AI Compute Stack for Training and Inference | Dweve Core

Choose the audience that matches your question

The page contains three selectable readings of the same subject.

Coding-Agent und Operator-Unterstützung. Demokennzahlen sind illustrativ.

Terminal, Suche, Lint, Test, Git und mehr.

Merkt sich Ihre Codebasis und den Teamkontext.

Spezialisierte Agenten arbeiten fachübergreifend zusammen.

Jeder Schritt wird mit Zeitstempeln aufgezeichnet.

Richtlinien, Prüfungen und Tests laufen immer.

Diffs prüfen, Änderungen anfordern, endgültige Freigabe.

Jede Sitzung bitgenau wiedergeben, wenn etwas überprüft werden muss.

retry.ts lesen, Timeout-Fehler aufgespürt

Guard extrahieren + Wiederholungen begrenzen

Autonome Agenten, die Code schreiben und Belege aufbewahren

zur Behandlung von Netzwerk-Timeouts, 5xx-Antworten und idempotent-sicheren Bedingungen. Reine Hilfsfunktion, vollständig unit-getestet.

Laufzeit-Dispatcher, wählt pro Aufruf nach Ziel und Richtlinie

Eine Operator-Definition, handoptimierte Kernel pro ISA. Wenn Ihre Silizium in den letzten acht Jahren ausgeliefert wurde, hat Core einen Weg dorthin.

Fähigkeit und Determiniertheit pro Zelle angegeben

Direkter Betrieb auf kundengesteuerter Infrastruktur

Ein Modell, mehrere vom Anbieter gehaltene Pfade

Kompression lebt in einem anderen Werkzeug

Definition und Ausführung weichen langsam voneinander ab

Eine einzige Operator-Oberfläche für Framework, Engine und Compiler. Kein externer Klebstoff.

Core läuft auf Kera, einer deterministischen Zwischendarstellung. Kera ist die IR selbst, kein Wrapper um MLIR und nicht auf LLVM aufgebaut. Mehrstufige Senkung führt ein neuronales Diagramm mit Fusion zu hardware-spezifischem nativem Code.

Eine vollständige Trainings-Engine mit quantisierungsbewusstem Training, Wissensdestillation, progressiver Präzision und verteiltem Training. Die Inferenz-Engine bietet drei Determinismus-Modi und Produktions-Serving.

Eine typsichere DSL für jede Architektur und jede Bitbreite. Aus Primitive oder vorhandenen Schichten zusammensetzen und eigene mit derselben Testinfrastruktur wie die eingebauten hinzufügen.

Benutzerdefinierte Operationen, gleiche Testumgebung

Beliebiger Datentyp, beliebige Bitbreite

Läuft auf normalen Computern, wo unterstützt

Es kann zeigen, wie es dorthin gelangt ist.

Ihre Dinge können zu Hause bleiben, in Europa.

Ein über Managed Fabric gestarteter Proof kann einen späteren Übergang zum lizenzierten Core-Betrieb unterstützen, einschließlich eines physisch isolierten lizenzierten Umfelds. Managed Fabric selbst enthält kein Core.

Was über den Einführungspfad übertragen werden kann

Ein Proof-Pfad, zwei lizenzierte Betriebsmodi

Datenpflichten für jeden Modus angegeben

Übertragungsrechte nur bei vertraglicher Vereinbarung

Eine physisch isolierte lizenzierte Bereitstellung für Umgebungen, die keine externe Verbindung tolerieren können. Technologietransfer- und Unabhängigkeitsrechte sind nur verfügbar, wenn die ausgewählte Government- und Critical-Infrastructure-Stufe diese vorsieht.

Betreiben Sie lizenziertes Core auf Ihren eigenen Servern in Ihrem eigenen Rechenzentrum. Ihre Betreiber haben die Schlüssel; Source-Escrow und Quellrechte bleiben getrennt, sofern die Vereinbarung sie nicht ausdrücklich einschließt.

In den Niederlanden gebaut; Betriebsgrenze in der Vereinbarung festgelegt

Managed Fabric ist ein separater Dienst im öffentlichen Mesh und beinhaltet keinen Core-Zugriff oder Core-Betrieb. Der direkte Core-Betrieb beginnt mit einer Lizenz für kundenkontrollierte Infrastruktur.

Determinismus ist eine Einstellung, kein Anspruch. Die Testsuite setzt ihn voraus, er wird nicht in Prosa versprochen.

Pro Anfrage umschalten, kein erneutes Deployment.

Dispatch: gleiches Integer-/Festkomma-Modell in jedem Modus

core.infer(model, x, determinism="creative", temp=0.8)

Volle Nichtdeterminismus, wo gewünscht. Temperatur-, Top-k- und Top-p-Sampling. Dasselbe Dispatch-Modell mit gelockertem Determinismus, kein separater Codepfad.

Seed: 42, gleicher Seed ergibt gleiche Ausgabe

core.infer(model, x, determinism="seeded", seed=42)

Reproduzierbar bei gleichem Seed, unterschiedliche Seeds erzeugen unterschiedliche Ausgaben. Nützlich für A/B-Tests, Monte-Carlo-Läufe und jeden Workflow, bei dem kontrollierte Variation gewünscht ist.

Ausgabe-Hash: stabil auf jedem Zielsystem

core.infer(model, x, determinism="hard")

Leitet durch deklarierte Integer- und Festkomma-Arithmetik und eliminiert plattformabhängige Arithmetik-Abweichungen. Bitidentische Ausgaben auf allen unterstützten Zielsystemen. Der Modus, der verwendet wird, wenn ein Vertrag oder eine Regulierungsbehörde Reproduzierbarkeit verlangt.

Core rechnet einfacher und leichter als die meisten KI-Systeme. Deshalb braucht es keinen Raum voller stromhungriger Chips. Der Computer, den du bereits besitzt, reicht aus.

Weil es auf deinem eigenen Gerät läuft, müssen deine Fragen und Dokumente nicht zu einem weit entfernten Unternehmen reisen. Was du eingibst, bleibt dort, wo du es sehen kannst.

Wenn Core dir eine Antwort gibt, kann es die Schritte zeigen, die es unternommen hat, um dorthin zu gelangen, wie ein Mathelehrer, der die Rechnung aufschreibt. Du musst es nie einfach glauben.

Du berührst den Motor nie. Aber alles, was du spürst, die Geschwindigkeit, die Geschmeidigkeit, die Ruhe, kommt davon, wie gut er gebaut wurde. Die meisten KI-Systeme werden mit Motoren von der Stange gebaut. Dweve hat seinen eigenen gebaut, damit er auf normalen Computern gut läuft und deine Dinge bei dir bleiben.

Core, der leise Motor unter jedem Dweve-Produkt

Einfach zu bedienen, schonend für den Geldbeutel und gehört dir

Dweve wird in den Niederlanden von Menschen entwickelt, die sich an europäisches Recht halten. Hinter der Engine, die du nutzt, stehen ein echtes Unternehmen und ein echter Ort.

Es verbraucht viel weniger Strom als KI, die riesige Maschinen benötigt. Das hält den Preis niedrig und ermöglicht überhaupt erst eine kostenlose Version.

Wenn es dir etwas mitteilt, kann es dir Schritt für Schritt zeigen, wie es zu diesem Ergebnis gekommen ist. Wenn es sich jemals unsicher ist, sagt es das, statt zu raten und zu hoffen.

Da die Engine auf deinem eigenen Gerät läuft, funktioniert sie auch dann weiter, wenn die Verbindung abbricht. Wie ein Taschenrechner muss sie niemanden anrufen, um ihre Arbeit zu erledigen.

Deine Briefe, Fotos und Fragen werden nicht zu einem weit entfernten Computer geschickt. Sie bleiben bei dir, in Europa, unter europäischen Regeln.

Du musst nichts Neues oder Teures kaufen. Wenn dein Laptop ein Video anzeigen kann, kann er Dweve ausführen. Der clevere Teil ist in die Engine eingebaut, nicht in eine teure Maschine.

Ausführungszelle und Replay-Vertrag aufgezeichnet

Core ändert das Substrat, nicht die Schnittstelle, die Sie bereits kennen.

Harte Determiniertheit spielt ein Ergebnis Bit für Bit auf Abruf erneut ab.

Compliance wird zusammengesetzt, nachdem die schwierigen Fragen eingetroffen sind.

Nur EU-Datenpfade, gebaut und betrieben aus den Niederlanden.

Daten landen auf einem ausländischen Hyperscaler unter ausländischem Recht.

96 % weniger Energie als ein GPU-Stack, dieselben Antworten zu einem Bruchteil der laufenden Kosten.

Ein generativer GPU-Stack zieht Strom im Megawattbereich.

CPU zuerst, auf Servern, die Sie bereits besitzen.

GPU-Cluster, für die Sie gegen Hyperscaler bieten.

Edge- und Low-Bit-Forschung. Teil der Geschichte mit 96 % weniger Energie.

Quantisiertes GEMM, Q-Notation, Bitebene

Quantisierte Inferenz und deterministisches Festkomma.

Q8.8, Q12.4, ganzzahlige Skalierung pro Gruppe

Interne Schulung und genauigkeitsempfindliche Schichten.

Breites Festkomma oder exakt über Numerus

Determinismusverträge und Referenzprüfungen.

25 numerische Familien, kein interner FP-Pfad

Wählen Sie internen Speicher, Akkumulator und Dispatch-Richtlinie pro Operator. Externe Gleitkomma-Eingaben werden an der Grenze konvertiert, bevor der Compiler die Mischung auf das Ziel senkt.

Jede interne Darstellung ist ein erstklassiger Bürger, der in den Operator eingebettet ist und nicht nachträglich konfiguriert wird.

Basierend auf Kera, deterministisch von Grund auf

Dieselbe Arbeit, erledigt von einer Engine, die Ihnen gehört, statt eines Stapels von Anbieter-Tools, die zusammengeklebt sind.

Fünf Upgrade-Zyklen, fünf Sicherheitsflächen, fünf Stellen, an denen es scheitern kann.

Jedes Ergebnis kann erneut abgespielt und überprüft werden.

Daten bleiben in Europa, auf Infrastruktur, die Sie kontrollieren.

Keine GPU-Beschaffung, kein Hyperscaler-Bieterwettstreit.

Ein Vertrag, eine Support-Hotline, ein Upgrade-Zyklus.

Speicherformat ist nicht vom Akkumulatortyp

Dweve Core ist ein vollständiger KI-Compute-Stack für Training und Inferenz. Die meisten KI-Plattformen decken nur einen Teil ab und überlassen den Rest anderen Anbietern. Core hält Modellautorensystem, Training, Inferenz, Kernel, Dispatch und Bereitstellung in einem kohärenten System. Bei unterstützten binären Workloads verbraucht Core 96 % weniger Energie als ein GPU-Stack.

25 registrierte numerische Formatefamilien

Teilsysteme schaffen dauerhafte Abhängigkeit

Definition und Ausführung weichen langsam voneinander ab.

Die Kompression lebt im Werkzeug eines anderen.