gte-Qwen2-7B-instruct-4bit-DWQ
gte-Qwen2-7B-instruct-4bit-DWQ adalah model chat 7 miliar parameter dari mlx-community, dirilis 7 Mei 2025. gte-Qwen2-7B-instruct-4bit-DWQ is an open-weights chat model with roughly 7 billion parameters.
by mlx-community · 7B parameter
Paling cocok untuk
Cara menggunakan gte-Qwen2-7B-instruct-4bit-DWQ di osFoundry
Hubungkan dengan key Anda sendiri (BYOK)
Buka dialog key dan tempelkan API key mlx-community Anda. osFoundry menemukan gte-Qwen2-7B-instruct-4bit-DWQ 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
gte-Qwen2-7B-instruct-4bit-DWQ 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 gte-Qwen2-7B-instruct-4bit-DWQ
gte-Qwen2-7B-instruct-4bit-DWQ berjalan di satu GPU konsumen 16GB (~5 GB VRAM dengan ruang KV-cache). Inferensi presisi penuh muat di satu H100 80GB pada presisi FP16 (~17 GB).
gte-Qwen2-7B-instruct-4bit-DWQ vs model serupa
Lisensi
Tidak ditentukan — Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial.
Periksa dokumentasi upstream.
Pertanyaan umum tentang gte-Qwen2-7B-instruct-4bit-DWQ
Apakah gte-Qwen2-7B-instruct-4bit-DWQ gratis untuk digunakan?
gte-Qwen2-7B-instruct-4bit-DWQ 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 gte-Qwen2-7B-instruct-4bit-DWQ 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 gte-Qwen2-7B-instruct-4bit-DWQ?
Sekitar 5 GB pada kuantisasi Q4, atau 17 GB pada presisi FP16 penuh. Muat di satu GPU konsumen 24GB.
Bisakah saya menjalankan gte-Qwen2-7B-instruct-4bit-DWQ secara lokal?
Ya. gte-Qwen2-7B-instruct-4bit-DWQ bersifat open-weights dan berjalan secara lokal di GPU workstation. Runtime lokal osFoundry menangani pemuatan model, kuantisasi, dan routing.
Apa keunggulan utama gte-Qwen2-7B-instruct-4bit-DWQ?
gte-Qwen2-7B-instruct-4bit-DWQ sangat cocok untuk text generation.
Bagaimana cara menggunakan gte-Qwen2-7B-instruct-4bit-DWQ di osFoundry?
Tempelkan API key mlx-community Anda di dialog key (atau deploy open weights untuk model yang dapat di-self-host), tetapkan gte-Qwen2-7B-instruct-4bit-DWQ ke peran Maestro di tab Pipeline, lalu gunakan di chat, di Room App via invokeAI, atau di aplikasi Anda sendiri.
Diterbitkan oleh mlx-community pada 7 Mei 2025. Sumber: https://huggingface.co/mlx-community/gte-Qwen2-7B-instruct-4bit-DWQ