LLM2Vec-Meta-Llama-31-8B-Instruct-mntp
McGill-NLPs LLM2Vec-Meta-Llama-31-8B-Instruct-mntp vereint 8 Milliarden Parameter in einem Embedding-Modell. LLM2Vec-Meta-Llama-31-8B-Instruct-mntp is an open-weights embed model with roughly 8 billion parameters.
by McGill-NLP · 8 Mrd. Parameter
Am besten geeignet für
Möglichkeiten, LLM2Vec-Meta-Llama-31-8B-Instruct-mntp in osFoundry zu nutzen
Mit eigenem Schlüssel verbinden (BYOK)
Öffnen Sie den Schlüssel-Dialog und fügen Sie Ihren McGill-NLP-API-Key ein. osFoundry erkennt LLM2Vec-Meta-Llama-31-8B-Instruct-mntp 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
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp ausführen
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp läuft auf eine einzelne 16GB-Consumer-GPU (~5 GB VRAM mit Reserve für den KV-Cache). Inferenz in voller Präzision passt auf eine einzelne H100 80GB bei FP16-Präzision (~20 GB).
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp
Ist LLM2Vec-Meta-Llama-31-8B-Instruct-mntp kostenlos nutzbar?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp?
Etwa 5 GB bei Q4-Quantization oder 20 GB bei voller FP16-Präzision. Passt auf eine einzelne 24GB-Consumer-GPU.
Kann ich LLM2Vec-Meta-Llama-31-8B-Instruct-mntp lokal betreiben?
Ja. LLM2Vec-Meta-Llama-31-8B-Instruct-mntp ist Open-Weights und läuft lokal auf einer Workstation-GPU. Die lokale Runtime von osFoundry übernimmt Modellladen, Quantization und Routing.
Worin ist LLM2Vec-Meta-Llama-31-8B-Instruct-mntp besonders gut?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp eignet sich besonders für sentence similarity.
Wie verwende ich LLM2Vec-Meta-Llama-31-8B-Instruct-mntp in osFoundry?
Fügen Sie Ihren McGill-NLP-API-Key im Schlüssel-Dialog ein (oder stellen Sie bei selbst hostbaren Modellen die Open Weights bereit), weisen Sie LLM2Vec-Meta-Llama-31-8B-Instruct-mntp 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 McGill-NLP am 8. Oktober 2024. Quelle: https://huggingface.co/McGill-NLP/LLM2Vec-Meta-Llama-31-8B-Instruct-mntp