train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full est un modèle chat à 2 milliards de paramètres de Bisher, publié le 30 mai 2025. train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full is an open-weights chat model with roughly 2 billion parameters.
by Bisher · 2 milliards de paramètres
Idéal pour
- chat et routage à faible latence
- routage et triage des requêtes
- classification de texte
Comment utiliser train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full dans osFoundry
Connectez-vous avec votre propre clé (BYOK)
Ouvrez la fenêtre de clés et collez votre clé API Bisher. osFoundry détecte automatiquement train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full — assignez-le à un rôle Maestro (router, direct, orchestrator ou fallback) dans l'onglet Pipeline et il est actif dans chaque conversation. Votre clé, votre compte fournisseur — sans majoration sur les tokens.
Déployez un endpoint dédié
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full est en open-weights — exécutez-le localement gratuitement, ou déployez un endpoint GPU dédié dans votre espace de travail pour disposer d'une capacité réservée sans limite de débit.
Utilisez-le dans une Room App
Les Room Apps déclarent leurs fonctionnalités IA dans leur manifeste, puis les appellent via invokeAI :
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Appelez-le depuis vos propres applications
Une fois un modèle intégré à votre espace de travail, vous pouvez l'héberger en tant qu'API et l'appeler depuis vos propres services, scripts ou CI — en dehors d'osFoundry.
Quel matériel peut faire tourner train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full fonctionne sur un seul GPU grand public 16GB (~2 GB de VRAM avec marge pour le cache KV). L'inférence en pleine précision tient sur un seul H100 80GB en précision FP16 (~5 GB).
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full face aux modèles similaires
Licence
Non spécifiée — Conditions de licence non spécifiées — vérifiez la fiche du modèle en amont avant tout usage commercial.
Consultez la documentation en amont.
Questions fréquentes sur train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full est-il gratuit à utiliser ?
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full est gratuit à exécuter localement sur votre propre matériel. L'accès hébergé via osFoundry est facturé à l'usage (entrée Free (local), sortie Free (local)). Vous pouvez basculer entre local et hébergé à tout moment.
Puis-je utiliser train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full à des fins commerciales ?
L'usage commercial est autorisé sous conditions. Conditions de licence non spécifiées — vérifiez la fiche du modèle en amont avant tout usage commercial. Consultez la documentation en amont.
Combien de VRAM faut-il pour train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full ?
Environ 2 GB en quantification Q4, ou 5 GB en pleine précision FP16. Tient sur un seul GPU grand public 24GB.
Puis-je exécuter train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full localement ?
Oui. train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full est en open-weights et s'exécute localement sur un GPU station de travail. Le runtime local d'osFoundry gère le chargement du modèle, la quantification et le routage.
À quoi train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full excelle-t-il ?
train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full convient particulièrement bien à chat et routage à faible latence, routage et triage des requêtes, classification de texte.
Comment utiliser train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full dans osFoundry ?
Collez votre clé API Bisher dans la fenêtre de clés (ou déployez les open weights pour les modèles auto-hébergeables), assignez train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full à un rôle Maestro dans l'onglet Pipeline, puis utilisez-le en chat, dans les Room Apps via invokeAI, ou dans vos propres applications.
Publié par Bisher le 30 mai 2025. Source : https://huggingface.co/Bisher/train_run-qwen2.5-1.5b-instruct-arabic-diacritization-full-fadel-L40S_full