SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo
SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo (PeterJinGo, 2025) ist ein 3 Milliarden Parameter umfassendes Chat-Modell. SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo is an open-weights chat model with roughly 3 billion parameters.
by PeterJinGo · 3 Mrd. Parameter
Am besten geeignet für
- Chat und Routing mit geringer Latenz
- Anfrage-Routing und Triage
- Textklassifikation
Möglichkeiten, SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo in osFoundry zu nutzen
Mit eigenem Schlüssel verbinden (BYOK)
Öffnen Sie den Schlüssel-Dialog und fügen Sie Ihren PeterJinGo-API-Key ein. osFoundry erkennt SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo 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
SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo 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 SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo ausführen
SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo läuft auf eine einzelne 16GB-Consumer-GPU (~2 GB VRAM mit Reserve für den KV-Cache). Inferenz in voller Präzision passt auf eine einzelne H100 80GB bei FP16-Präzision (~8 GB).
SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo 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 SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo
Ist SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo kostenlos nutzbar?
SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo 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 SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo 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 SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo?
Etwa 2 GB bei Q4-Quantization oder 8 GB bei voller FP16-Präzision. Passt auf eine einzelne 24GB-Consumer-GPU.
Kann ich SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo lokal betreiben?
Ja. SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo ist Open-Weights und läuft lokal auf einer Workstation-GPU. Die lokale Runtime von osFoundry übernimmt Modellladen, Quantization und Routing.
Worin ist SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo besonders gut?
SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo eignet sich besonders für Chat und Routing mit geringer Latenz, Anfrage-Routing und Triage, Textklassifikation.
Wie verwende ich SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo in osFoundry?
Fügen Sie Ihren PeterJinGo-API-Key im Schlüssel-Dialog ein (oder stellen Sie bei selbst hostbaren Modellen die Open Weights bereit), weisen Sie SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo 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 PeterJinGo am 12. März 2025. Quelle: https://huggingface.co/PeterJinGo/SearchR1-nq_hotpotqa_train-qwen2.5-3b-em-ppo