11月6日，淘宝旗下MNN团队发布MNN-Pocket-0.3B模型，面向手机应用的任务需求与资源预算，在有限算力、内存和能耗下兼顾任务能力、响应速度与持续运行体验。团队将手机应用原生大模型落实为速度、内存、功耗、能力四个维度的设计目标：指定设备与上下文配置下解码吞吐超过200token/s，峰值内存低于300MB，典型推理负载下单次推理增量能耗不超过参考手机电池能量的万分之一，并以在指定业务场景上达到8B级模型效果为目标。

MNN团队从零设计并训练了这个约3亿参数、重点支持中英文的轻量语言模型，将模型结构、词表、训练数据、预训练与后训练方法以及量化和推理引擎纳入协同优化。实测方面，模型在苹果iPhone18Pro上通过MNN推理引擎完全离线运行，平均解码速度约350token/s；INT4部署文件体积仅173MB。在iPadProM5、Metal后端、512token配置下，其峰值Metal驻留内存相对基线增加228MB，而同测试中Qwen3-0.6B部署体积为340MB、峰值内存增量427MB，相比之下部署体积减少约49%，峰值内存增量减少约47%。在iPadProM5/Metal同配置下，其Prefill吞吐达8721token/s，Decode吞吐达466token/s，约为Qwen3-0.6B的1.63倍；在骁龙8Gen5的CPU后端，Decode吞吐达251token/s。

架构选型上，团队构建了覆盖约50M至1.3B参数的稠密模型配置进行测试，约300M是同时满足峰值内存低于300MB、解码吞吐高于200token/s两项约束的最大候选规模，最终采用28层结构并结合分组查询注意力等配置。词表方面，基于Qwen3分词器将词表从约151K精简至64K，词条数量缩减约57%。能耗方面，在一加13（骁龙8至尊版）上以CPU4线程、输入1024输出128的基准负载测试，三轮折算平均增量能耗约2.7J/轮，以6000mAh电池容量计算，执行100次同等负载任务累计增量能耗约占电池总电量的0.3%。能力评测中，其英文IFEval得分73.20，中文指令遵循IFEval-zh得分74.59，在所列比较模型中均取得最高分；覆盖中英文知识、推理、数学、代码与指令遵循的11项评测平均得分50.00，高于报告列出的同规模模型及MiniCPM4-0.5B、Qwen3-0.6B等更大规模对比模型，其中中文数学MGSM-zh得分51.20，代码生成HumanEval得分53.66。团队同时开源了Base、SFT、通用指令、MNNW4A16QAT端侧部署、DFlash2投机解码草稿及Dec等多个版本，供研究者与开发者继续训练、评测和构建应用。