Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4
Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 ist ein 17 Milliarden Parameter umfassendes Chat-Modell von fxmarty, veröffentlicht am 19. Mai 2025. Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 is an open-weights chat model with roughly 17 billion parameters.
by fxmarty · 17 Mrd. Parameter
Am besten geeignet für
- Chat und Routing mit geringer Latenz
- Anfrage-Routing und Triage
- Textklassifikation
Möglichkeiten, Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 in osFoundry zu nutzen
Mit eigenem Schlüssel verbinden (BYOK)
Öffnen Sie den Schlüssel-Dialog und fügen Sie Ihren fxmarty-API-Key ein. osFoundry erkennt Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 automatisch — weisen Sie es im Pipeline-Tab einer Maestro-Rolle (Router, Direct, Orchestrator oder Fallback) zu, und es ist in jedem Chat verfügbar. Ihr Key, Ihr Provider-Konto — kein Token-Aufschlag.
Dedizierten Endpunkt bereitstellen
Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 ist Open-Weights — betreiben Sie es lokal kostenlos oder stellen Sie in Ihrem Workspace einen dedizierten GPU-Endpunkt für reservierte Kapazität ohne Rate Limits bereit.
In einer Room App verwenden
Room Apps deklarieren KI-Funktionen in ihrem Manifest und rufen sie anschließend mit invokeAI auf:
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Aus eigenen Anwendungen aufrufen
Sobald ein Modell in Ihrem Workspace eingerichtet ist, können Sie es als API hosten und aus Ihren eigenen Diensten, Skripten oder CI — außerhalb von osFoundry — erreichen.
Welche Hardware kann Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 ausführen
Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 läuft auf eine einzelne 16GB-Consumer-GPU (~11 GB VRAM mit Reserve für den KV-Cache). Inferenz in voller Präzision passt auf eine einzelne H100 80GB bei FP16-Präzision (~41 GB).
Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 im Vergleich zu ähnlichen Modellen
Lizenz
Nicht angegeben — Lizenzbedingungen nicht angegeben — prüfen Sie die Upstream-Model-Card vor kommerzieller Nutzung.
Konsultieren Sie die Upstream-Dokumentation.
Häufige Fragen zu Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4
Ist Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 kostenlos nutzbar?
Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 kann auf Ihrer eigenen Hardware kostenlos lokal betrieben werden. Der gehostete Zugriff über osFoundry wird abgerechnet (Input Free (local), Output Free (local)). Sie können jederzeit zwischen lokal und gehostet wechseln.
Kann ich Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 kommerziell nutzen?
Kommerzielle Nutzung ist unter bestimmten Bedingungen erlaubt. Lizenzbedingungen nicht angegeben — prüfen Sie die Upstream-Model-Card vor kommerzieller Nutzung. Konsultieren Sie die Upstream-Dokumentation.
Wie viel VRAM benötigt Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4?
Etwa 11 GB bei Q4-Quantization oder 41 GB bei voller FP16-Präzision. Passt auf eine einzelne 24GB-Consumer-GPU.
Kann ich Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 lokal betreiben?
Ja. Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 ist Open-Weights und läuft lokal auf einer Workstation-GPU. Die lokale Runtime von osFoundry übernimmt Modellladen, Quantization und Routing.
Worin ist Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 besonders gut?
Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 eignet sich besonders für Chat und Routing mit geringer Latenz, Anfrage-Routing und Triage, Textklassifikation.
Wie verwende ich Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 in osFoundry?
Fügen Sie Ihren fxmarty-API-Key im Schlüssel-Dialog ein (oder stellen Sie bei selbst hostbaren Modellen die Open Weights bereit), weisen Sie Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4 im Pipeline-Tab einer Maestro-Rolle zu und nutzen Sie es anschließend im Chat, in Room Apps über invokeAI oder in Ihren eigenen Anwendungen.
Veröffentlicht von fxmarty am 19. Mai 2025. Quelle: https://huggingface.co/fxmarty/Llama-4-Scout-17B-16E-Instruct-2-layers-mxfp4