eva02_base_patch16_clip_224.merged2b
Model pembuatan gambar eva02_base_patch16_clip_224.merged2b dari timm memuat 2 miliar parameter ke dalam sebuah . eva02_base_patch16_clip_224.merged2b is an open-weights image model with roughly 2 billion parameters.
by timm · 2B parameter
Paling cocok untuk
- zero shot image classification
Cara menggunakan eva02_base_patch16_clip_224.merged2b di osFoundry
Hubungkan dengan key Anda sendiri (BYOK)
Buka dialog key dan tempelkan API key timm Anda. osFoundry menemukan eva02_base_patch16_clip_224.merged2b 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
eva02_base_patch16_clip_224.merged2b 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 eva02_base_patch16_clip_224.merged2b
eva02_base_patch16_clip_224.merged2b berjalan di satu GPU konsumen 16GB (~2 GB VRAM dengan ruang KV-cache). Inferensi presisi penuh muat di satu H100 80GB pada presisi FP16 (~5 GB).
eva02_base_patch16_clip_224.merged2b vs model serupa
Lisensi
Tidak ditentukan — Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial.
Periksa dokumentasi upstream.
Pertanyaan umum tentang eva02_base_patch16_clip_224.merged2b
Apakah eva02_base_patch16_clip_224.merged2b gratis untuk digunakan?
eva02_base_patch16_clip_224.merged2b 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 eva02_base_patch16_clip_224.merged2b 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 eva02_base_patch16_clip_224.merged2b?
Sekitar 2 GB pada kuantisasi Q4, atau 5 GB pada presisi FP16 penuh. Muat di satu GPU konsumen 24GB.
Bisakah saya menjalankan eva02_base_patch16_clip_224.merged2b secara lokal?
Ya. eva02_base_patch16_clip_224.merged2b bersifat open-weights dan berjalan secara lokal di GPU workstation. Runtime lokal osFoundry menangani pemuatan model, kuantisasi, dan routing.
Apa keunggulan utama eva02_base_patch16_clip_224.merged2b?
eva02_base_patch16_clip_224.merged2b sangat cocok untuk zero shot image classification.
Bagaimana cara menggunakan eva02_base_patch16_clip_224.merged2b di osFoundry?
Tempelkan API key timm Anda di dialog key (atau deploy open weights untuk model yang dapat di-self-host), tetapkan eva02_base_patch16_clip_224.merged2b ke peran Maestro di tab Pipeline, lalu gunakan di chat, di Room App via invokeAI, atau di aplikasi Anda sendiri.
Diterbitkan oleh timm pada 26 Desember 2024. Sumber: https://huggingface.co/timm/eva02_base_patch16_clip_224.merged2b