LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised McGill-NLP का एक 8 अरब parameter वाला embedding model है, 8 अक्टूबर 2024 को जारी। LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised is an open-weights embed model with roughly 8 billion parameters.
by McGill-NLP · 8B parameters
किसके लिए सर्वोत्तम
osFoundry में LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised का उपयोग करने के तरीके
अपनी key से जोड़ें (BYOK)
key dialog खोलें और अपनी McGill-NLP API key पेस्ट करें। osFoundry LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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।
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised कौनसा hardware चला सकता है
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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)।
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised बनाम समान models
लाइसेंस
अनिर्दिष्ट — लाइसेंस की शर्तें निर्दिष्ट नहीं — commercial उपयोग से पहले upstream model card सत्यापित करें।
Upstream documentation देखें।
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised के बारे में अक्सर पूछे जाने वाले प्रश्न
क्या LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised उपयोग करने के लिए मुफ्त है?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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।
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised को locally चला सकता हूँ?
हाँ। LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised open-weights है और workstation GPU पर locally चलता है। osFoundry का local runtime model loading, quantisation, और routing संभालता है।
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised किसमें सर्वश्रेष्ठ है?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised sentence similarity के लिए उपयुक्त है।
मैं osFoundry में LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised का उपयोग कैसे करूँ?
key dialog में अपनी McGill-NLP API key पेस्ट करें (या self-hostable models के लिए open weights deploy करें), Pipeline tab में LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised को एक Maestro role को असाइन करें, फिर इसे चैट में, invokeAI के माध्यम से Room Apps में, या अपने ऐप्स में उपयोग करें।
McGill-NLP द्वारा प्रकाशित 8 अक्टूबर 2024 को। स्रोत: https://huggingface.co/McGill-NLP/LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised