NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse (fdschmidt93, 2024) एक 8 अरब parameter वाला embedding model है। NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse is an open-weights embed model with roughly 8 billion parameters.
by fdschmidt93 · 8B parameters
किसके लिए सर्वोत्तम
osFoundry में NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse का उपयोग करने के तरीके
अपनी key से जोड़ें (BYOK)
key dialog खोलें और अपनी fdschmidt93 API key पेस्ट करें। osFoundry NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse को स्वचालित रूप से खोज लेता है — इसे Pipeline tab में किसी Maestro role (router, direct, orchestrator, या fallback) को असाइन करें और यह हर चैट में live हो जाता है। आपकी key, आपका provider account — कोई token markup नहीं।
एक dedicated endpoint deploy करें
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse open-weights है — इसे locally मुफ्त में चलाएँ, या rate limits के बिना reserved capacity के लिए अपने workspace में एक dedicated GPU endpoint deploy करें।
Room App में उपयोग करें
Room Apps अपने manifest में AI features घोषित करते हैं, फिर उन्हें invokeAI के साथ कॉल करते हैं:
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
अपने ऐप्स से इसे कॉल करें
एक बार जब model आपके workspace में wired हो जाता है, तो आप इसे API के रूप में host कर सकते हैं और इसे अपनी services, scripts, या CI से — osFoundry के बाहर — एक्सेस कर सकते हैं।
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse कौनसा hardware चला सकता है
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse एक 16GB consumer GPU पर चलता है (~5 GB VRAM, KV-cache headroom के साथ)। पूर्ण-precision inference FP16 precision पर एक H100 80GB पर fit होता है (~20 GB)।
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse बनाम समान models
लाइसेंस
अनिर्दिष्ट — लाइसेंस की शर्तें निर्दिष्ट नहीं — commercial उपयोग से पहले upstream model card सत्यापित करें।
Upstream documentation देखें।
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse के बारे में अक्सर पूछे जाने वाले प्रश्न
क्या NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse उपयोग करने के लिए मुफ्त है?
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse आपके अपने hardware पर locally चलाने के लिए मुफ्त है। osFoundry के माध्यम से hosted access metered है (input Free (local), output Free (local))। आप किसी भी समय local और hosted के बीच switch कर सकते हैं।
क्या मैं NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse का commercial उपयोग कर सकता हूँ?
Commercial उपयोग शर्तों के साथ अनुमत है। लाइसेंस की शर्तें निर्दिष्ट नहीं — commercial उपयोग से पहले upstream model card सत्यापित करें। Upstream documentation देखें।
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse को कितनी VRAM चाहिए?
Q4 quantisation पर लगभग 5 GB, या पूर्ण FP16 precision पर 20 GB। एक 24GB consumer GPU पर fit होता है।
क्या मैं NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse को locally चला सकता हूँ?
हाँ। NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse open-weights है और workstation GPU पर locally चलता है। osFoundry का local runtime model loading, quantisation, और routing संभालता है।
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse किसमें सर्वश्रेष्ठ है?
NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse sentence similarity के लिए उपयुक्त है।
मैं osFoundry में NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse का उपयोग कैसे करूँ?
key dialog में अपनी fdschmidt93 API key पेस्ट करें (या self-hostable models के लिए open weights deploy करें), Pipeline tab में NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse को एक Maestro role को असाइन करें, फिर इसे चैट में, invokeAI के माध्यम से Room Apps में, या अपने ऐप्स में उपयोग करें।
fdschmidt93 द्वारा प्रकाशित 1 अक्टूबर 2024 को। स्रोत: https://huggingface.co/fdschmidt93/NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse