embeddinggemma-300m-qat-q4_0-unquantized-bf16
embeddinggemma-300m-qat-q4_0-unquantized-bf16 est un modèle embeddings de mlx-community, publié le 4 septembre 2025. embeddinggemma-300m-qat-q4_0-unquantized-bf16 is an open-weights embed model.
by mlx-community
Idéal pour
Comment utiliser embeddinggemma-300m-qat-q4_0-unquantized-bf16 dans osFoundry
Connectez-vous avec votre propre clé (BYOK)
Ouvrez la fenêtre de clés et collez votre clé API mlx-community. osFoundry détecte automatiquement embeddinggemma-300m-qat-q4_0-unquantized-bf16 — 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
embeddinggemma-300m-qat-q4_0-unquantized-bf16 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.
embeddinggemma-300m-qat-q4_0-unquantized-bf16 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 embeddinggemma-300m-qat-q4_0-unquantized-bf16
embeddinggemma-300m-qat-q4_0-unquantized-bf16 est-il gratuit à utiliser ?
embeddinggemma-300m-qat-q4_0-unquantized-bf16 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 embeddinggemma-300m-qat-q4_0-unquantized-bf16 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.
Puis-je exécuter embeddinggemma-300m-qat-q4_0-unquantized-bf16 localement ?
Oui. embeddinggemma-300m-qat-q4_0-unquantized-bf16 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 embeddinggemma-300m-qat-q4_0-unquantized-bf16 excelle-t-il ?
embeddinggemma-300m-qat-q4_0-unquantized-bf16 convient particulièrement bien à sentence similarity.
Comment utiliser embeddinggemma-300m-qat-q4_0-unquantized-bf16 dans osFoundry ?
Collez votre clé API mlx-community dans la fenêtre de clés (ou déployez les open weights pour les modèles auto-hébergeables), assignez embeddinggemma-300m-qat-q4_0-unquantized-bf16 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 mlx-community le 4 septembre 2025. Source : https://huggingface.co/mlx-community/embeddinggemma-300m-qat-q4_0-unquantized-bf16