cogito-v2-preview-llama-109B-MoE-mlx-2Bit
k8smee द्वारा निर्मित, cogito-v2-preview-llama-109B-MoE-mlx-2Bit एक 109 अरब parameter वाला image-generation model है। cogito-v2-preview-llama-109B-MoE-mlx-2Bit is an open-weights image model with roughly 109 billion parameters.
by k8smee · 109B parameters
किसके लिए सर्वोत्तम
osFoundry में cogito-v2-preview-llama-109B-MoE-mlx-2Bit का उपयोग करने के तरीके
अपनी key से जोड़ें (BYOK)
key dialog खोलें और अपनी k8smee API key पेस्ट करें। osFoundry cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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
cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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।
cogito-v2-preview-llama-109B-MoE-mlx-2Bit कौनसा hardware चला सकता है
cogito-v2-preview-llama-109B-MoE-mlx-2Bit Q4 quantisation पर एक A100 80GB या H100 80GB पर चलता है (~66 GB VRAM, KV-cache headroom के साथ)। पूर्ण-precision inference FP16 पर कई H100/H200 GPUs की आवश्यकता (~262 GB)।
cogito-v2-preview-llama-109B-MoE-mlx-2Bit बनाम समान models
लाइसेंस
अनिर्दिष्ट — लाइसेंस की शर्तें निर्दिष्ट नहीं — commercial उपयोग से पहले upstream model card सत्यापित करें।
Upstream documentation देखें।
cogito-v2-preview-llama-109B-MoE-mlx-2Bit के बारे में अक्सर पूछे जाने वाले प्रश्न
क्या cogito-v2-preview-llama-109B-MoE-mlx-2Bit उपयोग करने के लिए मुफ्त है?
cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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 cogito-v2-preview-llama-109B-MoE-mlx-2Bit 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।
cogito-v2-preview-llama-109B-MoE-mlx-2Bit को कितनी VRAM चाहिए?
Q4 quantisation पर लगभग 66 GB, या पूर्ण FP16 precision पर 262 GB। एक A100/H100 80GB पर fit होता है।
क्या मैं cogito-v2-preview-llama-109B-MoE-mlx-2Bit को locally चला सकता हूँ?
हाँ। cogito-v2-preview-llama-109B-MoE-mlx-2Bit open-weights है और workstation GPU पर locally चलता है। osFoundry का local runtime model loading, quantisation, और routing संभालता है।
cogito-v2-preview-llama-109B-MoE-mlx-2Bit किसमें सर्वश्रेष्ठ है?
cogito-v2-preview-llama-109B-MoE-mlx-2Bit image text to text के लिए उपयुक्त है।
मैं osFoundry में cogito-v2-preview-llama-109B-MoE-mlx-2Bit का उपयोग कैसे करूँ?
key dialog में अपनी k8smee API key पेस्ट करें (या self-hostable models के लिए open weights deploy करें), Pipeline tab में cogito-v2-preview-llama-109B-MoE-mlx-2Bit को एक Maestro role को असाइन करें, फिर इसे चैट में, invokeAI के माध्यम से Room Apps में, या अपने ऐप्स में उपयोग करें।
k8smee द्वारा प्रकाशित 20 मार्च 2026 को। स्रोत: https://huggingface.co/k8smee/cogito-v2-preview-llama-109B-MoE-mlx-2Bit