模型發布
Cactus Compute 推出 8-29MB 邊緣基礎模型 Needle 3，微調後稱可匹敵 DeepSeek V4 Flash
Hacker News單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據報導，Cactus Compute 推出專為行動裝置、穿戴設備、機器人與微控制器設計的基礎模型 Needle 3。開發團隊表示，該模型捨棄通用對話能力，專注於工具呼叫（Tool calls）、結構化提取與文本嵌入，稱其在行動工具呼叫表現勝過體積 10 倍的模型，並在資料提取上匹敵 2 至 3 倍大的模型。
Needle 3 採用 Simple Attention Network 架構與 CQ2 量化技術，參數規模介於 29M 至 121M，編譯後的單一二進位檔體積僅 8 至 29MB。模型具備「智慧階梯（Intelligence laddering）」設計，提供 2 層至 20 層的子網路供開發者選擇；官方宣稱其 4 層子網路在下游任務微調一個 epoch 後，效能可匹敵 DeepSeek V4 Flash。
該模型使用 3,600 億 token 的專有結構化資料集進行訓練。在 Raspberry Pi 5 實測中，預填（prefill）速度達 1,000 至 10,000 tokens/s，解碼（decode）速度為 400 至 4,000 tokens/s。開發者可透過 Python 套件與 Hugging Face 快取引擎部署，支援以正則表達式設定工具觸發條件，並可結合 Pydantic 輸出強型別的 JSON 格式資料。
讀原始報導社群討論
社群讚賞此 8-29MB 模型在低功耗邊緣裝置的應用潛力，但強烈質疑其推論能力與宣傳。實測指出模型對非直白指令理解極差且常給出高自信的荒謬結果（如「車禍求救」變成播放音樂、「去廁所」啟動咖啡機），且支援上限約為 10 個 tools。在具體效能對比上，網友測試 Needle 3 W4A8 的精確參數正確率僅 20.4%，遠低於 FunctionGemma BF16 的 85.2%，部分開發者認為其仍不如便宜的 8-27B 區域網路模型或傳統硬編碼規則。