ku meta-llama
Llama 3.2 1B Instruct
meta-llama/Llama-3.2-1B-Instruct
Sadaya angka mangrupa perkiraan. Pamakéan mémori sareng kagancangan nu saéstuna gumantung kana driver, setélan, sareng program séjén anu keur jalan.
- Parameter
- 1.2B
- Lisénsi
- llama3.2
- Diterbitkeun
- Sep 18, 2024
Lisénsi ieu kagungan pamabuk model. Mangga pariksa saratna sateuacan ngagunakeun model.
Hugging Face meryogikeun Anda nampi sarat pamabuk sateuacan ngunduh model ieu. Teu aya kit anu dijual pikeun model ieu.
Asli di Hugging Face ↗Mémori anu diperlukeun dumasar kuantisasi
Dina konteks 8,192 token, kaasup 0,8 GB pikeun runtime.
| Kuantisasi | File model | Jumlah |
|---|---|---|
| Q4_K_M | 0.7 GB | 1.6 GB(kasarna) |
| Q5_K_M | 0.9 GB | 1.8 GB(kasarna) |
| Q6_K | 1.0 GB | 1.9 GB(kasarna) |
| Q8_0 | 1.3 GB | 2.2 GB(kasarna) |
| F16 | 2.5 GB | 3.5 GB(kasarna) |
Hardware anu ngajalankeunana dina kartu grafis
Dina Q4_K_M sareng konteks 8,192 token.
- NVIDIA GeForce RTX 3060 (12 GB)
- NVIDIA GeForce RTX 3070
- NVIDIA GeForce RTX 3080 (10 GB)
- NVIDIA GeForce RTX 3090
- NVIDIA GeForce RTX 4070
- NVIDIA GeForce RTX 4070 Ti SUPER
- NVIDIA GeForce RTX 4080 SUPER
- NVIDIA GeForce RTX 4090
- NVIDIA GeForce RTX 5060 Ti (16 GB)
- NVIDIA GeForce RTX 5070
- NVIDIA GeForce RTX 5070 Ti
- NVIDIA GeForce RTX 5080
- NVIDIA GeForce RTX 5090
- AMD Radeon RX 7600
- AMD Radeon RX 7700 XT
- AMD Radeon RX 7800 XT
- AMD Radeon RX 7900 XT
- AMD Radeon RX 7900 XTX
- AMD Radeon RX 9070 XT
- Apple M1 Pro
- Apple M1 Max
- Apple M2
- Apple M2 Pro
- Apple M2 Max
- Apple M3
- Apple M3 Pro
- Apple M3 Max (30-core GPU)
- Apple M3 Max (40-core GPU)
- Apple M4
- Apple M4 Pro
- Apple M4 Max (32-core GPU)
- Apple M4 Max (40-core GPU)
- Apple M5
- AMD Ryzen AI Max+ 395
Model anu sami ngalangkungan API
Panjual panghématna: Inference, $0.09 sabulan dina pamakéan baku (200 pamundut per dinten).
Tingali hargana dina Model Price MapDetil model asalna tina daptar umum Hugging Face (ngaran, ukuran, lisénsi). Unggal kaca model nyambung ka aslina.