LLM2Vec-Gen-Qwen3-06B
LLM2Vec-Gen-Qwen3-06B — это 6-миллиардная параметрическая эмбеддинг модель от McGill-NLP, выпущенная 3 марта 2026 г.. LLM2Vec-Gen-Qwen3-06B is an open-weights embed model with roughly 6 billion parameters.
by McGill-NLP · 6B параметров
Лучше всего подходит для
Способы использования LLM2Vec-Gen-Qwen3-06B в osFoundry
Подключите со своим ключом (BYOK)
Откройте диалог ключей и вставьте ваш API-ключ McGill-NLP. osFoundry автоматически обнаружит LLM2Vec-Gen-Qwen3-06B — 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
LLM2Vec-Gen-Qwen3-06B 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 LLM2Vec-Gen-Qwen3-06B
LLM2Vec-Gen-Qwen3-06B работает на одном потребительском GPU объёмом 16 ГБ (~4 ГБ VRAM с запасом для KV-кэша). Инференс с полной точностью помещается на одной H100 80GB при точности FP16 (~15 ГБ).
LLM2Vec-Gen-Qwen3-06B в сравнении с похожими моделями
| Модель | Организация | Параметры | Контекст | Цена ввода | Самостоятельный хостинг |
|---|
| LLM2Vec-Gen-Qwen3-06B | McGill-NLP | 6B | — | Free (local) | Да |
| glove-6B | NeuML | 6B | — | Free (local) | Да |
| splade-code-06B | naver | 6B | — | Free (local) | Да |
| e5-mistral-7b-instruct | intfloat | 7B | — | Free (local) | Да |
Лицензия
Не указано — Условия лицензии не указаны — проверьте карточку исходной модели перед коммерческим использованием.
Сверьтесь с документацией исходного проекта.
Частые вопросы о LLM2Vec-Gen-Qwen3-06B
Бесплатна ли LLM2Vec-Gen-Qwen3-06B в использовании?
LLM2Vec-Gen-Qwen3-06B 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 LLM2Vec-Gen-Qwen3-06B 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 LLM2Vec-Gen-Qwen3-06B?
Приблизительно 4 ГБ при квантизации Q4 или 15 ГБ при полной точности FP16. Помещается на одном потребительском GPU объёмом 24 ГБ.
Можно ли запустить LLM2Vec-Gen-Qwen3-06B локально?
Да. LLM2Vec-Gen-Qwen3-06B имеет открытые веса и работает локально на GPU рабочей станции. Локальная среда выполнения osFoundry берёт на себя загрузку модели, квантизацию и маршрутизацию.
В чём LLM2Vec-Gen-Qwen3-06B лучше всего?
LLM2Vec-Gen-Qwen3-06B хорошо подходит для sentence similarity.
Как использовать LLM2Vec-Gen-Qwen3-06B в osFoundry?
Вставьте свой API-ключ McGill-NLP в диалог ключей (или разверните открытые веса для моделей с возможностью самостоятельного хостинга), назначьте LLM2Vec-Gen-Qwen3-06B на роль Maestro во вкладке Pipeline, а затем используйте её в чате, в Room App через invokeAI или в собственных приложениях.
Опубликовано McGill-NLP 3 марта 2026 г.. Источник: https://huggingface.co/McGill-NLP/LLM2Vec-Gen-Qwen3-06B