Kimi K3를 글로벌 중요도 기준 25% 프루닝한 비균일 MoE, REAP 대비 전 벤치마크서 동급 이상 성능

Qwen3.8 2.4T를 NVFP4 양자화+전문가 40% 프루닝, B300 4장 서빙으로 축소

Kimi-K3를 INT4 가중치+FP8 활성화로 재양자화, SGLang용 처리량 17.9% 개선

Kimi K3를 글로벌 중요도 기준 50% 프루닝, REAP 대비 IFEval·GPQA 등에서 우위

K-EXAONE 2.0 750B에 DSpark 추론가속 드래프트 레이어 결합, 3~5배 속도 향상 번들

K-EXAONE 업사이클+지속사전학습한 750B MoE(활성 37B), 에이전틱·롱컨텍스트·안전성 강점

K-EXAONE 2.0 750B의 FP8 양자화 버전, BF16 원본과 동일 벤치마크 성능 유지

688B MoE(활성 33B) 처음부터 학습한 SKT 소버린 AI 모델, 수학·한국어 최고 성능·256K 문맥

A.X K2 688B를 llama.cpp용 GGUF(IQ4_XS)로 양자화한 배포용 빌드

A.X K2 688B의 IQ4_XS GGUF 변환본(345GiB), llama.cpp 로컬 구동용