QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep
Desenvolvido pela g4me, QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é um modelo de 2 bilhões de parâmetros de chat. QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep is an open-weights chat model with roughly 2 billion parameters.
by g4me · 2B parâmetros
Ideal para
Como usar QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep no osFoundry
Conecte com sua própria chave (BYOK)
Abra o diálogo de chaves e cole sua chave de API da g4me. O osFoundry descobre QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep automaticamente — atribua-o a um papel do Maestro (router, direct, orchestrator ou fallback) na aba Pipeline e ele estará ativo em cada chat. Sua chave, sua conta no provedor — sem markup sobre tokens.
Implante um endpoint dedicado
QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é open-weights — execute localmente sem custo, ou implante um endpoint GPU dedicado no seu workspace para capacidade reservada sem limites de taxa.
Use em um Room App
Os Room Apps declaram recursos de IA em seus manifestos e os chamam com invokeAI:
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Chame a partir dos seus próprios apps
Uma vez que um modelo está conectado ao seu workspace, você pode hospedá-lo como uma API e acessá-lo a partir dos seus próprios serviços, scripts ou CI — fora do osFoundry.
Quais hardwares rodam QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep
QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep roda em uma única GPU de consumo de 16GB (~2 GB de VRAM com folga para KV-cache). A inferência em precisão completa cabe em uma única H100 80GB em precisão FP16 (~5 GB).
QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep vs modelos semelhantes
Licença
Não especificada — Termos de licença não especificados — verifique o model card original antes do uso comercial.
Consulte a documentação original.
Perguntas frequentes sobre QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep
QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é gratuito?
QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é gratuito para rodar localmente no seu próprio hardware. O acesso hospedado via osFoundry é medido (entrada Free (local), saída Free (local)). Você pode alternar entre local e hospedado a qualquer momento.
Posso usar QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep comercialmente?
Uso comercial é permitido com condições. Termos de licença não especificados — verifique o model card original antes do uso comercial. Consulte a documentação original.
Quanta VRAM QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep precisa?
Aproximadamente 2 GB em quantização Q4, ou 5 GB em precisão FP16 completa. Cabe em uma única GPU de consumo de 24GB.
Posso rodar QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep localmente?
Sim. QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é open-weights e roda localmente em uma GPU de workstation. O runtime local do osFoundry cuida do carregamento, da quantização e do roteamento do modelo.
Em que QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é melhor?
QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep é bem adequado para text generation.
Como uso QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep no osFoundry?
Cole sua chave de API da g4me no diálogo de chaves (ou implante os pesos abertos para modelos auto-hospedáveis), atribua QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep a um papel do Maestro na aba Pipeline e use-o em chats, em Room Apps via invokeAI ou nos seus próprios apps.
Publicado pela g4me em 5 de maio de 2026. Fonte: https://huggingface.co/g4me/QWiki-1.7B-base-LR1e5-b32g2gc8-order-batch-filtered-20ep