在模型规模方面，Maple-Preview 的总参数量为 202 亿个，采用混合专家架构，激活参数量为 14.9 亿个。

　　DeepGrove 表示，目前 AI 行业针对本地端侧主要依赖量化技术，但这种方式存在根本性问题，严重影响模型的性能和效率。

　　DeepGrove 公司提出“三值权重”方案，将权重约束并量化为三值，大幅降低了内存占用与计算带宽需求，该模型包含 24 层、256 个专家，并采用 3:1 SWA-512:GA 混合注意力机制。

　　在长上下文场景下，Maple-Preview 也强调内存控制能力。相关图表把 context length与维持上下文所需的额外内存占用放在同一坐标系中。结果显示，即便处理 131,000 tokens，Maple-Preview 的内存占用仍只有 7.69GB。

　　DeepGrove 表示，Maple-Preview 目前仍处于 preview stage，后续还会继续改进。公司同时希望构建一套系统，让 AI 模型能根据对话内容自动调整，并针对单个用户做优化。