Llama-4-Scout-17B-16E-Instruct-Q8_0
Desenvolvido pela Mogith, Llama-4-Scout-17B-16E-Instruct-Q8_0 é um modelo de 17 bilhões de parâmetros de chat. Llama-4-Scout-17B-16E-Instruct-Q8_0 is an open-weights chat model with roughly 17 billion parameters.
by Mogith · 17B parâmetros
Ideal para
Como usar Llama-4-Scout-17B-16E-Instruct-Q8_0 no osFoundry
Conecte com sua própria chave (BYOK)
Abra o diálogo de chaves e cole sua chave de API da Mogith. O osFoundry descobre Llama-4-Scout-17B-16E-Instruct-Q8_0 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
Llama-4-Scout-17B-16E-Instruct-Q8_0 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 Llama-4-Scout-17B-16E-Instruct-Q8_0
Llama-4-Scout-17B-16E-Instruct-Q8_0 roda em uma única GPU de consumo de 16GB (~11 GB de VRAM com folga para KV-cache). A inferência em precisão completa cabe em uma única H100 80GB em precisão FP16 (~41 GB).
Llama-4-Scout-17B-16E-Instruct-Q8_0 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 Llama-4-Scout-17B-16E-Instruct-Q8_0
Llama-4-Scout-17B-16E-Instruct-Q8_0 é gratuito?
Llama-4-Scout-17B-16E-Instruct-Q8_0 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 Llama-4-Scout-17B-16E-Instruct-Q8_0 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 Llama-4-Scout-17B-16E-Instruct-Q8_0 precisa?
Aproximadamente 11 GB em quantização Q4, ou 41 GB em precisão FP16 completa. Cabe em uma única GPU de consumo de 24GB.
Posso rodar Llama-4-Scout-17B-16E-Instruct-Q8_0 localmente?
Sim. Llama-4-Scout-17B-16E-Instruct-Q8_0 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 Llama-4-Scout-17B-16E-Instruct-Q8_0 é melhor?
Llama-4-Scout-17B-16E-Instruct-Q8_0 é bem adequado para text generation.
Como uso Llama-4-Scout-17B-16E-Instruct-Q8_0 no osFoundry?
Cole sua chave de API da Mogith no diálogo de chaves (ou implante os pesos abertos para modelos auto-hospedáveis), atribua Llama-4-Scout-17B-16E-Instruct-Q8_0 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 Mogith em 9 de abril de 2025. Fonte: https://huggingface.co/Mogith/Llama-4-Scout-17B-16E-Instruct-Q8_0