KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization
Созданная KIST-robot-intelligence, KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization — это 8-миллиардная параметрическая чат модель. KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization is an open-weights chat model with roughly 8 billion parameters.
by KIST-robot-intelligence · 8B параметров
Лучше всего подходит для
Способы использования KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization в osFoundry
Подключите со своим ключом (BYOK)
Откройте диалог ключей и вставьте ваш API-ключ KIST-robot-intelligence. osFoundry автоматически обнаружит KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization — назначьте её на роль Maestro (router, direct, orchestrator или fallback) во вкладке Pipeline, и она будет доступна в каждом чате. Ваш ключ, ваш аккаунт у провайдера — без наценки на токены.
Разверните выделенный эндпоинт
KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization распространяется с открытыми весами — запускайте её локально бесплатно или разверните выделенный GPU-эндпоинт в вашем рабочем пространстве для зарезервированных мощностей без ограничений по частоте запросов.
Используйте в Room App
Room App объявляют функции ИИ в своём манифесте, а затем вызывают их через invokeAI:
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Вызывайте из своих приложений
После подключения модели к вашему рабочему пространству вы можете разместить её как API и обращаться к ней из своих сервисов, скриптов или CI — за пределами osFoundry.
На каком оборудовании можно запустить KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization
KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization работает на одном потребительском GPU объёмом 16 ГБ (~5 ГБ VRAM с запасом для KV-кэша). Инференс с полной точностью помещается на одной H100 80GB при точности FP16 (~20 ГБ).
KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization в сравнении с похожими моделями
Лицензия
Не указано — Условия лицензии не указаны — проверьте карточку исходной модели перед коммерческим использованием.
Сверьтесь с документацией исходного проекта.
Частые вопросы о KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization
Бесплатна ли KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization в использовании?
KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization можно бесплатно запускать локально на собственном оборудовании. Хостинговый доступ через osFoundry тарифицируется (ввод Free (local), вывод Free (local)). Вы можете переключаться между локальным и хостинговым режимами в любой момент.
Можно ли использовать KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization в коммерческих целях?
Коммерческое использование разрешено с условиями. Условия лицензии не указаны — проверьте карточку исходной модели перед коммерческим использованием. Сверьтесь с документацией исходного проекта.
Сколько VRAM требуется для KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization?
Приблизительно 5 ГБ при квантизации Q4 или 20 ГБ при полной точности FP16. Помещается на одном потребительском GPU объёмом 24 ГБ.
Можно ли запустить KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization локально?
Да. KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization имеет открытые веса и работает локально на GPU рабочей станции. Локальная среда выполнения osFoundry берёт на себя загрузку модели, квантизацию и маршрутизацию.
В чём KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization лучше всего?
KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization хорошо подходит для text generation.
Как использовать KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization в osFoundry?
Вставьте свой API-ключ KIST-robot-intelligence в диалог ключей (или разверните открытые веса для моделей с возможностью самостоятельного хостинга), назначьте KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization на роль Maestro во вкладке Pipeline, а затем используйте её в чате, в Room App через invokeAI или в собственных приложениях.
Опубликовано KIST-robot-intelligence 22 августа 2024 г.. Источник: https://huggingface.co/KIST-robot-intelligence/KONI-Llama3-8B-Instruct-20240729-GGUF-Quantization