MaixStation analyse technique de la station IA de Sipeed

Architecture, mémoire, performances annoncées et comparaison avec le NVIDIA DGX Spark

Une nouvelle approche de l’intelligence artificielle locale

Exécuter de grands modèles d’intelligence artificielle sur une machine compacte impose de résoudre plusieurs problèmes à la fois : disposer de suffisamment de mémoire, alimenter rapidement les unités de calcul et faire fonctionner les logiciels adaptés. La puissance maximale affichée sur une fiche technique ne répond qu’à une partie de ces besoins.

Avec la MaixStation, Sipeed propose une station spécialisée autour de la puce AXERA AX8860P. Son intérêt est de réunir une importante capacité mémoire et un accélérateur d’inférence dans un format transportable. Le constructeur vise directement le marché du DGX Spark de NVIDIA. [1]

La proposition est techniquement intéressante. Sa compétitivité réelle dépendra surtout du logiciel livré, des modèles effectivement accélérés et de résultats reproductibles. Les éléments publics consultés ne permettent pas encore de présenter la MaixStation comme une remplaçante universelle du DGX Spark.

1. Sipeed et AXERA remplissent deux rôles distincts

Entreprise	Rôle dans le projet
Sipeed	Conception et intégration de la MaixStation et de ses déclinaisons. [1]
AXERA	Développement de la famille de puces AX8860 et de sa chaîne de déploiement des modèles. [2]

AXERA a annoncé la famille AX8860 le 13 octobre 2026, à l’occasion du salon industriel CIIF en Chine. Son positionnement couvre l’inférence sur site et les applications associant perception, décision et interaction avec des équipements physiques. [2]

Une puce de conception chinoise n’implique pas que tous les composants et toutes les étapes de fabrication de la machine soient chinois. Les sources consultées ne permettent pas de documenter une chaîne de production intégralement nationale, ni d’identifier avec certitude le fondeur du silicium concerné.

2. Les caractéristiques annoncées

Les données suivantes décrivent la version mise en avant par Sipeed et les capacités de la famille de puces associée. Elles ne constituent pas des mesures indépendantes.

Élément	Donnée publique	Portée de l’information
Puce de la MaixStation	AXERA AX8860P	Désignation Sipeed. [1]
Calcul IA	256 TOPS FP4	Pic théorique annoncé ; présenté sans recours à la sparsité dans la communication Sipeed. [1][2]
Mémoire	128 Go de LPDDR5X	Configuration principale présentée. [2]
Interface mémoire	256 bits, LPDDR5X-8533	Indication Sipeed. [1]
Bande passante	273 Go/s	Valeur maximale annoncée. [2]
Gravure	6 nm	Annonce AXERA pour la famille AX8860. [2]
Processeur généraliste	16 cœurs Arm Cortex-A55	Configuration décrite dans la couverture technique originale de lancement ; à consolider dans la fiche finale de la machine. [3]
Boîtier	110 × 110 × 30 mm	Dimensions Sipeed. [1]
Consommation	40 W en charge typique	Déclaration Sipeed, sans protocole électrique détaillé. [1]
Alimentation	USB-C Power Delivery	Compatibilité revendiquée avec une source PD de 65 W. [1]
Connexions présentées	USB 3.0, USB-C et SFP+ 10 Gb/s	La définition complète de toutes les interfaces reste à consolider. [1]

Il faut également distinguer les capacités d’une puce des fonctions accessibles sur un produit commercial. La présence de PCIe dans le silicium ne signifie pas qu’un utilisateur disposera d’un emplacement PCIe libre sur le petit boîtier.

3. Une architecture centrée sur l’accélération spécialisée

Le CPU orchestre, l’accélérateur effectue les calculs du modèle

Dans une station d’inférence, le processeur généraliste gère notamment le système, le serveur, la préparation des requêtes et les traitements qui ne sont pas délégués à l’accélérateur. La partie spécialisée exécute les opérations compatibles du réseau neuronal.

Cette organisation permet de consacrer davantage de ressources au travail ciblé. Elle crée aussi une dépendance : la rapidité dépend de la proportion du modèle que le logiciel parvient réellement à exécuter sur l’accélérateur.

Un exemple simplifié permet de comprendre cette limite. Si 90 % du temps d’un traitement est accélérable et devient dix fois plus rapide, les 10 % restants restent inchangés. Le temps total passe de 100 unités à 19, soit un gain global d’environ 5,3 fois, plutôt que dix. Ce calcul illustre l’effet des parties non accélérées ; il ne décrit pas une mesure de la MaixStation.

Une machine d’inférence et une station graphique répondent à des besoins différents

La compatibilité avec un modèle de langage ne prouve pas la capacité à accélérer un moteur 3D, un logiciel de montage ou une application CUDA. Chaque programme nécessite une prise en charge matérielle et logicielle adaptée.

La MaixStation doit donc être évaluée comme un serveur spécialisé pour des modèles compatibles. Ses performances dans les tâches généralistes et graphiques ne peuvent pas être déduites de son chiffre de TOPS.

4. Pourquoi la mémoire est aussi importante que le calcul

La capacité détermine ce qui peut tenir en mémoire

Un modèle contient des paramètres, généralement appelés poids. Leur stockage dépend de leur nombre et du nombre de bits utilisés pour les représenter.

La formule simplifiée est :

Mémoire des poids en octets = nombre de paramètres × bits par paramètre ÷ 8

Les résultats suivants sont des calculs de stockage brut, en gigaoctets décimaux. Ils excluent les métadonnées de quantification, les parties conservées dans une autre précision, les activations, les buffers, le cache de contexte et le système.

Nombre total de paramètres	4 bits par paramètre	8 bits par paramètre	16 bits par paramètre
27 milliards	13,5 Go	27 Go	54 Go
70 milliards	35 Go	70 Go	140 Go
125 milliards	62,5 Go	125 Go	250 Go
284 milliards	142 Go	284 Go	568 Go
552 milliards	276 Go	552 Go	1 104 Go

La mémoire nécessaire en fonctionnement dépasse celle des seuls poids. Un modèle de 125 milliards de paramètres à 8 bits occuperait déjà presque toute la capacité annoncée avant même les autres allocations. À 4 bits, sa situation serait très différente, sous réserve de la prise en charge du format et de l’architecture.

La quantification réduit l’empreinte mémoire en représentant les valeurs avec moins de précision. Différents formats de quatre bits, par exemple INT4 et FP4, ne sont pas automatiquement interchangeables : le moteur doit comprendre le format de stockage et disposer des opérations adaptées. [7]

Le contexte consomme lui aussi de la mémoire

Pendant la génération, les modèles de type Transformer peuvent conserver des états intermédiaires dans un cache KV. Sa taille dépend notamment de l’architecture, de la longueur du contexte, de la précision de stockage et du nombre de requêtes traitées simultanément. Les stratégies de cache modifient le compromis entre mémoire et rapidité. [8]

Pour évaluer une machine, il faut donc demander quel modèle fonctionne, avec quelle quantification, quelle longueur de conversation et combien d’utilisateurs. La formule « ce modèle tient en mémoire » laisse ces questions ouvertes.

La bande passante détermine la vitesse d’alimentation

La bande passante annoncée est cohérente avec le calcul suivant :

8 533 millions de transferts/s × 256 bits ÷ 8
≈ 273 milliards d’octets/s
≈ 273 Go/s

Ce résultat correspond à un débit théorique de l’interface. Le débit utile dépend des accès mémoire, de leur organisation, des échanges concurrents et des possibilités de réutilisation des données.

Pour un décodage séquentiel limité par la lecture des poids, une approximation pédagogique est :

Débit de génération ≈ bande passante utile ÷ volume de poids lus par token

Dans un scénario fictif exigeant la lecture de 50 Go par token à travers une interface idéale de 273 Go/s, le modèle simplifié donne environ 5,5 tokens/s. Ce résultat n’est ni une prévision ni un benchmark du produit. Il ignore notamment le traitement groupé des requêtes, le décodage spéculatif, les caches et les particularités des modèles à experts.

Une grande mémoire permet de charger un grand modèle ; elle ne garantit pas une réponse rapide.

5. Comment lire les 256 TOPS face au DGX Spark

Un TOPS représente mille milliards d’opérations par seconde. Pour comparer deux chiffres, il faut connaître le format des données, la manière de compter les opérations et les conditions nécessaires pour atteindre le débit annoncé.

Plateforme	Chiffre mis en avant	Condition déterminante
MaixStation / AX8860P	256 TOPS FP4	Calcul annoncé comme dense. [1][2]
NVIDIA DGX Spark	Jusqu’à 1 PFLOP FP4	La documentation NVIDIA précise l’utilisation de la sparsité. [4]

Un pétaFLOP correspond à mille téraFLOPS. Le problème n’est donc pas simplement l’écriture de l’unité : les conditions de calcul diffèrent.

Le calcul dense traite une matrice sans supposer qu’une partie de ses éléments peut être ignorée. L’accélération par sparsité exploite une structure particulière, souvent liée à la présence de valeurs nulles, pour éviter certaines opérations. Le bénéfice dépend de la compatibilité du modèle et des noyaux employés. [6]

Il serait trompeur de présenter le chiffre NVIDIA comme une performance disponible dans toutes les applications. Il serait tout aussi trompeur d’en déduire que la MaixStation est plus rapide dans tous les cas. Le rendement logiciel, les formats et le comportement mémoire doivent être mesurés ensemble.

6. Les performances publiées et ce qu’elles démontrent

Des résultats constructeur qui restent à reproduire

Dans son article original du 15 octobre, comprenant des informations obtenues auprès de Sipeed, Tom’s Hardware rapporte des gains revendiqués de 25 % en prefill et 30 % en decode face au DGX Spark sur un modèle Qwen de 27 milliards de paramètres. Il s’agit de chiffres du fabricant, pas d’une mesure indépendante de la rédaction. [3]

Le prefill traite le texte fourni avant la génération. Le decode produit ensuite les nouveaux tokens. Une machine peut exceller dans l’une de ces phases et être moins convaincante dans l’autre. Pour l’utilisateur, il faut également mesurer le délai avant le premier token, les pauses pendant la réponse et la latence totale. La documentation vLLM distingue ces différentes métriques. [9]

Un résultat comparable exige notamment :

• le même modèle et une quantification dont la qualité est vérifiée ;
• des longueurs identiques en entrée et en sortie ;
• le même nombre de requêtes simultanées ;
• des versions de logiciels et des limites de puissance documentées ;
• une déclaration de l’usage des caches et du décodage spéculatif.

Le décodage spéculatif peut faire valider plusieurs tokens proposés à l’avance. Le nombre de tokens générés par passage et les coûts associés changent alors : une comparaison avec un décodage strictement séquentiel demande un protocole explicite.

Les gains annoncés constituent une piste intéressante à tester. Ils ne permettent pas de classer globalement les deux machines.

7. Le logiciel sera décisif

Les frameworks annoncés et le travail des pilotes

AXERA annonce une prise en charge de vLLM, SGLang et PyTorch, ainsi qu’une interface de service compatible avec l’API OpenAI. La société décrit aussi une chaîne de quantification, conversion, compilation, profilage et débogage. [2]

Sipeed précise que son accélération vLLM/SGLang repose sur des noyaux écrits en AXDSL. Il annonce Debian 13 avec Linux 6.18 et présente aussi des intégrations llama.cpp et Ollama. La publication complète du SDK et son intégration en amont restent des travaux annoncés. [1]

Une liste de frameworks ne suffit pas à établir le niveau d’intégration. Les points déterminants sont la disponibilité des paquets, les modèles pris en charge, les opérateurs accélérés et la capacité à mettre à jour l’ensemble sans perdre cette compatibilité.

Un premier élément logiciel public et vérifiable

Le dépôt officiel AXERA-TECH/pulsar2-docs mentionne déjà AX8860 parmi les cibles de compilation. Il documente des choix de ressources NPU et des options de quantification et d’analyse de précision. [10]

Cette présence prouve l’existence d’une documentation technique pour la cible. Elle ne démontre pas, à elle seule, que chaque intégration annoncée pour la MaixStation est disponible, complète et utilisable sans adaptation.

Compatibilité d’API et compatibilité des modèles

Une API compatible permet à une application d’envoyer ses requêtes à un serveur local à travers un protocole connu. Elle ne lui donne pas accès aux modèles propriétaires du fournisseur dont elle reproduit l’interface. Les API peuvent aussi différer dans les fonctions effectivement prises en charge. La documentation vLLM détaille ces limites selon les interfaces et les modèles. [11]

Pour un assistant de programmation ou un agent, la qualité dépendra également de la gestion des appels d’outils, des sorties structurées, des longues conversations et du modèle installé. Une requête de chat réussie ne suffit pas à valider l’ensemble de ces usages.

8. Quels modèles et quels usages envisager

Sipeed présente notamment Qwen3.8-27B et Qwen3.8-Flash-Next 125B comme exemples d’utilisation. Ce sont des objectifs de prise en charge constructeur, à distinguer d’une liste de configurations validées indépendamment. [1]

Assistance documentaire et programmation

Un serveur local peut fournir une interface de conversation, rechercher dans des documents et servir plusieurs applications. Le traitement sur site peut réduire les transferts vers des services externes, à condition que toute la chaîne concernée reste locale.

Pour la recherche documentaire, le modèle de conversation n’est qu’un composant. Il faut aussi prévoir l’extraction des fichiers, l’indexation, les modèles d’embeddings et les traitements éventuels d’images ou d’audio.

Modèles à experts

Dans un modèle MoE, une partie seulement des experts participe à chaque étape. Le nombre total de paramètres détermine largement le stockage, tandis que les paramètres activés influencent le travail effectué pour produire chaque token. Le routage et la répartition des experts ajoutent leurs propres coûts.

Cette distinction explique pourquoi deux modèles portant un nombre total de paramètres très différent peuvent avoir des besoins de calcul moins éloignés qu’attendu. Elle empêche aussi de prévoir les performances à partir du seul nom du modèle.

Image, vidéo et robotique

AXERA positionne sa famille sur les modèles de langage, la vision et les applications multimodales. [2] Chaque usage doit néanmoins être évalué avec son propre logiciel et ses propres critères.

Pour la vidéo générative, il faut connaître le modèle, la résolution, la durée produite, le nombre d’étapes et le temps de calcul. Aucun de ces résultats ne se déduit d’un débit obtenu sur un modèle de texte. Pour la robotique, la latence de perception et de commande doit être mesurée avec les capteurs et les actionneurs réellement utilisés.

9. Format et consommation

Les dimensions annoncées donnent un volume externe calculé de :

11 cm × 11 cm × 3 cm = 363 cm³ = 0,363 litre

Cette compacité facilite le transport. Elle ne transforme pas la machine en ordinateur autonome avec écran et batterie intégrés. Le refroidissement doit en outre évacuer la chaleur dans un espace réduit : le bruit et la stabilité sur une charge prolongée font partie des essais encore nécessaires.

Ce que signifie une consommation de 40 W

La valeur de charge typique publiée par Sipeed n’est pas une limite maximale garantie, ni un relevé indépendant à la prise. À titre d’illustration, si une machine consommait réellement 40 W constants, son énergie serait :

Temps d’utilisation	Énergie calculée
1 heure	0,04 kWh
8 heures par jour pendant 30 jours	9,6 kWh
24 heures	0,96 kWh
Fonctionnement continu pendant 365 jours	350,4 kWh

Ces calculs ne prennent pas en compte une éventuelle différence entre consommation interne et consommation à la prise. Le coût s’obtient en multipliant l’énergie par le tarif de l’électricité applicable.

La durée de fonctionnement sur batterie dépend de sa capacité en wattheures, du rendement de conversion et de la charge réelle. La puissance maximale d’une batterie externe ne renseigne pas sur son autonomie.

10. Plusieurs déclinaisons et une mémoire distribuée

Le formulaire Sipeed distingue des projets MaixStation 32 Go, 128 Go, deux unités reliées, MaixStation Pro 512 Go et MaixBlade 512 Go à quatre puces. [12] AXERA annonce pour sa famille une interconnexion AXLink et la prise en charge du PCIe 5.0. [2]

Un ensemble de quatre puces disposant chacune de sa mémoire ne se comporte pas automatiquement comme une seule puce avec quatre fois plus de mémoire. Le logiciel doit répartir le modèle et échanger des données entre les composants.

Additionner les capacités donne une capacité totale installée. Cela ne préjuge ni de la mémoire disponible pour un processus, ni du débit utile entre puces, ni de l’efficacité du calcul distribué.

Le même raisonnement s’applique aux capacités de modèles mises en avant pour toute une gamme. D’après les calculs de stockage précédents, 552 milliards de paramètres représenteraient déjà 276 Go à quatre bits, avant les allocations supplémentaires. Une telle taille ne décrit donc pas un modèle entièrement résident, stocké uniformément à quatre bits, dans un seul boîtier de 128 Go.

11. Comparaison avec le NVIDIA DGX Spark

Le tableau porte sur le DGX Spark à 128 Go. Il oppose une machine Sipeed annoncée à une plateforme NVIDIA commercialisée et documentée ; il ne constitue pas un classement de performances.

Critère	MaixStation 128 Go	DGX Spark 128 Go
Puce	AXERA AX8860P	NVIDIA GB10 Grace Blackwell
Calcul spécialisé	Accélérateur NPU AXERA	GPU Blackwell et Tensor Cores
Mémoire	LPDDR5X, 128 Go	LPDDR5X unifiée, 128 Go
Bande passante annoncée	273 Go/s	273 Go/s
Calcul IA affiché	256 TOPS FP4 dense	Jusqu’à 1 PFLOP FP4 avec sparsité
Orientation	Inférence spécialisée et intégrations annoncées	Développement, inférence et adaptation de modèles dans l’écosystème NVIDIA
Distribution logicielle	Debian annoncée, pile accélérée à consolider	DGX OS et logiciels NVIDIA documentés
État du produit	Avant commercialisation générale	Commercialisé

Sources : Sipeed, AXERA et documentation NVIDIA. [1][2][4][5]

La consommation doit être comparée à travail égal

NVIDIA indique un TDP de 140 W pour le SoC GB10 et une alimentation de 240 W. [4] Le TDP de la puce, la puissance nominale de l’alimentation et une consommation typique de système correspondent à trois notions différentes.

Comparer directement ces chiffres aux 40 W de Sipeed ne donne pas un rapport d’efficacité. Une comparaison utile mesurera l’énergie nécessaire pour traiter le même travail, à qualité et latence comparables.

L’interconnexion demande un protocole distinct

Le DGX Spark dispose d’une interface ConnectX-7 annoncée à 200 Gb/s, en plus du réseau 10 GbE. [5] Une liaison réseau à 10 Gb/s représente au maximum 1,25 Go/s brut : elle ne remplace pas les centaines de gigaoctets par seconde d’un accès mémoire local.

Dans un cluster, le type de découpage du modèle et la fréquence des échanges peuvent donc compter davantage que l’addition des TOPS. L’intérêt de chaque solution dépendra des mesures obtenues avec une topologie et un modèle clairement définis.

Deux priorités différentes

La MaixStation cherche à rendre attrayante une machine spécialisée et compacte. Le DGX Spark donne accès à une plateforme disposant d’outils de développement, de bibliothèques et de procédures de déploiement NVIDIA. Ces priorités peuvent conduire à des choix différents selon que l’on veut servir quelques modèles connus ou explorer de nombreux logiciels.

12. Prix et calendrier

Un prix visé plutôt qu’un tarif final livré

Tom’s Hardware rapporte que Sipeed vise environ 3 999 dollars pour la version 128 Go, avec des offres de lancement envisagées. Le même entretien évoque une campagne en fin d’année et des expéditions dans les trois mois suivant sa clôture. Ces éléments restent des objectifs, à confirmer dans les conditions commerciales finales. [3]

Une comparaison de prix devra identifier la configuration exacte, le stockage fourni, la livraison, les taxes et le support. Un montant annoncé en dollars ne constitue pas un prix livré en France.

La réservation ne vaut pas disponibilité

Sipeed annonce une campagne Kickstarter pour fin 2026. [1] Au moment de la consultation, sa page de réservation comporte une mention explicite de démonstration, indiquant qu’aucun paiement ni courriel n’est réellement déclenché dans cet aperçu. [12]

Cette page ne permet donc pas d’affirmer que des précommandes payantes sont ouvertes ou que des machines sont disponibles en stock.

Les conditions préparées par Sipeed prévoient des frais de réservation de 30 dollars ouvrant droit, sous conditions, à un remboursement de 100 dollars après livraison. Elles précisent que ces frais ne constituent pas un achat. Une fois le code utilisé, les frais correspondants ne sont plus remboursables. [13]

Dans ce scénario, l’avantage net est de 70 dollars, avant effets de change ou frais éventuels : 100 dollars reçus moins 30 dollars versés. La présentation commerciale d’une réduction de 100 dollars doit être lue avec ce mécanisme.

13. À qui cette catégorie de machine pourrait convenir

Besoin	Intérêt potentiel	Élément décisif à vérifier
Assistant local sur un ensemble de modèles connu	Installation compacte et service sur site	Modèles et fonctions réellement accélérés
Traitement de documents	Centralisation de la conversation et de la recherche	Chaîne complète d’extraction, d’indexation et de génération
Développement d’agents	Serveur local accessible par API	Appels d’outils, contexte et fiabilité des réponses
Laboratoire ou enseignement	Exploration d’une architecture différente	Documentation, reproductibilité et support
Applications multimodales	Accélération spécialisée possible	Compatibilité des opérations et performances du modèle choisi
Usages graphiques généralistes	Intérêt impossible à établir avec les données IA seules	Pilotes et prise en charge des logiciels concernés

L’achat d’une telle station se raisonne à partir d’un besoin logiciel identifié, puis de mesures réalisées sur ce besoin. Le nombre de paramètres chargé ou le débit de pointe ne remplacent pas ce travail de validation.

14. Les informations qui manquent pour conclure

Les sources publiques consultées laissent encore plusieurs points importants à documenter :

• une fiche finale des configurations, du stockage et des interfaces ;
• des tests indépendants avec commandes, modèles et versions reproductibles ;
• une liste des modèles validés, de leurs quantifications et des contextes supportés ;
• des mesures électriques à la prise, de bruit et de stabilité prolongée ;
• les performances multiutilisateurs et l’efficacité des configurations distribuées ;
• la disponibilité des pilotes, des paquets et du code annoncé ;
• le prix final, les dates de livraison et les modalités de garantie.

Ces informations permettront de distinguer une démonstration réussie d’une plateforme facile à utiliser au quotidien.

Conclusion

La MaixStation est une proposition crédible à examiner dans le marché de l’IA locale compacte. Son architecture met l’accent sur la mémoire et l’accélération spécialisée plutôt que sur la seule puissance maximale affichée. Elle illustre la possibilité de développer d’autres voies que le GPU traditionnel pour servir de grands modèles.

L’enjeu est désormais de transformer ces caractéristiques en une expérience complète : installer un modèle, obtenir des réponses de qualité, maintenir une bonne latence et mettre à jour la machine sans fragiliser sa compatibilité.

Le matériel annoncé justifie l’intérêt. Les essais indépendants et la livraison du logiciel détermineront la valeur réelle du produit face au DGX Spark.

Sources

Sources consultées le 18 octobre 2026. Les documents des fabricants établissent leurs annonces ; ils ne valent pas validation indépendante des performances.

1. Sipeed — MaixStation, présentation et FAQ. Caractéristiques du boîtier, architecture annoncée, intégrations et calendrier. https://sipeed.com/maixstation/
2. AXERA — annonce officielle de la famille AX8860, 13 octobre 2026. Mémoire, calcul, gravure, interconnexion et outils. Publication en chinois. https://axera-tech.com/en/node/3291
3. Tom’s Hardware — article original comprenant des informations obtenues auprès de Sipeed, 15 octobre 2026. Prix visé, configuration CPU décrite, calendrier et résultats revendiqués. Il ne s’agit pas d’un test indépendant de la MaixStation. https://www.tomshardware.com/desktops/mini-pcs/sipeed-reveals-chinese-made-dgx-spark-and-ryzen-ai-halo-rival-expected-to-cost-usd3-999-maixstation-pairs-axeras-ax8860p-with-128gb-of-lpddr5x-at-273-gb-s-with-promising-local-ai-performance-claims
4. NVIDIA — DGX Spark Hardware Overview. Matériel, précision FP4 avec sparsité et alimentation. https://docs.nvidia.com/dgx/dgx-spark/hardware.html
5. NVIDIA — page produit DGX Spark. Spécifications, logiciels et connectivité. https://www.nvidia.com/en-us/products/workstations/dgx-spark/
6. NVIDIA — Accelerating Inference with Sparsity. Explication du calcul avec sparsité structurée ; document de référence sur le mécanisme, pas un benchmark du GB10. https://developer.nvidia.com/blog/accelerating-inference-with-sparsity-using-ampere-and-tensorrt/
7. NVIDIA — TensorRT Working with Quantized Types. Formats de précision réduite et empreinte mémoire. https://docs.nvidia.com/deeplearning/tensorrt/latest/inference-library/work-with-quantized-types.html
8. Hugging Face — Cache strategies. Cache KV et compromis mémoire/performance. https://huggingface.co/docs/transformers/kv_cache
9. vLLM — Production Metrics. Mesures de latence, de génération et d’utilisation. https://docs.vllm.ai/en/latest/usage/metrics/
10. AXERA-TECH — documentation publique Pulsar2. Présence de la cible AX8860 et options de compilation. https://github.com/AXERA-TECH/pulsar2-docs/blob/main/source/user_guides_advanced/advanced_build_guides.md
11. vLLM — OpenAI-Compatible Server. Fonctions et limites de l’interface de service. https://docs.vllm.ai/en/latest/serving/online_serving/openai_compatible_server/
12. Sipeed — page de réservation MaixStation. Déclinaisons envisagées et statut de démonstration affiché. https://sipeed.com/maixstation/reserve.html
13. Sipeed — Reservation Terms, version 2026-10-15b. Nature des frais de réservation et conditions de réduction. https://sipeed.com/maixstation/terms.html