LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised ist ein 8 Milliarden Parameter umfassendes Embedding-Modell von McGill-NLP, veröffentlicht am 8. Oktober 2024. LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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-supervised 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-supervised 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-supervised 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-supervised ausführen
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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-supervised 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-supervised
Ist LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised kostenlos nutzbar?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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-supervised 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-supervised?
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-supervised lokal betreiben?
Ja. LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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-supervised besonders gut?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised eignet sich besonders für sentence similarity.
Wie verwende ich LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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-supervised 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-supervised