ZETIC.ai
ZETIC.ai (Zetic Inc.) · Sonstiges
ZETIC.ai lässt das KI-Modell auf der Hardware des Nutzers laufen. Das Melange SDK kompiliert es für die NPU im Smartphone oder auf einem Edge-Board und wählt zur Laufzeit den schnellsten Chip, ohne Netz.
Über ZETIC.ai
About
Was ist ZETIC.ai
ZETIC.ai ist ein koreanisches Unternehmen für Edge Computing und verkauft genau eine Sache: ein bereits trainiertes Modell schnell auf vorhandener Hardware zum Laufen zu bringen. Das Hauptprodukt heißt Melange, eine Plattform für KI auf dem Gerät. Sie laden das Modell hoch, der Dienst quantisiert und kompiliert es, und das SDK lädt dieses Binary auf das Gerät.
Das Angebot richtet sich an Teams, die nie C++, OpenCL oder Metal-Shader schreiben wollten. Das SDK stellt einen einfachen Wrapper bereit, und der schwierige Teil, nämlich Ihren Graphen auf Silizium von Qualcomm, MediaTek, Samsung oder Apple zu legen, passiert bei ZETIC. Genau darin liegt der Nutzen der NPU-Beschleunigung: ein KI-Modell ausrollen, ohne vier verschiedene Toolchains zu lernen. Ein Edge-KI-SDK übernimmt diesen Teil der Arbeit.
Zwei Grenzen zählen, bevor Sie unterschreiben. Es gibt keinen gehosteten Inferenz-Endpunkt, das Modell reist also in Ihrer App und nicht hinter einer URL. Und der kostenlose Weg deckt Qualcomm, Google Tensor und die Apple Neural Engine ab, während MediaTek APU und Exynos DSP einen Enterprise-Vertrag verlangen.
Erste Schritte
- Legen Sie ein Konto auf melange.zetic.ai mit Google oder GitHub an. Eine Kreditkarte ist nicht nötig, und ein Demo-Modellschlüssel reicht für einen ersten Test der Laufzeit.
- Laden Sie das trainierte Modell als .pt2 oder .onnx hoch, dazu Beispiel-Eingaben als NumPy-Dateien im Format .npy.
- Warten Sie den Hintergrundjob ab. Melange analysiert den Graphen, quantisiert die Gewichte und kompiliert für jede Ziel-NPU-Familie.
- Kopieren Sie den Model Key und Ihren Personal Key aus dem Dashboard und fügen Sie den fertigen Ausschnitt in ein Android-, iOS- oder Flutter-Projekt ein.
- Testen Sie auf einem echten Smartphone. Emulatoren und Simulatoren haben keine NPU, die dort gemessene Latenz sagt also nichts aus.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von ZETIC.ai.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Mobile Entwickler, die einer bereits veröffentlichten App KI hinzufügen
- Robotik- und Hardware-Teams
- Forschende, die Gerätezahlen brauchen
Aufgaben
- Bilderkennung in einer Kamera-App
- Ein Sprachmodell ohne Server betreiben
- Prüfen, ob ein Modell auf ein Smartphone passt
- Kandidatenmodelle auf gleicher Hardware vergleichen
Szenarien
- Foto- und Video-Apps, in denen der Upload von Nutzermedien in die Cloud ein Compliance-Problem ist
- Produkte mit hohem Inferenzvolumen und knapper Marge
- Hardware-Beschaffung
Wichtigste Funktionen
Einmal hochladen, fertiges Binary erhalten
Melange nimmt PyTorch Exported Program (.pt2) und ONNX an. Der Dienst analysiert den Graphen, quantisiert ihn und kompiliert ihn im Hintergrund für die Zielbeschleuniger, danach verweist ein Model Key auf dieses Binary. Den Kernel bauen Sie nicht selbst.
NPU-Zugriff ohne Treiberarbeit
Die Hardware-Abstraktion deckt Qualcomm HTP und DSP, Google Tensor, die Apple Neural Engine ab dem A11 sowie MediaTek APU und Exynos DSP mit Enterprise-Vertrag ab. Sie schreiben Kotlin, Swift oder Dart, und die Plattform erledigt die herstellerspezifische Arbeit, die sonst ein Quartal im Projekt verschwindet.
Backend-Wahl zur Laufzeit
Jedes Modell wird pro Gerät auf CPU, GPU und NPU vermessen, und die Laufzeit schickt die KI-Inferenz auf dem Smartphone an das schnellste Backend. Das zählt, wo der NPU-Treiber hinterherhinkt: Auf einem Galaxy A34 mit MediaTek-Chip liegen die ZETIC-Werte bei 249 ms auf der NPU gegen 96 ms auf der GPU, und Melange weicht auf die GPU aus.
Ein Code für Android, iOS und Flutter
Android nutzt Kotlin oder Java über Maven, iOS nutzt Swift über den Swift Package Manager, Flutter hat ein eigenes Paket. Die Wrapper-API sieht auf allen drei gleich aus, der Ladecode unterscheidet sich also in Zeilen und nicht in einer Neuimplementierung.
Messungen auf echten Smartphones
ZETIC misst auf einer Farm mit mehr als 200 echten Geräten statt auf Emulatoren, dadurch fallen Treibervielfalt, thermisches Drosseln und Speichergrenzen auf. Zu den veröffentlichten Werten gehören 3,72 ms auf der NPU eines Galaxy S25 und 2,05 ms auf der eines iPhone 15 Pro Max für YOLOv11.
Auslieferung für Robotik-Stacks
Für Physical AI packt ZETIC dieselbe Ausführungsarbeit in eine C/C++-Bibliothek oder ein ROS-2-Paket und unterstützt Jetson Thor, Orin und Nano sowie Qualcomm QCS und iQ. In der π0.5-Demo auf Jetson AGX Thor sank die Policy-Inferenz von 253,7 ms auf 31,5 ms, rund 8,1-mal schneller, gemessen gegen eine PyTorch-eager-Basis.
Vor- und Nachteile
Vorteile
- Keine Shader-, Kernel- oder Treiberarbeit auf Ihrer Seite, und genau daran hängen KI-Projekte auf dem Gerät meist fest.
- Kostenloses Konto ohne Kreditkarte, dazu ein öffentlicher Demo-Modellschlüssel für den ersten Test.
- Ein Modellschlüssel deckt eine lange Geräteliste ab, die Laufzeit wählt pro Gerät CPU, GPU oder NPU.
- Die Messwerte stammen von echter Hardware, Latenzschätzungen halten also dem Produktivbetrieb stand.
- Lieferung für Roboter und Edge-Boards ist bei unterstützten Modellen mit zwei Tagen angegeben, als C/C++-Bibliothek oder ROS-2-Paket.
Nachteile
- MediaTek APU und Exynos DSP verlangen einen Enterprise-Vertrag, Consumer-Teams auf diesen Chips bleibt nur der GPU-Weg.
- Keine gehostete API. Wer einen REST-Endpunkt statt eines SDK wollte, hat hier die falsche Produktform.
- Die Mindestanforderungen sind Android 7.0 und iOS 16.6, echte Hardware ist für jede belastbare Messung Pflicht.
- Der Preis wird nicht veröffentlicht, und neue Architekturen oder Boards brauchen etwa eine Woche bis zur Lieferung.
Häufige Fragen
Es verlagert die KI-Inferenz auf das Gerät. Sie bringen ein trainiertes Modell und ein Ziel-Smartphone oder -Board, ZETIC kompiliert das Modell für die lokale NPU, GPU oder CPU.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu ZETIC.ai.
Alternativen zu ZETIC.ai
Odyssey 3
Odyssey · SonstigesOdyssey-3 ist Odysseys fundamentales Weltmodell. Es simuliert Physik in Echtzeit, macht aus einer Eingabe eine interaktive Umgebung und lässt sich an Roboter, Autos und Spiele anpassen.
JarvisCore
Prescott Data · Coding · Produktivität · SonstigesJarvisCore ist eine Open-Source-Laufzeit in Python, in der KI-Agenten als gleichrangige Peers in einem Mesh arbeiten, Aufgaben aus einem gemeinsamen Register übernehmen und externe Dienste über einen Zero-Trust-Broker erreichen.
Clef
Cloudflare · Business · SonstigesClef ist Cloudflares Open-Source-Entscheidungsmodell für Workers AI. Es liefert kalibrierte Wahrscheinlichkeiten für typisierte Fragen statt Text, damit Agenten schnell klassifizieren, routen und handeln.