wavjepa-nat-base
Dibangun oleh labhamlet, wavjepa-nat-base adalah sebuah model embedding . wavjepa-nat-base is an open-weights embed model.
by labhamlet
Paling cocok untuk
Cara menggunakan wavjepa-nat-base di osFoundry
Hubungkan dengan key Anda sendiri (BYOK)
Buka dialog key dan tempelkan API key labhamlet Anda. osFoundry menemukan wavjepa-nat-base secara otomatis — tetapkan ke peran Maestro (router, direct, orchestrator, atau fallback) di tab Pipeline dan model ini langsung aktif di setiap chat. Key Anda, akun provider Anda — tanpa markup token.
Deploy endpoint khusus
wavjepa-nat-base bersifat open-weights — jalankan secara lokal tanpa biaya, atau deploy endpoint GPU khusus di workspace Anda untuk kapasitas tercadangkan tanpa rate limit.
Gunakan di Room App
Room App mendeklarasikan fitur AI di manifest mereka, lalu memanggilnya dengan invokeAI:
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Panggil dari aplikasi Anda sendiri
Setelah sebuah model terhubung ke workspace Anda, Anda dapat meng-host-nya sebagai API dan mengaksesnya dari layanan, skrip, atau CI Anda sendiri — di luar osFoundry.
wavjepa-nat-base vs model serupa
Lisensi
Tidak ditentukan — Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial.
Periksa dokumentasi upstream.
Pertanyaan umum tentang wavjepa-nat-base
Apakah wavjepa-nat-base gratis untuk digunakan?
wavjepa-nat-base gratis untuk dijalankan secara lokal pada hardware Anda sendiri. Akses ter-host melalui osFoundry dikenakan biaya (input Free (local), output Free (local)). Anda dapat beralih antara lokal dan ter-host kapan saja.
Bisakah saya menggunakan wavjepa-nat-base secara komersial?
Penggunaan komersial diizinkan dengan syarat. Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial. Periksa dokumentasi upstream.
Bisakah saya menjalankan wavjepa-nat-base secara lokal?
Ya. wavjepa-nat-base bersifat open-weights dan berjalan secara lokal di GPU workstation. Runtime lokal osFoundry menangani pemuatan model, kuantisasi, dan routing.
Apa keunggulan utama wavjepa-nat-base?
wavjepa-nat-base sangat cocok untuk feature extraction.
Bagaimana cara menggunakan wavjepa-nat-base di osFoundry?
Tempelkan API key labhamlet Anda di dialog key (atau deploy open weights untuk model yang dapat di-self-host), tetapkan wavjepa-nat-base ke peran Maestro di tab Pipeline, lalu gunakan di chat, di Room App via invokeAI, atau di aplikasi Anda sendiri.
Diterbitkan oleh labhamlet pada 4 November 2025. Sumber: https://huggingface.co/labhamlet/wavjepa-nat-base