BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf
Publié par RichardErkhov en 2024, BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf est un modèle chat à 13 milliards de paramètres . BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf is an open-weights chat model with roughly 13 billion parameters.
by RichardErkhov · 13 milliards de paramètres
Idéal pour
- chat et routage à faible latence
- routage et triage des requêtes
- classification de texte
Comment utiliser BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf dans osFoundry
Connectez-vous avec votre propre clé (BYOK)
Ouvrez la fenêtre de clés et collez votre clé API RichardErkhov. osFoundry détecte automatiquement BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf — 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
BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf 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 BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf
BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf fonctionne sur un seul GPU grand public 16GB (~8 GB de VRAM avec marge pour le cache KV). L'inférence en pleine précision tient sur un seul H100 80GB en précision FP16 (~32 GB).
BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf face aux modèles similaires
| Modèle | Organisation | Paramètres | Contexte | Prix en entrée | Auto-hébergement |
|---|
| BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf | RichardErkhov | 13B | — | Free (local) | Oui |
| Llama2-MedTuned-13b-i1-GGUF | mradermacher | 13B | — | Free (local) | Oui |
| RWKV7-G1e-13.3b-GGUF | shoumenchougou | 13B | — | Free (local) | Oui |
| llm-jp-3-13b | llm-jp | 13B | — | Free (local) | Oui |
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 BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf
BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf est-il gratuit à utiliser ?
BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf 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 BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf 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 BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf ?
Environ 8 GB en quantification Q4, ou 32 GB en pleine précision FP16. Tient sur un seul GPU grand public 24GB.
Puis-je exécuter BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf localement ?
Oui. BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf 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 BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf excelle-t-il ?
BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf convient particulièrement bien à chat et routage à faible latence, routage et triage des requêtes, classification de texte.
Comment utiliser BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf dans osFoundry ?
Collez votre clé API RichardErkhov dans la fenêtre de clés (ou déployez les open weights pour les modèles auto-hébergeables), assignez BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf 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 RichardErkhov le 5 octobre 2024. Source : https://huggingface.co/RichardErkhov/BramVanroy_-_llama2-13b-ft-mc4_nl_cleaned_tiny-gguf