QClaw-4B-mlx_4bit
Model chat QClaw-4B-mlx_4bit dari WaveCut memuat 4 miliar parameter ke dalam sebuah . QClaw-4B-mlx_4bit is an open-weights chat model with roughly 4 billion parameters.
by WaveCut · 4B parameter
Paling cocok untuk
Cara menggunakan QClaw-4B-mlx_4bit di osFoundry
Hubungkan dengan key Anda sendiri (BYOK)
Buka dialog key dan tempelkan API key WaveCut Anda. osFoundry menemukan QClaw-4B-mlx_4bit 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
QClaw-4B-mlx_4bit 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 QClaw-4B-mlx_4bit
QClaw-4B-mlx_4bit berjalan di satu GPU konsumen 16GB (~3 GB VRAM dengan ruang KV-cache). Inferensi presisi penuh muat di satu H100 80GB pada presisi FP16 (~10 GB).
QClaw-4B-mlx_4bit vs model serupa
Lisensi
Tidak ditentukan — Ketentuan lisensi tidak ditentukan — verifikasi model card upstream sebelum penggunaan komersial.
Periksa dokumentasi upstream.
Pertanyaan umum tentang QClaw-4B-mlx_4bit
Apakah QClaw-4B-mlx_4bit gratis untuk digunakan?
QClaw-4B-mlx_4bit 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 QClaw-4B-mlx_4bit 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 QClaw-4B-mlx_4bit?
Sekitar 3 GB pada kuantisasi Q4, atau 10 GB pada presisi FP16 penuh. Muat di satu GPU konsumen 24GB.
Bisakah saya menjalankan QClaw-4B-mlx_4bit secara lokal?
Ya. QClaw-4B-mlx_4bit bersifat open-weights dan berjalan secara lokal di GPU workstation. Runtime lokal osFoundry menangani pemuatan model, kuantisasi, dan routing.
Apa keunggulan utama QClaw-4B-mlx_4bit?
QClaw-4B-mlx_4bit sangat cocok untuk text generation.
Bagaimana cara menggunakan QClaw-4B-mlx_4bit di osFoundry?
Tempelkan API key WaveCut Anda di dialog key (atau deploy open weights untuk model yang dapat di-self-host), tetapkan QClaw-4B-mlx_4bit ke peran Maestro di tab Pipeline, lalu gunakan di chat, di Room App via invokeAI, atau di aplikasi Anda sendiri.
Diterbitkan oleh WaveCut pada 25 April 2026. Sumber: https://huggingface.co/WaveCut/QClaw-4B-mlx_4bit