gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct
Desenvolvido pela QpiEImitation, gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct é um modelo de 2 bilhões de parâmetros de chat. gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct is an open-weights chat model with roughly 2 billion parameters.
by QpiEImitation · 2B parâmetros
Ideal para
Como usar gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct no osFoundry
Conecte com sua própria chave (BYOK)
Abra o diálogo de chaves e cole sua chave de API da QpiEImitation. O osFoundry descobre gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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
gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct
gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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).
gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct
gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct é gratuito?
gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct localmente?
Sim. gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct é melhor?
gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct é bem adequado para text generation.
Como uso gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct no osFoundry?
Cole sua chave de API da QpiEImitation no diálogo de chaves (ou implante os pesos abertos para modelos auto-hospedáveis), atribua gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct 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 QpiEImitation em 20 de abril de 2026. Fonte: https://huggingface.co/QpiEImitation/gkd_math500_S-Qwen2-1.5B-Instruct_T-Qwen2-7B-Instruct