Smartfony zdolne do obsługi GenAI mają w 2026 roku osiągnąć 45% globalnych wysyłek, wobec 36% rok wcześniej (Counterpoint Research, GenAI Smartphone Share Forecast 2026), a niemal wszystkie z nich opierają się na małym modelu językowym działającym lokalnie na jednostce przetwarzania neuronowego. Same modele skurczyły się, by się zmieścić: bazowy model Apple na urządzeniu mieści około 3 mld parametrów w 2 bitach na wagę (Apple Machine Learning Research, Foundation Models 2025 Updates), a Gemma 3n E2B od Google działa w zaledwie 2 GB pamięci (Google Developers Blog, Gemma 3n Developer Guide 2025). Krzem rozwija się równie szybko: Qualcomm deklaruje do 220 tokenów na sekundę na swoim najnowszym NPU Hexagon. Zebraliśmy dane z Counterpoint Research, Gartnera, IDC, MLCommons, Apple, Google, Qualcomm, MediaTek, Meta, Microsoft, Deloitte i Samsunga, aby pokazać, gdzie w 2026 roku znajdują się małe modele językowe na urządzeniu. Szerszy obraz sprzętu znajdziesz w naszym zestawieniu statystyk edge AI.
TL;DR
- 45% smartfonów wysłanych w 2026 roku będzie zdolnych do obsługi GenAI, wobec 36% w 2025 roku (Counterpoint Research, 2026)
- 559 mln smartfonów GenAI prognozowanych na 2026 rok, po 369,3 mln w 2025 roku (Gartner, GenAI Smartphone Forecast 2025)
- 393,3 mld USD prognozowanych wydatków użytkowników końcowych na smartfony GenAI w 2026 roku, wzrost o 32% (Gartner, 2025)
- Około 3 mld parametrów w 2 bitach na wagę napędza model Apple na urządzeniu (Apple Machine Learning Research, 2025)
- 2 GB i 3 GB zajętej pamięci dla Gemma 3n E2B i E4B (Google Developers Blog, 2025)
- O 56% mniejsze i o 41% mniej pamięci dla skwantyzowanych modeli Llama 3.2 1B i 3B (Meta AI, 2024)
- Do 220 tokenów na sekundę na NPU Hexagon w Snapdragon 8 Elite Gen 5, o 37% szybciej niż w poprzedniej generacji (Qualcomm, 2025)
- Gemini Nano 2,6 raza szybszy i 2 razy bardziej efektywny na Tensor G5 niż na Tensor G4 (Google, 2025)
- 3 rozmiary modeli Llama (1B, 3B, 8B) w nowym teście LLM MLPerf Mobile v6.0 (MLCommons, 2026)
- Mniej więcej czterokrotny wzrost cen pamięci mobilnej do drugiego kwartału 2026 roku (Counterpoint Research, 2026)
- Prognozowany spadek wysyłek smartfonów w 2026 roku o 13,9% do 1,08 mld sztuk z powodu ograniczeń pamięci (Counterpoint Research, 2026)
- Ponad 70% użytkowników Galaxy S25 aktywnie korzysta z wbudowanych funkcji AI (Samsung, 2025)
1. Wysyłki smartfonów GenAI: zainstalowana baza dla małych modeli językowych na urządzeniu
Każdy smartfon GenAI jest z definicji gospodarzem małego modelu językowego: Gartner definiuje tę kategorię jako urządzenia z wbudowanym silnikiem neuronowym lub NPU zdolnym do uruchamiania SLM. Dlatego prognozy wysyłek są najczystszym wskaźnikiem tego, ile urządzeń potrafi uruchomić model lokalnie. Counterpoint spodziewa się obecnie, że 45% wszystkich smartfonów wysłanych w 2026 roku będzie zdolnych do obsługi GenAI, a w 2027 roku 52% (Counterpoint Research, GenAI Smartphone Share to Rise to 45% in 2026).
Za tą krzywą stoi średnia półka. Counterpoint twierdzi, że GenAI jest obecnie standardem powyżej 400 USD w cenach hurtowych. Ograniczenie przesunęło się z pytania “czy układ potrafi uruchomić model” do pytania “czy lista materiałów zniesie koszt pamięci”, co kwantyfikuje sekcja 6. Szerszy kontekst rynku telefonów znajdziesz na stronie statystyk rynku smartfonów, która omawia łączne wolumeny według producentów.
| Metryka | Wartość | Źródło |
|---|---|---|
| Udział smartfonów zdolnych do obsługi GenAI w globalnych wysyłkach, 2026 | 45% (wzrost z 36% w 2025) | Counterpoint Research, czerwiec 2026 |
| Prognoza udziału smartfonów zdolnych do obsługi GenAI, 2027 | 52% | Counterpoint Research, czerwiec 2026 |
| Wysyłki smartfonów GenAI, prognoza na 2025 | ponad 400 mln, około jeden na trzy telefony | Counterpoint Research, marzec 2025 |
| Udział smartfonów zdolnych do obsługi GenAI w 2024 | jeden na pięć smartfonów | Counterpoint Research, marzec 2025 |
| Smartfony GenAI, 2024 / 2025 / 2026 | 260,4 mln / 369,3 mln / 559 mln | Gartner, GenAI Smartphone Forecast, wrzesień 2025 |
| Wysyłki smartfonów GenAI, 2025 | ponad 370 mln (30% udziału), wzrost o 73,1% | IDC Worldwide Smartphone Forecast, 2025 |
| Wysyłki smartfonów GenAI, 2028 | 912 mln sztuk, CAGR 78,4% | IDC, Generative AI Smartphone Forecast, lipiec 2024 |
Uwaga o kontekście: te trzy firmy stosują różne definicje i daty. Komunikat IDC z lipca 2024 roku (komunikat prasowy IDC) prognozował, że telefony GenAI osiągną 70% rynku do 2028 roku, podczas gdy jej prognoza z 2025 roku przesunęła próg “ponad 70%” na 2029 rok. Najnowsze długoterminowe dane IDC pochodzą z lipca 2024 roku.
2. Wydatki i wielkość rynku: duże pieniądze na sprzęt, małe przychody z modeli
Ten rynek opisują dwie bardzo różne liczby. Sprzęt uruchamiający SLM to masowa kategoria konsumencka, natomiast rynek samych modeli jest wciąż mały i słabo zdefiniowany. Gartner prognozuje 393,3 mld USD wydatków użytkowników końcowych na smartfony GenAI w 2026 roku, o 32% więcej niż 298,2 mld USD w 2025 roku (Gartner, komunikat prasowy o wydatkach użytkowników końcowych na smartfony GenAI, 2025).
Po stronie oprogramowania szacunki analityków dotyczące rynku małych modeli językowych różnią się o rząd wielkości, co mówi więcej o definicjach niż o popycie. MarketsandMarkets szacuje rok 2025 na 0,93 mld USD, a Research and Markets na około 9,16 mld USD. Wspólny wniosek: każda firma wskazuje wdrożenia brzegowe i na urządzeniu jako najszybciej rosnący segment.
| Metryka | Wartość | Źródło |
|---|---|---|
| Wydatki użytkowników końcowych na smartfony GenAI, 2024 / 2025 / 2026 | 244,7 mld USD / 298,2 mld USD / 393,3 mld USD | Gartner, wrzesień 2025 |
| Udział smartfonów GenAI w całkowitych wydatkach użytkowników końcowych na AI, 2025 | 20% | Gartner, wrzesień 2025 |
| Podstawowe smartfony GenAI (poniżej 350 USD) z NPU, 2025 | 41% | Gartner, wrzesień 2025 |
| Smartfony premium z obsługą GenAI do 2029 roku | 100% | Gartner, wrzesień 2025 |
| Rynek małych modeli językowych, 2025 do 2032 | od 0,93 mld USD do 5,45 mld USD, CAGR 28,7% | MarketsandMarkets, kwiecień 2025 |
| Rynek małych modeli językowych, 2025 do 2030 | od 9,16 mld USD do 22,45 mld USD, CAGR 19,6% | Research and Markets, raport o rynku SLM 2026 |
| Rynek małych modeli językowych, 2026 do 2030 | od 11,1 mld USD do 20,7 mld USD, CAGR 15,1% | Grand View Research, raport o rynku SLM |
Komunikat MarketsandMarkets (GlobeNewswire, kwiecień 2025) wymienia wdrożenia brzegowe jako najszybciej rosnący segment, napędzany wymaganiami dotyczącymi opóźnień i prywatności w smartfonach i urządzeniach IoT.
3. Rozmiar modelu i kompresja: 3 mld parametrów w 2 bitach
Praktyczny pułap dla modelu rezydującego w telefonie wyznacza pamięć RAM, a nie ambicje. Modele trafiające na rynek skupiają się między 1 a 4 mld parametrów, a prawdziwa inżynieria polega na tym, jak mało bitów przypada na każdą wagę. Apple kompresuje swój model na urządzeniu o około 3 mld parametrów do 2 bitów na wagę za pomocą treningu uwzględniającego kwantyzację, z 4-bitowymi osadzeniami i 8-bitową pamięcią podręczną KV (Apple Machine Learning Research, Updates to Apple’s On-Device and Server Foundation Language Models 2025).
To ostry spadek względem 2024 roku, gdy model Apple miał średnio 3,7 bita na wagę. Google wybrało z Gemma 3n inną drogę: zachowało więcej surowych parametrów, ale osadzenia poszczególnych warstw trzyma poza pamięcią akceleratora, tak że w szybkiej pamięci znajduje się tylko około 2B lub 4B “efektywnych” parametrów (Google Developers Blog, Introducing Gemma 3n 2025). Kompresja kosztuje niewiele dokładności na tych poziomach: Apple podaje poprawę MMLU o 1,5% i spadek MGSM o około 4,6% po kompresji.
| Metryka | Wartość | Źródło |
|---|---|---|
| Rozmiar modelu Apple na urządzeniu | około 3 mld parametrów | Apple Machine Learning Research, 2025 |
| Precyzja wag modelu Apple na urządzeniu | 2 bity na wagę (QAT); osadzenia 4-bitowe; pamięć podręczna KV 8-bitowa | Apple Machine Learning Research, 2025 |
| Redukcja pamięci podręcznej KV Apple dzięki współdzieleniu bloków | 37,5% | Apple Intelligence Foundation Language Models Tech Report, 2025 |
| Precyzja modelu Apple na urządzeniu w 2024 | mieszana 2-bitowa i 4-bitowa, średnio 3,7 bita na wagę | Apple Machine Learning Research, 2024 |
| Surowe parametry Gemma 3n E2B / E4B | 5 mld / 8 mld | Google Developers Blog, 2025 |
| Zajęta pamięć Gemma 3n E2B / E4B | zaledwie 2 GB / 3 GB | Google Developers Blog, 2025 |
| Rozmiar i redukcja pamięci skwantyzowanych Llama 3.2 1B i 3B względem BF16 | o 56% mniejsze, o 41% mniej pamięci | Meta AI, Quantized Llama Models, październik 2024 |
| Rozmiar i kwantyzacja Phi Silica | 3,3 mld parametrów, wagi 4-bitowe, redukcja pamięci o około 60% | Microsoft Windows Blog, grudzień 2024 |
Uwaga o kontekście: wydanie skwantyzowanej Llama od Meta (blog Meta AI) i wpis Microsoftu o Phi Silica (Windows Experience Blog) pochodzą z końca 2024 roku. Najnowsze dostępne dane dla obu to rok 2024. Akademickie badanie na laptopach dodaje przydatną regułę kciuka: około 3,5 efektywnego bita na wagę to punkt, w którym mocno skwantyzowany większy model zaczyna pokonywać mniejszy model o wyższej precyzji (arXiv 2505.15030, A Systematic Evaluation of On-Device LLMs).
4. Przepustowość NPU: tokeny na sekundę na flagowych układach
Deklaracje przepustowości pochodzą od producentów i są mierzone na różnych modelach, więc traktuj je jako pułapy, a nie porównywalne wyniki. Mimo to kierunek jest jednoznaczny. Qualcomm podaje, że NPU Hexagon w Snapdragon 8 Elite Gen 5 jest o 37% szybszy od poprzednika i utrzymuje do 220 tokenów na sekundę, z obsługą INT2 i FP8 (Qualcomm, premiera Snapdragon 8 Elite Gen 5, wrzesień 2025; dane potwierdza Futurum Group).
Bardziej wymowne są liczby dla wczytywania promptu i generowania. Czytanie promptu jest na NPU tanie, a generowanie każdego kolejnego tokenu jest ograniczone przepustowością pamięci. Gemma 3n E2B na NPU Dimensity 9500 czyta ponad 1600 tokenów na sekundę, ale zapisuje 28, dlatego każdy producent walczy o przepustowość i formaty o niższej precyzji. Ta różnica ma znaczenie dla funkcji głosowych i asystentów w czasie rzeczywistym, gdzie szybka pierwsza odpowiedź maskuje powolny ogon; nasze statystyki asystentów głosowych pokazują, jak to wygląda w użyciu.
| Metryka | Wartość | Źródło |
|---|---|---|
| Przyrost wydajności NPU Snapdragon 8 Elite Gen 5 | o 37% szybciej niż poprzednia generacja | Qualcomm, wrzesień 2025 |
| Ciągłe generowanie Snapdragon 8 Elite Gen 5 | do 220 tokenów na sekundę | Qualcomm, wrzesień 2025 |
| Ogólna oszczędność energii SoC Snapdragon 8 Elite Gen 5 | 16% | Analiza Futurum Group danych Qualcomm, październik 2025 |
| Wyjście LLM 3 mld parametrów na Dimensity 9500 | 2 razy szybciej (100%), przy o 56% niższej mocy szczytowej | Premiera MediaTek Dimensity 9500, wrzesień 2025 |
| Gemma 3n E2B na NPU Dimensity 9500 (kontekst 4K) | ponad 1600 tokenów/s przy wczytywaniu promptu, 28 tokenów/s przy generowaniu | Wyniki Google LiteRT NeuroPilot, grudzień 2025 |
| Przepustowość NPU LiteRT względem CPU / GPU w MediaTek | do 12 razy więcej niż CPU, 10 razy więcej niż GPU | Wyniki Google LiteRT NeuroPilot, grudzień 2025 |
| Gemini Nano na Tensor G5 względem Tensor G4 | 2,6 raza szybciej, 2 razy bardziej efektywnie; TPU do 60% mocniejszy | Google, zapowiedź Pixel 10 Tensor G5, sierpień 2025 |
| Model Apple na urządzeniu (iPhone 15 Pro) | 0,6 ms na token promptu do pierwszego tokenu; 30 tokenów/s | Apple Machine Learning Research, 2024 |
Dane MediaTek pochodzą z komunikatu o premierze (MediaTek przez PR Newswire); deklaracje Google dotyczące Tensor G5 pochodzą z wpisu o Pixel 10 Tensor G5. Wynik Apple w tokenach na sekundę jest najnowszym, jaki firma opublikowała: z 2024 roku.
5. Benchmarki i jakość: MLPerf Mobile wkracza w erę LLM
Do 2026 roku nie istniała neutralna miara dla LLM w telefonach; każda liczba w sekcji 4 pochodzi od samego producenta. MLPerf Mobile v6.0, wydany przez MLCommons 15 czerwca 2026 roku, dodaje benchmarki LLM oparte na Llama 3.2 1B, Llama 3.2 3B i Llama 3.1 8B, oceniane w TinyMMLU i IFEval (MLCommons, MLPerf Mobile v6.0).
Najważniejsze jest uwzględnienie modelu 8B: MLCommons zauważa, że v6.0 obsługuje przyspieszane przez NPU wykonywanie Llama 3.1 8B na Snapdragon 8 Elite Gen 5, a taki rozmiar rok wcześniej był benchmarkiem dla centrów danych. Pod względem jakości małe modele są dziś blisko większych odpowiedników w testach wiedzy. Model Apple 3B na urządzeniu uzyskuje 67,85% w MMLU, nieznacznie wyprzedzając Qwen-2.5-3B, a Phi Silica traci mniej niż punkt w PIQA po kwantyzacji do 4 bitów. O rodzinach modeli z otwartymi wagami stojących za wieloma z tych benchmarków przeczytasz w naszych statystykach open-source LLM.
| Metryka | Wartość | Źródło |
|---|---|---|
| Modele LLM w MLPerf Mobile v6.0 | Llama 3.2 1B, Llama 3.2 3B, Llama 3.1 8B | MLCommons, czerwiec 2026 |
| SoC z nowym lub zaktualizowanym wsparciem w v6.0 | Snapdragon 8 Elite Gen 5, Dimensity 9500, Exynos 2600 | MLCommons, czerwiec 2026 |
| Referencyjna jakość MLPerf Mobile, Llama 3.1 8B | TinyMMLU około 61%, IFEval około 67% (FP16) | MLCommons, strona benchmarku MLPerf Mobile |
| Referencyjna jakość MLPerf Mobile, Llama 3.2 3B | TinyMMLU około 59%, IFEval około 65,5% (FP16) | MLCommons, strona benchmarku MLPerf Mobile |
| Interaktywne limity małych LLM w MLPerf Inference 5.1 (Llama 3.1 8B) | pierwszy token w 0,5 s, 30 ms na token wyjściowy | MLCommons, wrzesień 2025 |
| MMLU modelu Apple na urządzeniu | 67,85% wobec 66,37% Qwen-2.5-3B i 62,81% Gemma-3-4B | Apple Foundation Models Tech Report, 2025 |
| Dokładność Phi Silica po kwantyzacji do 4 bitów | PIQA z 80,47% do 79,76%; ARC Challenge z 63,48% do 60,49% | Microsoft Windows Blog, grudzień 2024 |
| Wynik Gemma 3n E4B w LMArena | ponad 1300 | Google Developers Blog, 2025 |
Uwaga o kontekście: strona benchmarku MLPerf Mobile (MLCommons) używa jako głównej metryki dla zadań jednostrumieniowych opóźnienia w 90. percentylu. Publiczne wyniki LLM z v6.0 na poziomie urządzeń nie zostały opublikowane w przejrzanym przez nas komunikacie o wydaniu. Wyniki Apple pochodzą z raportu technicznego z 2025 roku na arXiv.
6. Ograniczenia pamięci i kosztów: ucisk na DRAM
Największym zagrożeniem dla SLM na urządzeniu w 2026 roku nie jest jakość modeli, lecz cena pamięci RAM, w której mieszkają. Counterpoint podaje, że ceny pamięci mobilnej wzrosły mniej więcej czterokrotnie do drugiego kwartału 2026 roku, ponieważ centra danych AI pochłonęły większość produkcji DRAM i NAND (Counterpoint Research, Mobile Memory Cost Hikes, wrzesień 2026).
Zwróć uwagę, jak prognoza pogarszała się w ciągu sześciu miesięcy: spadek wysyłek o 2,1% w grudniu 2025 roku, 12,4% w marcu 2026 roku i 13,9% w czerwcu. Model 3B w 2 bitach potrzebuje na wagi znacznie poniżej gigabajta, ale kilkugigabajtowy zapas RAM, jakiego oczekują funkcje GenAI, to dokładnie to, co budżetowe telefony teraz tną. To wyjaśnia, dlaczego Counterpoint wiąże następną falę telefonów GenAI zarówno z podażą pamięci, jak i z bardziej efektywnymi modelami.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zmiana cen pamięci mobilnej do drugiego kwartału 2026 | mniej więcej czterokrotna | Counterpoint Research, wrzesień 2026 |
| Cena mobilnej pamięci LPDDR4/5 w drugim kwartale 2026 względem trzeciego kwartału 2025 | prawie 3 razy wyższa | Counterpoint Research, za EE Times Asia, marzec 2026 |
| Wzrost kosztu listy materiałów (BoM) przez skok cen DRAM, segment niski / średni / wysoki | około 25% / 15% / 10% | Counterpoint Research, grudzień 2025 |
| Rewizja hurtowej średniej ceny sprzedaży (ASP), 2026 | wzrost o 6,9% rok do roku | Counterpoint Research, grudzień 2025 |
| Prognoza wysyłek smartfonów na 2026, grudzień 2025 / marzec 2026 / czerwiec 2026 | -2,1% / -12,4% / -13,9% | Counterpoint Research |
| Globalne wysyłki smartfonów w 2026 | 1,08 mld sztuk, najmniej w historii pomiarów | Counterpoint Research, czerwiec 2026 |
| Wysyłki w segmencie poniżej 200 USD, 2026 | spadek o ponad 20% | Counterpoint Research, za EE Times Asia, marzec 2026 |
Źródła: Counterpoint, 2026 Smartphone Shipment Forecasts Revised Down oraz EE Times Asia o rewizji z marca 2026. Gartner dodaje dolną granicę sprzętową: spodziewa się, że NPU powyżej 40 TOPS staną się standardem w telefonach premium do 2027 roku.
7. Adopcja, użycie i zaufanie: deweloperzy i konsumenci
Dystrybucja nie jest już wąskim gardłem. Apple otworzyło swój model na urządzeniu dla aplikacji firm trzecich przez framework Foundation Models, z darmową inferencją działającą offline i wymagającą zaledwie trzech linii kodu w Swift (Apple Newsroom, WWDC25). Samsung twierdzi, że ponad 70% użytkowników Galaxy S25 aktywnie korzysta z wbudowanych funkcji AI, a Galaxy AI miało trafić na ponad 400 mln urządzeń do końca 2025 roku, czyli dwukrotnie więcej niż cel 200 mln na 2024 rok (Samsung Newsroom, Galaxy Tech Forum 2025).
Zaufanie jest przeciwwagą i najsilniejszym argumentem za zachowaniem inferencji lokalnie. Deloitte ustaliło, że 70% konsumentów w USA obawia się o prywatność i bezpieczeństwo danych, a tylko 27% ma wysoką pewność, że ich dane są chronione. SLM na urządzeniu odpowiadają na tę obawę z założenia, dlatego przetwarzanie lokalne ma znaczenie także dla narzędzi głosowych, takich jak zmieniacz głosu w czasie rzeczywistym dla Discorda, gdzie dźwięk nigdy nie musi opuszczać komputera.
| Metryka | Wartość | Źródło |
|---|---|---|
| Użytkownicy Galaxy S25 aktywnie korzystający z wbudowanej AI | ponad 70% | Samsung, lipiec 2025 |
| Cel liczby urządzeń z Galaxy AI, koniec 2025 | ponad 400 mln (wobec 200 mln w 2024) | Samsung, lipiec 2025 |
| Użytkownicy, według których funkcje AI są częścią codziennej rutyny | 47% | Badanie Samsung / Symmetry Research, 2025 |
| Użytkownicy, którzy używają poleceń głosowych tak często jak pisania | 45% | Badanie Samsung / Symmetry Research, 2025 |
| Konsumenci planujący zakup smartfona GenAI w ciągu roku | 59% | Badanie konsumenckie Counterpoint Research, grudzień 2024 |
| Konsumenci w USA, którzy używają GenAI lub z nią eksperymentują | 53% | Deloitte Connected Consumer Survey 2025 (n=3524) |
| Konsumenci w USA obawiający się o prywatność i bezpieczeństwo danych | 70% | Deloitte Connected Consumer Survey 2025 |
| Konsumenci z wysoką pewnością, że ich dane są chronione | 27% | Deloitte Connected Consumer Survey 2025 |
Szczegóły badań: komunikat prasowy Deloitte 2025 Connected Consumer oraz badanie Counterpoint o zamiarach wymiany telefonu. Badanie Counterpoint pochodzi z grudnia 2024 roku i są to najnowsze dostępne dane tej firmy o zamiarach wymiany telefonu.
Podsumowanie: małe modele językowe na urządzeniu w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Udział smartfonów zdolnych do obsługi GenAI w wysyłkach, 2026 | 45% | Counterpoint Research, 2026 |
| Udział smartfonów zdolnych do obsługi GenAI, 2027 | 52% | Counterpoint Research, 2026 |
| Smartfony GenAI, 2026 | 559 mln | Gartner, 2025 |
| Wydatki użytkowników końcowych na smartfony GenAI, 2026 | 393,3 mld USD (+32%) | Gartner, 2025 |
| Wysyłki smartfonów GenAI, 2028 | 912 mln | IDC, 2024 |
| Rynek małych modeli językowych, 2032 | 5,45 mld USD (CAGR 28,7%) | MarketsandMarkets, 2025 |
| Model Apple na urządzeniu | około 3 mld parametrów w 2 bitach na wagę | Apple Machine Learning Research, 2025 |
| Redukcja pamięci podręcznej KV Apple | 37,5% | Apple Tech Report, 2025 |
| Zajęta pamięć Gemma 3n E2B | zaledwie 2 GB | Google Developers Blog, 2025 |
| Rozmiar / redukcja pamięci skwantyzowanej Llama 3.2 | 56% / 41% | Meta AI, 2024 |
| NPU Snapdragon 8 Elite Gen 5 | do 220 tokenów/s, o 37% szybciej | Qualcomm, 2025 |
| Wyjście LLM 3B na Dimensity 9500 | 2 razy szybciej, o 56% niższa moc szczytowa | MediaTek, 2025 |
| Gemma 3n E2B na NPU Dimensity 9500 | ponad 1600 tokenów/s przy wczytywaniu promptu, 28 tokenów/s przy generowaniu | Google LiteRT, 2025 |
| Gemini Nano na Tensor G5 | 2,6 raza szybciej, 2 razy bardziej efektywnie | Google, 2025 |
| Rozmiary LLM w MLPerf Mobile v6.0 | 1B, 3B, 8B | MLCommons, 2026 |
| Ceny pamięci mobilnej do drugiego kwartału 2026 | mniej więcej czterokrotne | Counterpoint Research, 2026 |
| Wysyłki smartfonów w 2026 | 1,08 mld (-13,9%) | Counterpoint Research, 2026 |
| Użytkownicy Galaxy S25 korzystający z AI | ponad 70% | Samsung, 2025 |
| Konsumenci w USA obawiający się o prywatność | 70% | Deloitte, 2025 |
Metodologia i źródła
- Counterpoint Research, GenAI Smartphone Share to Rise to 45% of Global Shipments in 2026 (czerwiec 2026), ze szczegółami segmentów podanymi przez Electronics For You
- Counterpoint Research, GenAI Smartphone Shipments to Exceed 400 Million in 2025 (marzec 2025)
- Counterpoint Research, 2026 Smartphone Shipment Forecasts Revised Down as Memory Shortage Drives BoM Costs Up (grudzień 2025)
- Counterpoint Research, Mobile Memory Cost Hikes (wrzesień 2026)
- Counterpoint Research, badanie konsumenckie o wymianie na smartfony GenAI (grudzień 2024)
- EE Times Asia, relacja o marcowej rewizji wysyłek przez Counterpoint w 2026 roku
- Gartner, Worldwide GenAI Smartphone End-User Spending, komunikat prasowy (wrzesień 2025)
- IDC, Worldwide Generative AI Smartphone Shipments Forecast (lipiec 2024) oraz IDC Worldwide Smartphone Forecast (2025)
- MarketsandMarkets, komunikat o rynku małych modeli językowych (kwiecień 2025); Research and Markets, Small Language Model Market Report 2026; Grand View Research, Small Language Model Market Report
- Apple Machine Learning Research, Updates to Apple’s On-Device and Server Foundation Language Models (2025), Apple Intelligence Foundation Language Models Tech Report 2025 (arXiv), Introducing Apple’s On-Device and Server Foundation Models (2024) oraz Apple Newsroom, WWDC25
- Google Developers Blog, Introducing Gemma 3n (czerwiec 2025) oraz Google, Pixel 10 Tensor G5 (sierpień 2025)
- Wyniki Google LiteRT NeuroPilot na Dimensity 9500 (grudzień 2025), podane przez MarkTechPost
- Qualcomm, premiera Snapdragon 8 Elite Gen 5 (wrzesień 2025) oraz analiza Futurum Group
- MediaTek, komunikat o premierze Dimensity 9500 (wrzesień 2025)
- Meta AI, Introducing Quantized Llama Models (październik 2024)
- Microsoft, Phi Silica, small but mighty on-device SLM (grudzień 2024)
- MLCommons, MLPerf Mobile v6.0 (czerwiec 2026), strona benchmarku MLPerf Mobile oraz benchmark małych LLM MLPerf Inference 5.1 (wrzesień 2025)
- arXiv 2505.15030, A Systematic Evaluation of On-Device LLMs: Quantization, Performance, and Resources
- Samsung Newsroom, Galaxy Tech Forum at Galaxy Unpacked 2025 (lipiec 2025), dane z badań podane przez FoneArena
- Deloitte, komunikat prasowy 2025 Connected Consumer Survey (wrzesień 2025)
- Uwaga o danych: wolumeny smartfonów GenAI w 2025 roku różnią się w zależności od firmy: IDC podało ponad 370 mln (30% udziału), Gartner 369,3 mln, a Counterpoint ponad 400 mln w prognozie z marca 2025 roku, później korygując udział w 2025 roku do 36%. Dla 2026 roku 45% z 1,08 mld sztuk według Counterpoint oznacza około 486 mln telefonów GenAI (0,45 × 1,08 mld), czyli znacznie mniej niż 559 mln Gartnera, opublikowane we wrześniu 2025 roku, zanim niedobór pamięci wymusił cięcia wysyłek; spodziewajmy się rewizji ze strony Gartnera. Szacunki rynku małych modeli językowych wahają się od 0,93 mld USD (MarketsandMarkets) do około 9 do 11 mld USD (Research and Markets, Grand View Research) na lata 2025-2026 z powodu różnych definicji. Wszystkie dane o przepustowości NPU pochodzą od producentów i dotyczą różnych modeli, precyzji i długości kontekstu, więc nie są bezpośrednio porównywalne; danymi wartymi obserwowania są wyniki LLM na poziomie urządzeń z MLPerf Mobile v6.0. Wynik Apple 30 tokenów/s, wyniki skwantyzowanej Llama od Meta, dane Microsoftu o Phi Silica i prognoza IDC na 2028 rok to dane z 2024 roku, najnowsze opublikowane przez każde ze źródeł. Strona badawcza Apple ML wymienia 15 obsługiwanych języków, podczas gdy raport techniczny na arXiv opisuje 16 ustawień regionalnych.
Ostatnia aktualizacja: 3 października 2026 roku. Aktualizujemy to zestawienie co kwartał, a kolejne odświeżenie spodziewane jest, gdy Counterpoint opublikuje swoje trackery smartfonów i cen pamięci za trzeci kwartał 2026 roku, a MLCommons wyda pierwsze publiczne wyniki LLM z MLPerf Mobile v6.0.