cogito-v2-preview-llama-109B-MoE-mlx-2Bit
Entwickelt von k8smee, ist cogito-v2-preview-llama-109B-MoE-mlx-2Bit ein 109 Milliarden Parameter umfassendes Bildgenerierung-Modell. cogito-v2-preview-llama-109B-MoE-mlx-2Bit is an open-weights image model with roughly 109 billion parameters.
by k8smee · 109 Mrd. Parameter
Am besten geeignet für
Möglichkeiten, cogito-v2-preview-llama-109B-MoE-mlx-2Bit in osFoundry zu nutzen
Mit eigenem Schlüssel verbinden (BYOK)
Öffnen Sie den Schlüssel-Dialog und fügen Sie Ihren k8smee-API-Key ein. osFoundry erkennt cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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
cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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 cogito-v2-preview-llama-109B-MoE-mlx-2Bit ausführen
cogito-v2-preview-llama-109B-MoE-mlx-2Bit läuft auf eine einzelne A100 80GB oder H100 80GB mit Q4-Quantization (~66 GB VRAM mit Reserve für den KV-Cache). Inferenz in voller Präzision erfordert mehrere H100/H200-GPUs bei FP16 (~262 GB).
cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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 cogito-v2-preview-llama-109B-MoE-mlx-2Bit
Ist cogito-v2-preview-llama-109B-MoE-mlx-2Bit kostenlos nutzbar?
cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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 cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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 cogito-v2-preview-llama-109B-MoE-mlx-2Bit?
Etwa 66 GB bei Q4-Quantization oder 262 GB bei voller FP16-Präzision. Passt auf eine einzelne A100/H100 80GB.
Kann ich cogito-v2-preview-llama-109B-MoE-mlx-2Bit lokal betreiben?
Ja. cogito-v2-preview-llama-109B-MoE-mlx-2Bit ist Open-Weights und läuft lokal auf einer Workstation-GPU. Die lokale Runtime von osFoundry übernimmt Modellladen, Quantization und Routing.
Worin ist cogito-v2-preview-llama-109B-MoE-mlx-2Bit besonders gut?
cogito-v2-preview-llama-109B-MoE-mlx-2Bit eignet sich besonders für image text to text.
Wie verwende ich cogito-v2-preview-llama-109B-MoE-mlx-2Bit in osFoundry?
Fügen Sie Ihren k8smee-API-Key im Schlüssel-Dialog ein (oder stellen Sie bei selbst hostbaren Modellen die Open Weights bereit), weisen Sie cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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 k8smee am 20. März 2026. Quelle: https://huggingface.co/k8smee/cogito-v2-preview-llama-109B-MoE-mlx-2Bit