Hecho: Arm puso disponible el Arm AI Model Optimizer dentro de su programa de acceso anticipado (Early Access) del Arm AI Portal. La herramienta está construida sobre NetsPresso de Nota AI y se anunció en el blog de desarrolladores de Arm del 19 de octubre de 2026, escrito por Will Lord (Arm) y Tae-ho Kim, CTO de Nota AI.
Qué hace: optimización de grafos, cuantización y precisión mixta para bajar los requisitos de cómputo y memoria, más evaluación y comparación de rendimiento, exactitud y uso de memoria entre configuraciones. Arm lo describe con flujos "agent-ready": el desarrollador, o su agente de código, explora configuraciones con archivos de configuración y comandos de la línea de comandos (pip install arm-ai-model-optimizer) manteniendo el control de objetivos, criterios y decisiones de despliegue. Todo está disponible también por el servidor MCP del Arm AI Portal.
Números del fabricante (resultados iniciales publicados por Arm, sin verificación independiente): en una Raspberry Pi 5, WideResNet-50 pasó a 5,9 veces más velocidad de inferencia con 74% menos memoria, con la exactitud Top-1 de ImageNet yendo de 80,82% a 80,70%. En un vivo X300 Pro, Whisper Base bajó la latencia de la etapa de decode de 35,63 ms a 17,17 ms (−52%) con el mismo word error rate de 4,85% en LibriSpeech. MobileSAM, en la misma Pi 5, bajó de 2.070,63 ms a 1.595,46 ms (−23%).
El soporte actual cubre CPU Arm con ExecuTorch y backend XNNPACK, y NPU Ethos-U con ExecuTorch y compilación Vela. Como hardware de referencia de evaluación, Arm lista Raspberry Pi 5, un MacBook M4, el vivo X300 Pro, AWS Graviton4 y el Alif Ensemble E8 con la NPU Ethos-U85, aclarando que son entornos de muestra y no una lista exhaustiva de destinos.
La otra pata: en el evento Arm Create 2026, realizado en San José (EE.UU.), Nota AI sostuvo un taller donde desarrolladores del ecosistema optimizaron sus propios modelos con la herramienta y verificaron los resultados en el lugar. El CEO de Nota AI, Chae Myung-soo, dijo que usarán esa retroalimentación para "reforzar la competitividad de la plataforma NetsPresso" y que apuntan a convertir los casos de uso en adopción de clientes empresariales.
Cómo se usa: cada experimento se define en un archivo de configuración con los pasos de optimización y los criterios de evaluación, y se lanza desde la línea de comandos (np experiments create, np run --wait, np report). El flujo devuelve reportes de evaluación, visualización del grafo y mediciones en hardware, incluida la herramienta Probe, que compara el grafo original contra el optimizado y marca las operaciones de cuantización. Arm suma además soporte para traer los propios datos del proyecto al workflow, con reportes, gráficos del grafo y medidas de hardware previas al despliegue.




