small: 3.9 points on average for edge0-35b, 2.8 for edge0-8b (MMLU-Pro is even above the base). Max 100:

Benchmark edge0-35b (int4) Qwen3.5-MoE 35B-A3B (fp16) edge0-8b (int4) Ling 3.0 tiny (fp16)
AIME 2026 86.6 92.7 63.3 73.3
HumanEval 90.9 95.1 91.5 92.7
GPQA-Diamond 79.8 81.8 70.7 71.2
MMLU-Pro 81.0 84.6 70.1 65.8
IFBench 57.9 61.7 53.9 60.6
Average 79.2 83.2 69.9 72.7

Benchmark

Measured with examples/bench.py (3.3k-token prompt prefill → 10 sampled warmup steps → 200 timed sampled decode tokens, 2 runs per tier):

Tier Decode speed Prefill throughput (cold / warm)* Peak active memory** Test machine
edge0-35b 14.9–17.7 tok/s 113 / 140 tok/s 2.9 GiB Mac mini M4 Pro, 24 GB
edge0-8b 23.9–25.3 tok/s 500 / 1428 tok/s 1.0 GiB Mac mini M4 Pro, 24 GB

Cold = first request after process start (expert weights fault in from SSD); warm = subsequent requests (page cache resident). Prefill numbers are throughput over a ~3.3k-token prompt (BENCH_LONG=1).

*Peak active memory at short contexts (MLX allocator peak; expert weights stream from SSD via mmap and are not resident). Long contexts add KV cache: ~3.3 GiB on edge0-8b at 3.3k tokens.

Reproduce:

python examples/bench.py edge0-35b    # via $EDGE0_35B_MODEL
python examples/bench.py edge0-8b    # via $EDGE0_8B_MODEL

Tests

pytest                 # unit tests (no real weights)
EDGE0_8B_MODEL=/path/to/edge0-8b pytest -m slow -q
                        # real-weight generation; missing tiers are skipped
.venv/bin/python scripts/e2e_smoke.py \
  --qwen-dir /path/to/edge0-35b --ling-dir /path/to/edge0-8b
                        # staged vs exact consistency + generation smoke
scripts/generate_example.py   # full-pipeline API example
examples/demo.py       # minimal API walkthrough

Documentation

License

Apache-2.0, including vendored third-party code (see NOTICE).

Edge0 (Edge0-AI/Edge0)

Searching Database…

5.3K ·GitHub
Edge0
Что это?Edge0 — open-source фреймворк стримингового инференса MoE (Mixture-of-Experts), позволяющий запускать крупные MoE-модели, например на 35 млрд параметров, имея всего около 2.5–2.9 ГБ активной оперативной памяти, за счёт стриминга весов экспертов с SSD и предсказания маршрутизации на шаг вперёд.
Использовать его как Python-библиотеку или запустить как сервер?И так и так: есть Python API в стиле transformers (AutoModel / AutoConfig / AutoEngine) и CLI/сервер (edge0 serve или python -m edge0), который запускает обученный пайплайн сразу из коробки.
Как его запустить?Установите edge0, скачайте одну из двух опубликованных версий с Hugging Face (Edge0/Edge0-35B-A3B-preview или Edge0/Edge0-8B-A1B-preview), укажите edge0 на скачанную папку через переменные окружения или прямой путь (версия определится автоматически по config.json), затем запустите edge0 serve.
Какое железо и версия Python нужны?Python 3.10+ (рекомендуется 3.12) и пока что Mac с Apple Silicon (M1/M2/M3/M4) — через бэкенд MLX это единственная поддерживаемая платформа прямо сейчас.
Он правда работает на iPhone, Android и Windows, как написано в описании?Судя по README — пока нет: фактически сегодня поддерживается только бэкенд MLX на Mac с Apple Silicon; поддержка CUDA есть в планах, но другие платформы не реализованы.
Сколько точности теряется из-за 4-битной квантизации?Совсем немного — бенчмарки OpenCompass показывают среднее падение на 3.9 балла для edge0-35b и на 2.8 балла для edge0-8b относительно базовых fp16-моделей, причём MMLU-Pro даже выше базовой модели.
Сколько места на диске реально нужно моделям?4-битные чекпоинты занимают около 23 ГБ для edge0-35b и 4.2 ГБ для edge0-8b; веса экспертов подгружаются в память по мере необходимости (memory-mapped), а не загружаются в ОЗУ целиком.
Что такое Recover-LoRA?Это LoRA-адаптер, обученный дистилляцией от полноточного учителя поверх замороженной int4-базы; он возвращает большую часть точности, потерянной при 4-битной квантизации, оставляя базовую модель несмерженной и доступной только для чтения.
Что на самом деле делает prerouter?Обученная голова предсказывает, какие эксперты понадобятся на шаг вперёд, поэтому веса следующих экспертов успевают стримиться с SSD, пока идёт текущий проход, что даёт до +59% к скорости декодирования.
Насколько быстрое декодирование на практике?На Mac mini M4 Pro edge0-35b декодирует со скоростью 14.9–17.7 tok/s, а edge0-8b — 23.9–25.3 tok/s (замерено входящим в комплект скриптом бенчмарка).
Можно ли подключить свою базовую модель?Фреймворк разделяет бэкенды и ядро через общий фасад, так что новые бэкенды можно добавлять, но обученные адаптеры сейчас есть только у двух опубликованных версий (на базе Qwen3.5-MoE 35B-A3B и Ling 3.0).
What are similar projects?airllm, decider, needle, laya-coreml, MiniCPM, warp, backburner, openTPU
Which topics is it in?on-device-ai, edge-ai, language-model, moe, lora, llm-inference, quantization, local-llm, apple-silicon, artificial-intelligence, inference, huggingface
Creator
Edge0-AI
Size
4.2 MB
Stars
5.3K
Updated
CommitOct 16
Age
1mo
Commits · 90 Days