LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised adalah model embedding 8 miliar parameter dari McGill-NLP, dirilis 8 Oktober 2024. LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised is an open-weights embed model with roughly 8 billion parameters.
by McGill-NLP · 8B parameter
Paling cocok untuk
Cara menggunakan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised di osFoundry
Hubungkan dengan key Anda sendiri (BYOK)
Buka dialog key dan tempelkan API key McGill-NLP Anda. osFoundry menemukan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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.
Hardware apa yang dapat menjalankan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised berjalan di satu GPU konsumen 16GB (~5 GB VRAM dengan ruang KV-cache). Inferensi presisi penuh muat di satu H100 80GB pada presisi FP16 (~20 GB).
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised vs model serupa
Lisensi
Tidak ditentukan — Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial.
Periksa dokumentasi upstream.
Pertanyaan umum tentang LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised
Apakah LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised gratis untuk digunakan?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised 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 LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised secara komersial?
Penggunaan komersial diizinkan dengan syarat. Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial. Periksa dokumentasi upstream.
Berapa VRAM yang dibutuhkan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised?
Sekitar 5 GB pada kuantisasi Q4, atau 20 GB pada presisi FP16 penuh. Muat di satu GPU konsumen 24GB.
Bisakah saya menjalankan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised secara lokal?
Ya. LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised bersifat open-weights dan berjalan secara lokal di GPU workstation. Runtime lokal osFoundry menangani pemuatan model, kuantisasi, dan routing.
Apa keunggulan utama LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised?
LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised sangat cocok untuk sentence similarity.
Bagaimana cara menggunakan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised di osFoundry?
Tempelkan API key McGill-NLP Anda di dialog key (atau deploy open weights untuk model yang dapat di-self-host), tetapkan LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised ke peran Maestro di tab Pipeline, lalu gunakan di chat, di Room App via invokeAI, atau di aplikasi Anda sendiri.
Diterbitkan oleh McGill-NLP pada 8 Oktober 2024. Sumber: https://huggingface.co/McGill-NLP/LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-supervised