ZETIC.ai
ZETIC.ai (Zetic Inc.) · Autres
ZETIC.ai fait tourner le modèle d'IA sur le matériel de l'utilisateur. Son SDK Melange le compile pour le NPU du téléphone ou d'une carte edge, puis choisit la puce la plus rapide à l'exécution, hors ligne.
À propos de ZETIC.ai
About
Qu'est-ce que ZETIC.ai
ZETIC.ai est une société coréenne d'informatique embarquée qui vend une seule chose : faire tourner vite un modèle déjà entraîné sur du matériel que le client possède. Son produit principal s'appelle Melange, une plateforme d'IA embarquée. Vous déposez le modèle, le service le quantifie et le compile, puis le SDK télécharge ce binaire sur l'appareil.
Le discours vise les équipes qui n'ont jamais voulu écrire du C++, de l'OpenCL ou des shaders Metal. Le SDK expose un wrapper simple, et la partie difficile, à savoir placer votre graphe sur du silicium Qualcomm, MediaTek, Samsung ou Apple, se passe chez ZETIC. C'est là tout l'intérêt de l'accélération NPU : déployer un modèle d'IA devient possible sans apprendre quatre chaînes d'outils différentes.
Deux limites comptent avant de signer. Il n'existe pas d'endpoint d'inférence hébergé, donc le modèle voyage dans votre app et non derrière une URL. Et le parcours gratuit couvre Qualcomm, Google Tensor et le Neural Engine d'Apple, tandis que l'APU de MediaTek et le DSP d'Exynos restent derrière un contrat entreprise.
Pour démarrer
- Créez un compte sur melange.zetic.ai avec Google ou GitHub. Aucune carte bancaire n'est demandée, et une clé de modèle de démonstration suffit pour tester le runtime.
- Déposez le modèle entraîné au format .pt2 ou .onnx, avec des entrées d'exemple enregistrées en fichiers NumPy .npy.
- Laissez le traitement de fond se terminer. Melange analyse le graphe, quantifie les poids et compile pour chaque famille de NPU visée.
- Copiez la Model Key et votre Personal Key depuis le tableau de bord, puis collez l'extrait déjà prêt dans un projet Android, iOS ou Flutter.
- Lancez sur un téléphone physique. Les émulateurs et simulateurs n'ont pas de NPU, donc la latence mesurée là ne veut rien dire.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de ZETIC.ai.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Développeurs mobiles qui ajoutent de l'IA à une app déjà publiée
- Équipes robotique et matériel
- Chercheurs qui ont besoin de chiffres réels
Tâches
- Reconnaissance d'image dans une app photo
- Faire tourner un modèle de langage sans serveur
- Vérifier qu'un modèle tient sur un téléphone
- Comparer plusieurs modèles sur le même matériel
Cas d'usage
- Applications photo et vidéo où envoyer les médias de l'utilisateur au cloud pose un problème de conformité
- Produits à fort volume d'inférence et à marge serrée
- Achat de matériel
Fonctionnalités clés
Un modèle déposé, un binaire compilé
Melange accepte les fichiers PyTorch Exported Program (.pt2) et les modèles ONNX. Le service analyse le graphe, le quantifie et le compile pour les accélérateurs visés en arrière-plan, puis renvoie une Model Key qui pointe vers ce binaire. Vous ne compilez pas le noyau vous-même.
Accès au NPU sans toucher aux pilotes
L'abstraction matérielle couvre Qualcomm HTP et DSP, Google Tensor, le Neural Engine d'Apple depuis l'A11, ainsi que l'APU MediaTek et le DSP Exynos sous contrat entreprise. Vous écrivez du Kotlin, du Swift ou du Dart, et la plateforme gère la plomberie propre à chaque fabricant, celle qui consomme d'ordinaire un trimestre de projet.
Choix du backend à l'exécution
Chaque modèle est profilé sur CPU, GPU et NPU pour chaque appareil, et le runtime dirige l'inférence IA sur mobile vers le backend le plus rapide. Cela compte quand le pilote du NPU est en retard : sur un Galaxy A34 à puce MediaTek, les chiffres de ZETIC donnent 249 ms en NPU contre 96 ms en GPU, et Melange bascule sur le GPU.
Un seul code pour Android, iOS et Flutter
Android passe par Kotlin ou Java via Maven, iOS par Swift avec Swift Package Manager, et Flutter dispose de son propre paquet. L'API du wrapper a la même forme sur les trois, donc le chargement du modèle change en quelques lignes et non en réécriture.
Des mesures sur de vrais téléphones
ZETIC mesure sur une ferme de plus de 200 appareils physiques, pas sur des émulateurs, ce qui fait ressortir la fragmentation des pilotes, le throttling thermique et les limites de mémoire. Les chiffres publiés incluent 3,72 ms sur le NPU d'un Galaxy S25 et 2,05 ms sur celui d'un iPhone 15 Pro Max pour YOLOv11.
Livraison pour les stacks robotiques
Pour l'IA physique, ZETIC conditionne le même travail d'exécution en bibliothèque C/C++ ou en paquet ROS 2 et couvre Jetson Thor, Orin et Nano, plus les cartes QCS et iQ de Qualcomm. Dans sa démo π0.5 sur Jetson AGX Thor, l'inférence de politique est passée de 253,7 ms à 31,5 ms, environ 8,1 fois plus vite, face à une base PyTorch eager.
Avantages et inconvénients
Avantages
- Aucun travail de shader, de noyau ou de pilote de votre côté, ce qui est la raison habituelle d'un projet d'IA embarquée qui s'enlise.
- Compte gratuit sans carte bancaire, avec une clé de modèle publique pour un premier essai.
- Une clé de modèle couvre une longue liste d'appareils, le runtime choisissant CPU, GPU ou NPU sur chaque téléphone.
- Les mesures viennent de matériel réel, donc les estimations de latence résistent au passage en production.
- La livraison pour robots et cartes edge est annoncée en deux jours pour les modèles pris en charge, en bibliothèque C/C++ ou paquet ROS 2.
Inconvénients
- L'APU MediaTek et le DSP Exynos exigent un contrat entreprise, donc les équipes d'apps grand public sur ces puces n'ont que le chemin GPU.
- Pas d'API hébergée. Si vous cherchiez un endpoint REST plutôt qu'un SDK, le produit n'a pas la bonne forme.
- Les minimums sont Android 7.0 et iOS 16.6, et un appareil physique est obligatoire pour toute mesure sérieuse.
- Le tarif n'est pas publié, et les nouvelles architectures ou cartes demandent environ une semaine avant livraison.
Questions fréquentes
À déplacer l'inférence d'IA sur l'appareil. Vous apportez un modèle entraîné et un téléphone ou une carte cible, et ZETIC compile ce modèle pour le NPU, le GPU ou le CPU local.
Contenus associés
Découvrez des outils, des compétences et des articles liés à ZETIC.ai.
Alternatives à ZETIC.ai
Odyssey 3
Odyssey · AutresOdyssey-3 est le modèle du monde fondationnel d'Odyssey. Il simule la physique en temps réel, transforme une consigne en environnement interactif et s'adapte aux robots, voitures et jeux.
JarvisCore
Prescott Data · Programmation · Productivité · AutresJarvisCore est un runtime Python open source où les agents IA travaillent en pairs sur un maillage, prennent les tâches dans un registre partagé et joignent les services externes via un broker zero trust.
Clef
Cloudflare · Entreprise · AutresClef est le modèle de décision open source de Cloudflare pour Workers AI. Il renvoie des probabilités calibrées pour des questions typées au lieu de texte, ce qui permet à un agent de classer, router et agir vite.