q3-8b-train_final_v2_nb2_mt8192_replaced_fix
Publié par ligeng-dev en 2026, q3-8b-train_final_v2_nb2_mt8192_replaced_fix est un modèle chat à 8 milliards de paramètres . q3-8b-train_final_v2_nb2_mt8192_replaced_fix is an open-weights chat model with roughly 8 billion parameters.
by ligeng-dev · 8 milliards de paramètres
Idéal pour
Comment utiliser q3-8b-train_final_v2_nb2_mt8192_replaced_fix dans osFoundry
Connectez-vous avec votre propre clé (BYOK)
Ouvrez la fenêtre de clés et collez votre clé API ligeng-dev. osFoundry détecte automatiquement q3-8b-train_final_v2_nb2_mt8192_replaced_fix — 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
q3-8b-train_final_v2_nb2_mt8192_replaced_fix 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 q3-8b-train_final_v2_nb2_mt8192_replaced_fix
q3-8b-train_final_v2_nb2_mt8192_replaced_fix fonctionne sur un seul GPU grand public 16GB (~5 GB de VRAM avec marge pour le cache KV). L'inférence en pleine précision tient sur un seul H100 80GB en précision FP16 (~20 GB).
q3-8b-train_final_v2_nb2_mt8192_replaced_fix 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 q3-8b-train_final_v2_nb2_mt8192_replaced_fix
q3-8b-train_final_v2_nb2_mt8192_replaced_fix est-il gratuit à utiliser ?
q3-8b-train_final_v2_nb2_mt8192_replaced_fix 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 q3-8b-train_final_v2_nb2_mt8192_replaced_fix 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 q3-8b-train_final_v2_nb2_mt8192_replaced_fix ?
Environ 5 GB en quantification Q4, ou 20 GB en pleine précision FP16. Tient sur un seul GPU grand public 24GB.
Puis-je exécuter q3-8b-train_final_v2_nb2_mt8192_replaced_fix localement ?
Oui. q3-8b-train_final_v2_nb2_mt8192_replaced_fix 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 q3-8b-train_final_v2_nb2_mt8192_replaced_fix excelle-t-il ?
q3-8b-train_final_v2_nb2_mt8192_replaced_fix convient particulièrement bien à text generation.
Comment utiliser q3-8b-train_final_v2_nb2_mt8192_replaced_fix dans osFoundry ?
Collez votre clé API ligeng-dev dans la fenêtre de clés (ou déployez les open weights pour les modèles auto-hébergeables), assignez q3-8b-train_final_v2_nb2_mt8192_replaced_fix 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 ligeng-dev le 14 avril 2026. Source : https://huggingface.co/ligeng-dev/q3-8b-train_final_v2_nb2_mt8192_replaced_fix